最近技术社区和设计圈都在讨论一件事：Adobe 更新应用内许可条款后，不少开发者担心“用 AI 辅助开发软件”会撞上版权红线；随后 Adobe 官方人员在社区公开回应，表示不会对使用 AI 辅助开发的非商业开源替代品采取法律行动，前提是不使用 Adobe 的字体、图标和品牌资产。这个表态一出，“开发者靠 AI 重做 Adobe 七件套”的话题迅速登上各大技术社区热榜。

所谓“Adobe 七件套”，通常包含 Photoshop、Premiere Pro、After Effects、Illustrator、Lightroom、InDesign 和 Acrobat，覆盖了位图编辑、矢量绘图、视频剪辑、特效合成、摄影后期、版式编排和 PDF 处理，是设计和创意行业的基础设施。如果这套软件真的能被开源替代品逐步替换，那对设计师、开发者和中小企业都意义重大。

这篇文章就围绕这件事展开，梳理事件背景、技术可行性，并带着大家走一遍“用 AI 辅助开发一个 mini 版 Photoshop”的完整实战流程。无论你是想进设计工具赛道的开发者，还是想了解 AI 辅助开发工作流的工程师，都可以从中获得一套可复制的方法。

1. 事件背景：从“条款争议”到“重做七件套”

1.1 这件事是怎么发生的

Adobe 的产品在创意行业几乎是“默认工具”。无论是平面设计、视频剪辑还是 UI 设计，团队协作都是围绕 Adobe 生态展开的。正因为覆盖面广，Adobe 的任何条款变化都会引发连锁反应。

近期讨论的焦点是 Adobe 更新了部分应用内的许可协议，其中涉及生成式 AI、自动化脚本和数据使用等表述。部分条款写得比较宽泛，开发者和设计师都开始担心：如果我用 AI 写代码、训练模型，甚至直接开发一个替代 Photoshop 的工具，会不会被 Adobe 追责？

随后 Adobe 官方在社区回应，核心意思可以概括为：Adobe 不会针对使用 AI 辅助开发的非商业开源替代品发起法律行动，但底线是不能使用 Adobe 的字体、图标、品牌资产以及受保护的专有算法。这个回应算是给开源社区“松了绑”，也直接刺激了“开发者靠 AI 重做七件套”的讨论。

1.2 为什么偏偏是“七件套”

“七件套”之所以被单独拎出来说，是因为它们不是一个孤立的软件，而是一整套设计工作流：

这七款软件互相配合，形成了从“素材处理”到“成品输出”的闭环。如果只是替换其中一款，用户并不会真正迁移；只有整套替代方案成熟，生态才会松动。所以“重做七件套”这个目标，本质上是在挑战 Adobe 的生态壁垒。

1.3 事件背后的技术信号

这件事表面上是版权和商业之争，底层其实是生成式 AI 带来的开发效率跃迁。

放在三年前，一个独立开发者想重做 Photoshop 的某个核心功能，需要从零学习图像处理算法、UI 框架、插件系统和编译发布流程，没有半年根本出不了可用的 Demo。而现在，借助 AI 辅助编码工具，一个熟悉 Python 的开发者可以在几天内搭建出包含基础滤镜、图层操作和选区编辑的桌面工具。

也就是说，AI 让“一个人重做一个小型设计软件”从不可能变成了可能。虽然距离完整的 Photoshop 还有很大差距，但已经足够形成技术讨论和实验项目。

2. 用 AI 重建设计软件，技术上可行吗

2.1 四个层面的可行性

用 AI 重做设计软件，可以从四个层面来看：

第一，图像处理算法。Photoshop 的核心能力是滤镜、选区、蒙版、图层混合模式、色彩管理。这些底层算法大部分在 OpenCV、Pillow、scikit-image 等开源库中已经实现。AI 的价值在于快速组合这些算法，而不是重新发明轮子。

第二，界面设计。一个设计软件的 UI 界面非常复杂，包括菜单、工具栏、图层面板、颜色选择器、历史记录等。用传统方式手写这些界面工作量极大，但 AI 可以根据设计稿或文字描述生成 Vue、React、Qt、Tkinter 的界面代码，开发效率提升明显。

第三，跨平台打包。现代开源工具链支持 Windows、macOS、Linux 三端打包，配合 Electron、PyInstaller、Tauri 等框架，可以快速发布桌面应用。AI 可以帮助编写打包脚本和解决依赖问题。

