近期，AI设计工具Lovart引发了广泛关注。它究竟是一个简单的生图工具，还是真正具备设计Agent能力的创新产品？本文通过一系列深度测评，从定制表情包、设计LOGO及VI效果图，到制作海报、创意漫画，甚至生成视频，全方位检验Lovart的理解、规划与执行能力。测评结果显示，Lovart在设计领域的表现令人惊艳，它不仅能够高效完成任务，还展现出强大的记忆与优化能力。本文将带你深入了解Lovart的实战表现，探讨AI设计Agent的未来潜力与挑战。

1. 前言

前两天睡醒了，洗漱完了我开始慢悠悠的刷公众号，进行一天的信息摄取。

发现大家都提及了Lovart产品，我看了看测评觉得蛮有意思的，然后我就去厚着脸皮要了个测试名额，当时体验了一会发现做表情包确实比4o方便不少，省的自己在那想创意了。

如何定义B端产品及B端产品经理方法论

相较于C端产品，B端产品最大的特点是：面向特定领域用户，且数量少得多，但更注重对用户专业领域操作流程的深度挖掘——也就是专业性更强，与业务的结合更紧密。

查看详情 >

但我当时没觉得Lovart有多强，我觉得我还是先把我拖欠的一堆活干完更重要。

然后突然看到群里发，朱啸虎老师对Lovart的评价。

我当时琢磨了一会，Agent达到商业化质量，这句话含量有点深啊。

那我还是去测测吧，我想看看它到底是和之前一样的生图工具还是一个专业设计Agent。

为此我还拉着Gemini搓了一套设计Agent测评标准，然后又拉着O3确认了一下逻辑有无漏洞。

然后我梳理了一下整体的测评思路：通过提示词递减、生成难度递增的策略，来看Lovart的理解能力、规划能力、执行能力、上下文能力是否能够达到一个不错的Agent水平。

