Design Judge Skills 提供模块化、证据驱动的 AI 代理技能,覆盖设计奖全流程——从获奖案例检索、设计评价、奖项匹配,到申报文字准备与提交终检。

Stars

503

7 天增长

+227

Fork 数

14

开放 Issue

0

开源协议

Apache-2.0

最近更新

2026-07-28

AI 仓库情报摘要
FR-AI / ANALYSIS

为什么值得关注

它独特的“优先使用一手来源”原则、透明评分机制,以及对 iF、Red Dot、IDEA、DIA 等主流设计奖的广泛覆盖(附 22,125 条获奖作品观察记录作为背景参考),使其脱颖而出。

适合谁使用

  • 设计奖申报者(公司、工作室)
  • 准备参赛的设计师与学生
  • 指导客户或学生的设计教育者与顾问
  • 构建自定义奖项工作流的开发者

典型使用场景

  • 规划完整参奖流程并维护各阶段交接记录
  • 从官方来源检索并核验同类别获奖案例
  • 按指定成熟度评价设计项目,输出透明评分与关键风险
  • 比较多个奖项(iF、Red Dot、IDEA、DIA 等)的适配度,并生成申报文字

项目优势

  • 始终以官方奖项页面为准,而非第三方摘要
  • 明确区分用户事实、模型推断与待确认项
  • 所有评分与适配度评估透明可追溯,不声称能预测获奖概率
  • 模块化设计,每个技能可独立使用(检索、评价、匹配、准备、检查)

使用前须知

  • 多个技能处于 Beta 状态(可能存在边界问题),仅 design-award-search 为稳定
  • 22,125 条观察记录仅提供描述性背景,不可用于估计获奖概率
  • 不模拟未公开的评委偏好或内部流程,截止日期/费用/资格等需运行时从官方页面核验

README 快速开始

Design Judge Skills

面向设计奖全流程的证据驱动 Agent Skills:从获奖案例检索、设计评价和奖项匹配,到申报文字准备与提交终检。

快速开始 · 获奖样本体量 · 安装 · 技能索引 · 贡献与开发 · Star 历史 · English

design-judge-skills 将设计奖申报拆解为边界清晰、可独立触发与验证的技能模块,围绕官方来源、证据定位与透明评分构建可追溯的辅助决策流程,并依据公开标准比较申报路径、解释适配度与确定申报优先级。

目录

1. 项目介绍

Design Judge Skills 覆盖设计奖申报中的五类核心任务:

  • 检索并核验同类别获奖案例;
  • 用证据化量表评价设计本体与展示表达;
  • 匹配奖项、项目路径和申报类别;
  • 从用户材料中准备有来源约束的申报文字;
  • 按当届官方规则检查提交包是否就绪。

当前配置覆盖 iF DESIGN AWARD、iF DESIGN STUDENT AWARD、Red Dot Product Design、Red Dot Design Concept、IDEA、DIA、K-Design、GOOD DESIGN AWARD Japan、Core77、James Dyson 和 EPDA。涉及截止日期、费用、资格、类别与提交规格时,技能要求在运行时重新核验官方页面。

评价模块内置来自 iF、iF Student、Red Dot 与 IDEA 的 22,125 条获奖或入围作品聚合观察记录。这些数据只提供描述性背景,不改变核心评分,也不能用于估计获奖概率。参见覆盖范围、隐私与限制

2. 工作流

设计材料 ── 不确定路线或需要完整流程 ──> design-award-pipeline
  │
  ├─ 寻找同类获奖案例 ──────────────> design-award-search
  ├─ 评价设计与展示表达 ────────────> design-evaluation
  └─ 选择奖项 / 赛道 / 类别 ───────> design-award-match
                                         │
                                         v
                                design-information-prep
                                         │
                                         v
                                design-submission-check

这些模块可以独立使用。完整申报流程通常从评价或匹配开始,在目标奖项确定后进入信息准备,最后执行提交终检。

3. 设计原则与边界

  1. 优先使用一手来源。 奖项规则和案例以官方页面为准,搜索摘要与第三方页面只能用于发现线索。
  2. 事实与推断分离。 用户材料中的事实、模型推断和待用户确认项必须分别标记。
  3. 评分保持透明。 适配度和评价分数用于辅助决策,不代表获奖概率。
  4. 模块职责单一。 检索、评价、奖项匹配、文字准备和提交检查不互相越界。
  5. 不冒充官方判断。 可对齐公开评审标准,但不模拟未公开的评委偏好或内部流程。

4. 快速开始

安装完成后,直接把设计图片、展板、说明书、项目 brief、研究材料或申报文件交给 Agent,并说明任务。下面的提示词可以直接复制。

想做什么直接这样说
规划完整参奖流程使用 $design-award-pipeline,根据现有材料规划完整参奖路线,并维护各阶段的交接记录。
查找同类获奖案例使用 $design-award-search,为这个康复训练产品寻找经过官方页面核验的同类别获奖案例。
评价学生概念`使用 $design-evaluation 评价附件中的设计。成熟度由我确定为“学生概念”,请分别输出设计本体、展示

项目描述

Evidence-driven Agent Skills for design award research, evaluation, award matching, entry writing, and submission readiness.

相关仓库与替代方案

根据分类、Topic 和编程语言匹配的相似项目。

7-e1even
精选
7-e1even GitHub avatar

learn-agent

A collection of notes on building coding agents, derived from the production development of the desktop agent Reina, with each mechanism simplified into a zero-dependency, single-file Node.js demo.

AI 与机器学习大语言模型
218
makecindy
精选
makecindy GitHub avatar

cindy

Cindy is an open-source AI agent that runs locally on your machine, integrates multiple AI harnesses and models, and provides memory, skills, and automation to perform real work in your projects and apps.

AI 与机器学习大语言模型
958
0xwilliamortiz
精选
0xwilliamortiz GitHub avatar

ponytail-improved

Ponytail is a plugin for AI coding agents that enforces a disciplined ladder of reuse before writing code, reducing code volume by roughly 54% while preserving safety.

AI 与机器学习AI 智能体
545