第四，批处理与自动化。设计工作流中大量重复操作可以通过脚本完成，AI 在编写批处理脚本方面非常有优势，例如批量转换格式、批量加水印、批量调色。

2.2 最难的其实不是算法

不过，真正难的不是算法，而是以下三个问题：

第一是插件生态。Photoshop 的强大在于海量第三方插件和动作脚本。即使核心功能被替代，如果插件系统没有同步成长，用户依然不会迁移。

第二是硬件加速。PS 的液化、智能锐化、超大图纸渲染都依赖 GPU 加速和专业色彩管理。开源替代方案在色彩一致性、HDR 显示、打印预览等方面还有明显差距。

第三是用户体验和习惯。设计师几十年积累的快捷键、肌肉记忆、工作流模板都建立在 Adobe 软件上。即使功能对等，迁移成本依然很高。

所以，“重做七件套”从技术上讲是一条漫长但切实可行的路，短期内很难直接动摇 Adobe 的市场地位，但可以为创作者提供另一种选择。

2.3 开源生态的现实基础

当前开源生态已经有相当多可用的基础组件：

这些项目已经存在多年，但开发维护节奏、交互设计和使用体验各不相同。AI 辅助开发可以加速这些项目之间的整合，例如为 darktable 生成更友好的中文界面，或为 Scribus 开发课程资源。

3. 实战准备：构建一个 mini 版 Photoshop

前面聊了很多背景，下面进入动手环节。我用 Python 和 AI 辅助开发一个迷你图像处理工具，功能覆盖打开图片、灰度化、高斯模糊、边缘检测、二值化、裁剪和旋转。

这个工具虽然简单，但已经覆盖了 Photoshop 最基础的工作流：加载图片、视觉处理、结果预览、保存导出。通过这个例子，你可以直观感受到“AI 辅助重做设计软件”到底是怎么一回事。

3.1 技术选型与版本说明

演示环境如下：

• 操作系统：Windows 10/11 或 macOS
• Python 版本：3.10+（建议 3.11 或 3.12）
• 图形界面：Tkinter（Python 自带）
• 图像处理：OpenCV 4.x、Pillow、Numpy
• 开发工具：VS Code 或 PyCharm

版本需要根据你的项目实际情况调整，本文示例以常见环境为例，重点演示配置思路。

运行前安装依赖：

pip install opencv-python pillow numpy

如果网络较慢，可以切换国内镜像源：

pip install opencv-python pillow numpy -i https://pypi.tuna.tsinghua.edu.cn/source

3.2 项目结构规划

在写代码之前，先想清楚目录结构。一个清晰的工程结构，既方便 AI 生成模块化代码，也方便后续扩展：

mini_ps/ ├── main.py # 程序入口 ├── requirements.txt # 依赖清单 ├── core/ │ ├── __init__.py │ ├── image_ops.py # 图像基础操作 │ └── filters.py # 滤镜与特效 └── ui/ ├── __init__.py └── app.py # 图形界面

按模块拆分的好处是：你可以让 AI 分别生成 image_ops.py、filters.py 和 app.py，每个文件都有明确职责，遇到问题时容易定位和修复。

3.3 编写 requirements.txt

opencv-python>=4.8.0 pillow>=10.0.0 numpy>=1.24.0

4. 核心开发：用 AI 生成每个功能模块

4.1 需求拆解：先让 AI 帮你列功能清单

不要一上来就写代码。先向 AI 提问，把需求说清楚。例如在 ChatGPT、Claude、Copilot 或国内的大模型助手中，输入下面这段提示词：

我正在开发一个迷你图像处理工具，参考 Photoshop 的基础功能进行简化。请帮我列出 MVP 版本应该包含的功能清单，要求优先级从高到低排列，并说明每个功能的输出效果。

AI 通常会给出这样一份清单：

这个清单就是我们的开发大纲。AI 辅助开发的正确姿势是：让 AI 做“需求分析 + 编码”，你负责决策和审查。

4.2 开发 image_ops.py：图像读写与几何变换

核心功能一：图片的打开、保存、缩放、旋转和裁剪。

向 AI 提问：

请用 Python 写一个模块，使用 OpenCV 实现以下函数： 1. load_image(path)：读取图片，文件不存在时报错 2. save_image(img, path)：保存图片 3. resize_image(img, width, height)：缩放图片，使用 INTER_AREA 插值算法 4. rotate_image(img, angle)：以图片中心旋转指定角度 5. crop_image(img, x, y, w, h)：裁剪图片 要求：函数签名清晰，包含参数说明和异常处理。

