我把同一個 UI 需求交給同一個模型跑了 9 次：不加 Skill、apple-design、ui-ux-pro-max 各 3 次。

結果讓我改變判斷方式：同一套 Skill 也會一次做得很好、一次翻車。
9 份結果匿名後交給兩個人獨立打分，三組的平均分是：
apple-design 91.3
ui-ux-pro-max 89.0
不加 Skill 85.8
但三組都沒做到 3/3 零缺陷。
apple-design 和不加 Skill 各有一次手機詳情頁主按鈕擠壞；ui-ux-pro-max 有一次在 375px 窄螢幕橫向溢出，右側內容被截斷。每組也都漏過無障礙細節：有的是表單沒標籤，有的是圖示按鈕沒名稱。
這次 apple-design 平均分最高，ui-ux-pro-max 波動最小。我會複用的是後面的驗收方法。
以後我不會再拿一張漂亮截圖判斷 Skill：先跑 3 次，再驗手機、鍵盤、減少動態效果和失敗項。對我來說，Skill 更像是設計偏置，不是穩定性保證。