为了保证测评的客观性，我会和Gemini2.5一起对每一个案例打分。

接下来让我们一起开始来测评Lovart吧~

2. Lovart案例测评

2.1 案例

1：做一组定制的微信表情包

2.1.1 测评点

第一次测试我们就先热热身，就让它做一次单步任务，我会给它图像和需求让它生成表情包，看看它在批量化场景下的效果怎么样，有没有不错的一致性和创造性。

2.1.2 测试过程及结果展示

我把Lovart这次执行任务的流程拆了出来画成了图，可以见到它有一个清晰的规划到落地的路径，AI会根据自己的判断产出方案、选择模型，然后才是生成图。

2.1.3 测评打分

在Lovart做好了之后，我直接把狗子表情上传了微信表情包，第一波测试我给Lovart打满分！

AI在这一波也给到了93分！它对Lovart的表现评价还不错。

2.2 案例

2：做LOGO及VI效果图

2.2.1 测评点

这次测试我们升级了一下难度，把提示词从单步变成了多步。

这次给到Lovart的是多步提示词，我希望看到它在Logo及VI（配色方案）上的思考，同时看看它在上下文一致性和连贯性上的体验怎么样。

我要求它先生成3个logo，然后在我确认后帮我生成VI及效果图。测试过程及结果展示

它在生成了这3个icon后，来让我进行选择：

我选择了第三个，这是它产出的VI及效果图。

Lovart执行本次任务的流程图：

搜寻灵感这个模块蛮有意思的，当用户没有给参考信息时，它会先去自己搜集一下参考，然后再生成。

跟设计师做需求一样了，哈哈哈~

2.2.3 测评打分

这一轮我继续给出满分，我觉得Lovart完整的按照提示词进行了执行，VI和效果图都没有漏掉，我觉得非常不错。

AI在这一波也给到了94分，看起来我们两个又一次达成了一致。

2.3 案例

3：做一个线下活动的海报

2.3.1 测评点

这次我们把难度再往上抬一点，我会先给Lovat一个提示词，让它帮我生成海报，看看它对视觉的理解力创造力怎么样，能不能画出一张好看的海报。

然后基于这张海报，我会让它去做多轮调整，看一看在多轮调整中它是否能够每次都高效的完成任务，会不会一会就跑偏。2.3.2 测试过程及结果展示

让它调整一下：

再调整一下：

接下来我又测试了一下中文能力，中文海报目前的稳定性还是模型不好处理的，Lovart因为还是调用已有模型进行生成，所以还是有一些细节不太好。

Lovart执行本次任务的流程图，用户提需求

2.3.3 测评打分

这次海报我们就直接让AI来打分，它给到了86分；它给我的反馈是排版精度可以再往上提升一下，第一稿的视觉冲击力较弱。

整体表现还是不错的，这是一个可以进行交付的效果图。

2.4 案例

4：做一组创意漫画

2.4.1 测评点

上边的测评里我都给了Lovart详细的提示词，那这次我们继续往上抬难度。

我们看一看Lovart在低提示词的描述下，能不能做出来不错的创意漫画。2.4.2 提示词及结果展示

我以为Lovart会问我问题，但它下根据自己的理解出了一版故事，我觉得还行，然后我给它提出了修改需求。

它直接在加文字的基础上把6个漫画合成了一张图，这个效果是我没想到的。

我仔细去看了一下它的生成过程，它做了一个布局设计，还是怪聪明的。

于是我决定看看他能不能在一张大图的基础上对第四个、第五个面板进行局部调优，这个事情的难度在于Lovart到底是在大图直接做，还是会在第一次的基础上优化完，然后再合成一张大图。

如果是前者，我觉得可能搞不定；后者的话还有可能。

刚开始Lovart给到我的是这两个图，我看了之后有点失望，我感觉它没有把上下文完整

的接进去。正当我准备问它的时候，我发现它又给了我一张大图。我要的修改点它都加了进去了，表现的还是非常错的。

然后我去深度对比了两张大图，我发现它是完整的又从做了一张大的合成图，这说明它的记忆能力、理解能力、规划能力都是极强的。

模型在接收到调整图4、图5细节的时候会拆成这样的规划：

1. 先从历史内容中找到第一版的图片4、图片5

2. 对其进行用户需求的微调

3. 重复用户添加文字的需求

4. 每个小图增加文字描述

5. 生成一张大图

2.4.3 测评打分

这次漫画我们继续让AI打分，它给出了不错的评价，我也是非常认可。

虽然细节上还有一些瑕疵，但Lovart的记忆能力、规划能力、执行能力都让我感觉很强，接下来该上点难度了。2.5 案例5：生成小狗冒险视频2.5.1 测评点

最后一个测评，我们上个贼难的吧。

看看能不能一句话生成一个好玩的视频，这将是对Agent的终极考验。2.5.2 提示词及结果展示

看完了我都惊呆了！我以为它只能搓个半成品，没想到效果还挺好！

让我们一起看看Lovart执行任务的逻辑：

它这是一次任务完整执行下来的，中间我没有任何的干预。

2.5.3 测评打分

满分！满分！满分！

我的好搭子Gemini保持着它的理性挑了点刺，不过它的问题还是视频的画面细节，不过它不了解目前世界AI视频做到什么地步了，它应该还是用数据库里各种人类的视频去对比的。

3.测评结论

从这几个案例测评结果来看，我做为一个人类好像只会从那喊满分！

还是Gemini更加客观公正一些。

我在测评完案例后，我其实知道Lovart是一个不错的Agent设计产品，但我想了半天我该如何给它做一个结论。

我觉得它有很多还可以提升的点，比如生成速度实在是有点慢，做表情包都花了我5分钟时间；漫画的人物一致性可读性都有不少提升空间；视频生成的细节也有待提升，最起码清晰度高一点。

但作为一个AI产品经理，我觉得这些细节也还好，他们都是有看得到的解决方案的。

我想Lovart给我们带来的更多是：AI在设计赛道上有能力和人一样进行作业。

我在敲下这行字的时候我想了半天，真的是这样的吗？

然后我又回去看了看我测试的这些案例，如果我之前想达到这样的效果我该怎么样呢？

去找设计师，然后提出我的需求，然后他给结果后我继续改。

流程是没什么区别的，Lovart的结果我敢用吗？

当然是敢用的，狗子表情包我都传到微信里边了。

那它其实就是设计师了。

我想这是个不可逆的趋势，认可AI或许更容易让我们进入新世界。

DeepseekV2在24年5月份发布，那时候企业低Token成本拥抱AI的种子早已埋下了。

Deepseek用了8个月迭代出来的R1，震惊了世界。

我想或许Lovart、Mauns它们都是那粒种子，它们都在告诉我们：未来已至。