生成的代码核心思路如下，我整理后保存到core/image_ops.py：

# 文件路径：mini_ps/core/image_ops.py import cv2 import numpy as np def load_image(path: str) -> np.ndarray: """读取图片文件。 Args: path: 图片文件路径。 Returns: 返回 BGR 格式的 numpy 数组。 Raises: FileNotFoundError: 文件不存在或无法读取时抛出。 """ img = cv2.imread(path) if img is None: raise FileNotFoundError(f"无法读取图片: {path}") return img def save_image(img: np.ndarray, path: str) -> None: """保存图片到指定路径。 Args: img: OpenCV 图像数组。 path: 输出路径，支持 .jpg、.png 等格式。 """ cv2.imwrite(path, img) def resize_image(img: np.ndarray, width: int, height: int) -> np.ndarray: """缩放图片到指定宽高。 Args: img: 原始图像。 width: 目标宽度。 height: 目标高度。 """ return cv2.resize(img, (width, height), interpolation=cv2.INTER_AREA) def rotate_image(img: np.ndarray, angle: float) -> np.ndarray: """以图像中心为基准旋转指定角度。 Args: img: 原始图像。 angle: 旋转角度，正值为逆时针。 """ h, w = img.shape[:2] center = (w // 2, h // 2) matrix = cv2.getRotationMatrix2D(center, angle, 1.0) return cv2.warpAffine(img, matrix, (w, h), flags=cv2.INTER_LINEAR) def crop_image(img: np.ndarray, x: int, y: int, w: int, h: int) -> np.ndarray: """裁剪图片中的矩形区域。 Args: img: 原始图像。 x: 左上角横坐标。 y: 左上角纵坐标。 w: 区域宽度。 h: 区域高度。 """ return img[y:y + h, x:x + w]

需要注意几点：

• OpenCV 读取图片默认使用 BGR 色彩模式，而不是常见的 RGB，后续显示到界面时要转换。
• cv2.imread在文件不存在时不会抛异常，而是返回None，所以要手动判断并抛出FileNotFoundError。
• 缩放时推荐使用INTER_AREA，在缩小图片时保留更多细节，这是 AI 代码里不太容易自动选对的地方，需要人工修正或提示。

4.3 开发 filters.py：滤镜与特效

向 AI 提问：

请继续完善项目，编写一个 filters.py 模块，使用 OpenCV 实现： 1. to_gray(img)：转为灰度图 2. to_binary(img, threshold=127)：二值化 3. gaussian_blur(img, ksize=5)：高斯模糊 4. edge_detect(img, low=50, high=150)：边缘检测 要求：所有函数输入输出都是 numpy 数组，ksize 必须是奇数。

整理后的代码如下：

# 文件路径：mini_ps/core/filters.py import cv2 import numpy as np def to_gray(img: np.ndarray) -> np.ndarray: """彩色图像转灰度图。""" return cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) def to_binary(img: np.ndarray, threshold: int = 127) -> np.ndarray: """图像二值化：像素值大于阈值为白色，否则为黑色。""" gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, binary = cv2.threshold(gray, threshold, 255, cv2.THRESH_BINARY) return binary def gaussian_blur(img: np.ndarray, ksize: int = 5) -> np.ndarray: """高斯模糊。 Args: img: 输入图像。 ksize: 卷积核大小，必须是正奇数。 """ if ksize % 2 == 0: ksize += 1 return cv2.GaussianBlur(img, (ksize, ksize), 0) def edge_detect(img: np.ndarray, low: int = 50, high: int = 150) -> np.ndarray: """Canny 边缘检测。 Args: img: 输入图像。 low: 低阈值。 high: 高阈值。 """ return cv2.Canny(img, low, high)

这里的核心概念是：

• 灰度化：将三通道的 BGR 图像映射为单通道灰度图，常用于中间步骤。
• 二值化：设定阈值，把图片变成黑白两色，常用于文档扫描、文字识别预处理。
• 高斯模糊：每个像素取周围像素的加权平均值，卷积核越大模糊程度越高。
• Canny 边缘检测：先计算梯度，再通过双阈值筛选边缘。低阈值和高阈值需要根据图片内容调整。

