通常而言，设计转代码除了依赖于特定设计平台的 FigmaToCode/SketchToCode 外，还有 Image to Code，基于 AI 多模态的 Code 生成也可以认为是 Image to Code 的一种变体
- Image to Code：
传统的 ImageToCode 路线依赖 yolo 等手段对图片元素进行切割，然后识别。这类技术路线对相似元素的识别不佳（例如 Select 与 Button 在样式相似的情况下，识别可能会混淆），同时设计稿还原度在达到一定阈值后很难再优化
大模型爆发后，依赖 LLM 多模态能力如 GPT-4V 等手段亦能做到对简单设计稿的 toCode 还原，但该路径目前依然很难承载一个特定的设计系统（或者一个特定设计系统+主题定制的衍生体），并基于特定的设计规范去还原。同时对于间距、对齐、元素识别等存在非常多边边角角的diff，对设计师来说，验收成本会剧增，对于 Pixel Perfect 视觉还原效果要求高的场景而言，实用性依然不佳。针对这些 case 的改善成本，目前依然居高不下
- Figma to Code：
23/24 年业界主流的 D2C 产品基本都是基于该技术路线，它由于属于结构化信息的互相转换，所以对设计系统，相似元素等 ImageToCode 无法解决的 case 里，识别精准度上会有非常大的优势。我们的 D2C 亦基于此。
与其他 D2C 方案提供者不同，我们本身亦是设计系统的维护者，会更注重与特定设计系统的联通，提供的 D2C 原生支持 DesignSystem 组件级转码识别，也支持第三方设计系统，额外还提供了 C2D 功能，跟 Figma 的 variant 做了打通。对 Figma 平台上各类功能的 catch up 更新也更及时
我们正在尝试将上述两个路线做结合，结合两者优点去做更靠近实际应用的生成，先基于 Figma2Code 生成基础代码，再结合 Image 图像信息，使用 AI 将基础代码做更合理的改写。

可以从最终使用数据上作为观测指标，我们提供了数据看板（仅字节内部支持），可在数据看板查看团队的转码数据。看板包含转码次数、复制次数、使用人数等信息。 这些信息可辅助用于判断转码的收益情况。
有的团队也会添加注释，通过在代码产物上添加特殊评论标识用于判断转码的最终入库消费频次。