这些基础算法是 Photoshop 众多滤镜的地基，也是 AI 最容易快速生成的模块。

4.4 开发 app.py：整合图形界面

核心功能写好后，接下来要做的是把它们串成一个可视化工具。

向 AI 提问：

请用 Tkinter 写一个简单的图像处理 GUI，功能包括： 1. 选择文件并显示原图 2. 将预览图显示在界面上 3. 点击按钮执行灰度、模糊、边缘检测、二值化 4. 点击保存按钮输出处理结果 5. 显示图片时注意色彩通道转换（BGR -> RGB） 要求：界面简洁，有两个展示区，左原图右结果。

这里有一个很容易踩坑的地方：OpenCV 使用 BGR 顺序，Tkinter 的 PhotoImage 使用 RGB，如果直接显示，图片颜色会变成蓝橙色调。因此需要一步转换：

from PIL import Image, ImageTk import cv2 # BGR -> RGB -> PIL Image -> ImageTk.PhotoImage rgb_img = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) pil_img = Image.fromarray(rgb_img) photo = ImageTk.PhotoImage(pil_img)

完整 GUI 代码参考：

# 文件路径：mini_ps/ui/app.py import tkinter as tk from tkinter import filedialog, messagebox from PIL import Image, ImageTk import cv2 import numpy as np from core.image_ops import ( load_image, save_image, resize_image, rotate_image, crop_image ) from core.filters import ( to_gray, to_binary, gaussian_blur, edge_detect ) class MiniPsApp: def __init__(self, root: tk.Tk): self.root = root self.root.title("Mini Photoshop - AI 辅助开发版") self.root.geometry("960x600") self.original = None # 原始 BGR 图像 self.result = None # 处理后的 BGR 图像 self.original_photo = None self.result_photo = None self._build_ui() def _build_ui(self): """构建界面布局。""" toolbar = tk.Frame(self.root) toolbar.pack(side=tk.TOP, fill=tk.X, padx=5, pady=5) tk.Button(toolbar, text="打开图片", command=self.open_image).pack(side=tk.LEFT, padx=2) tk.Button(toolbar, text="灰度化", command=lambda: self.apply_filter(to_gray)).pack(side=tk.LEFT, padx=2) tk.Button(toolbar, text="高斯模糊", command=lambda: self.apply_filter(gaussian_blur)).pack(side=tk.LEFT, padx=2) tk.Button(toolbar, text="边缘检测", command=lambda: self.apply_filter(edge_detect)).pack(side=tk.LEFT, padx=2) tk.Button(toolbar, text="二值化", command=lambda: self.apply_filter(to_binary)).pack(side=tk.LEFT, padx=2) tk.Button(toolbar, text="保存结果", command=self.save_result).pack(side=tk.LEFT, padx=2) body = tk.Frame(self.root) body.pack(fill=tk.BOTH, expand=True) self.original_label = tk.Label(body, text="原图", bg="#f0f0f0") self.original_label.pack(side=tk.LEFT, fill=tk.BOTH, expand=True, padx=5, pady=5) self.result_label = tk.Label(body, text="处理结果", bg="#f0f0f0") self.result_label.pack(side=tk.RIGHT, fill=tk.BOTH, expand=True, padx=5, pady=5) def open_image(self): """打开并显示图片。""" path = filedialog.askopenfilename( filetypes=[("图片文件", "*.jpg *.jpeg *.png *.bmp *.*")] ) if not path: return try: self.original = load_image(path) self.result = self.original.copy() self._show_image(self.original, self.original_label, "original") self._show_image(self.result, self.result_label, "result") except Exception as exc: messagebox.showerror("打开失败", str(exc)) def apply_filter(self, func): """对当前结果图应用指定滤镜。""" if self.original is None: messagebox.showwarning("提示", "请先打开一张图片") return try: self.result = func(self.result) self._show_image(self.result, self.result_label, "result") except Exception as exc: messagebox.showerror("处理失败", str(exc)) def save_result(self): """保存处理结果。""" if self.result is None: messagebox.showwarning("提示", "没有可保存的结果图像") return path = filedialog.asksaveasfilename( defaultextension=".png", filetypes=[("PNG", "*.png"), ("JPEG", "*.jpg"), ("BMP", "*.bmp")] ) if path: save_image(self.result, path) messagebox.showinfo("完成", f"图片已保存到：{path}") def _show_image(self, img: np.ndarray, label: tk.Label, tag: str): """把 OpenCV 图像显示到 Tkinter Label 中。""" if img.ndim == 2: # 灰度图 rgb_img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB) else: rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) pil_img = Image.fromarray(rgb_img) # 缩放显示，避免图片过大撑爆窗口 pil_img.thumbnail((440, 480)) photo = ImageTk.PhotoImage(pil_img) if tag == "original": self.original_photo = photo else: self.result_photo = photo label.config(image=photo, text="")

入口文件main.py：

# 文件路径：mini_ps/main.py import tkinter as tk from ui.app import MiniPsApp def main(): root = tk.Tk() app = MiniPsApp(root) root.mainloop() if __name__ == "__main__": main()

4.5 运行与验证

在项目根目录执行：

python main.py

预期效果：

1. 点击“打开图片”，选择一张本地 JPG 或 PNG，左侧显示原图。
2. 点击“灰度化”，右侧变为黑白图。
3. 点击“高斯模糊”，右侧继续模糊，且不影响左侧原图。
4. 点击“边缘检测”，右侧显示轮廓线条。
5. 点击“保存结果”，把处理后的图片导出到本地。

我这里实际跑过一条最简单的链路：打开图片 -> 灰度化 -> 高斯模糊 -> 保存，整个过程没有任何报错，界面响应也流畅。

有一点需要说明：这个工具目前没有实现撤销功能和多级历史记录，所以对图片反复应用滤镜会产生叠加效果。如果希望支持撤销，可以维护一个history栈，每次处理前把当前图像压栈，这是一个非常适合作为 AI 辅助开发练习的扩展点。

5. 进阶：AI 如何帮我们“重做”视频与排版工具

5.1 视频剪辑方向

视频处理工具的复杂度比图像处理高很多，但 AI 辅助开发依然能大幅降低起点。比如用 FFmpeg 作为底层引擎，AI 可以帮助生成命令行调用封装。

向 AI 提问：

请用 Python 的 subprocess 封装 FFmpeg，实现视频剪辑和转码： 1. cut_video(input, output, start, duration) 2. compress_video(input, output, bitrate) 3. extract_audio(input, output)

生成结果的逻辑通常如下：

import subprocess def cut_video(input_path: str, output_path: str, start: str, duration: str): cmd = [ "ffmpeg", "-y", "-i", input_path, "-ss", start, "-t", duration, "-c", "copy", output_path ] subprocess.run(cmd, check=True) def compress_video(input_path: str, output_path: str, bitrate: str = "1M"): cmd = [ "ffmpeg", "-y", "-i", input_path, "-b:v", bitrate, output_path ] subprocess.run(cmd, check=True) def extract_audio(input_path: str, output_path: str): cmd = [ "ffmpeg", "-y", "-i", input_path, "-vn", "-c:a", "aac", output_path ] subprocess.run(cmd, check=True)

再通过 Tkinter 或 PySide6 封装成带进度条的图形界面，就是一个简化版的视频剪辑入口。

5.2 矢量图形方向

Illustrator 的替代开发同样可行。Python 生态里有 svgwrite、drawsvg 等库，AI 可以根据文字描述生成 SVG 文件。

向 AI 提问：

请用 Python 和 svgwrite 生成一个简约 logo，包含一个圆形、一个三角形和文字 "AI Studio"。

AI 生成的代码可运行后会输出 SVG 文件，浏览器直接打开就能预览。这个思路可以继续扩展成图形编辑器：画布拖拽、节点编辑、路径计算等，AI 在数据结构设计上能帮上大忙。

5.3 排版与 PDF 方向

InDesign 的替代方向是 Typst、Paged.js 和 PyMuPDF。AI 可以把一份简历数据渲染成 PDF：

# 使用 PyMuPDF 生成带标题和正文的 PDF 文档 import fitz doc = fitz.open() page = doc.new_page() page.insert_text((72, 72), "AI 生成文档标题", fontsize=16, fontname="china-s") page.insert_text((72, 108), "这是一段由脚本生成的正文内容。", fontsize=12) doc.save("output.pdf")

这里要注意，china-s字体是否存在取决于本机字体库，不同平台需要按实际环境调整。AI 辅助生成代码时，最好同时问一句“如果中文字体显示异常，应该如何检查和安装字体”。

6. 常见问题与排查思路

无论你是直接复制本文代码，还是自己用 AI 生成代码，都可能遇到下面这些问题。

再展开说明两个高频问题。

6.1 Tkinter 界面明明有图片，却显示空白

这个问题很常见。原因通常是在_show_image里创建的ImageTk.PhotoImage对象被垃圾回收了。Tkinter 的底层机制要求必须保持一个全局或实例引用，否则图片不显示。

解决方案就是在__init__中增加属性：

self.original_photo = None self.result_photo = None

然后在_show_image中赋值给这两个属性。这属于 Tkinter 的经典坑，AI 生成的代码未必会自动处理，需要开发者理解原理后修正。

6.2 OpenCV 的 “shape” 和 PIL 的 “size” 混淆

在 MRO 和图像尺寸处理时，很多初学者会混淆：

• OpenCV 的img.shape返回(高, 宽, 通道数)。
• PIL 的img.size返回(宽, 高)。

AI 生成代码时如果混用这两个接口，会导致旋转、裁剪方向错乱。建议在代码里增加注释，明确标注“这里高在前，宽在后”。

7. 最佳实践与工程建议

7.1 把需求拆到 AI 能理解的最小单元

AI 辅助开发能否成功，很大程度取决于你怎么提需求。推荐的做法是：把一个完整软件拆成多个“函数级需求”，逐个让 AI 实现。比如：

• “写一个读取图片的函数，返回 numpy 数组”
• “写一个函数，把图片按指定比例缩小”
• “写一个函数，在 Tkinter 界面中显示 OpenCV 图片”

每一条需求都足够具体，AI 生成的代码质量会明显更高。

7.2 让 AI 改代码，而不是从零生成

很多时候，AI 第一次生成的代码并不完全正确。不要反复让它重写整个文件，而是针对错误反馈让它修改。比如：

我运行 gaussian_blur 时，报错 "ksize must be positive and odd"。请检查函数，如果 ksize 是偶数，自动加 1 后再调用 cv2.GaussianBlur。

这样既保留整体结构，又修复具体问题，效率更高。

7.3 重视测试和边界条件

设计软件涉及大量边界条件：读不存在的文件、裁剪区域超出图片范围、旋转角度为负数、图像通道数不一致等。AI 生成的代码通常只处理“正常路径”，你需要主动补充异常测试。

在我的项目中，至少应该覆盖：

• 文件不存在时的报错信息是否清晰
• 空数组输入是否会导致崩溃
• 裁剪坐标越界时如何保护
• 保存目标目录不存在时是否需要自动创建

建议给每个函数写一个简单的if __name__ == "__main__"测试块，验证基础行为。

7.4 合规与品牌边界

如果你真的参与开源替代项目，要特别注意：

• 项目名称、Logo、图标不要模仿 Adobe 品牌。
• 代码不要直接复制 Adobe 软件中的专有算法实现。
• 文档和宣传语避免暗示“官方替代品”或“授权版本”。
• 如果使用了 GPL 协议的开源代码，注意自己的开源义务。

AI 辅助开发应该用于创造新的工具，而不是复制商业产品的外观和资产。

8. 总结：AI 改变的不是软件，而是软件开发方式

Adobe“饭碗不保”的讨论，短期内更多是媒体情绪的放大。真正值得关注的，是 AI 让独立开发者具备了挑战大型设计软件的能力。从本文的迷你 Photoshop 项目可以看到，一个普通工程师借助 AI，可以在一个周末内完成基础图像处理工具的核心功能，这在以前是不可想象的。

下一步，如果你对这个方向感兴趣，建议沿着三条线继续深入：

第一，完善这个小工具，增加图层、蒙版、撤销和历史记录功能。第二，尝试接入更多开源算法，比如人脸识别、智能抠图、超分辨率重建。第三，把开发过程整理成文档，记录 AI 生成的代码和你修改的部分，形成自己的 AI 辅助开发方法论。

工具永远在迭代，但设计软件真正值钱的不是代码，而是对用户需求的理解、稳定的交互体验和完整的创作生态。AI 负责把想法变成代码，而你负责决定这些代码该做成什么样子。这就是未来设计工具开发者最核心的竞争力。

如果这篇文章对你有帮助，可以收藏备用，也欢迎在评论区分享你用 AI 开发过的创意工具。下次遇到“重做 XX 软件”之类的选题，不妨先动手做一个小 Demo。