在用户界面（UI）开发中，大型语言模型（LLM）和编码代理的应用越来越广泛。然而，开发者发现难以可靠地评估这些模型在视觉与交互设计方面的能力。现有的评估方式主要有两种：一是依赖人类专家，他们能够通过测试关键流程来准确评估可用性，但这种方法速度慢且成本高；二是采用自动化评判，虽然可扩展性强，但准确性较低且过程不透明。
为了解决这一问题，我们提出了 FlowEval，一种基于参考的评估框架。FlowEval 的核心思想是衡量生成的用户界面是否支持真实的交互流程。具体而言，它通过比较来自真实网站的导航轨迹与生成界面的导航轨迹来进行评估。这种方法既保留了人工评估的准确性，又具备了自动化评估的可扩展性。
FlowEval 的工作流程如下：首先，从真实网站中提取典型的用户导航轨迹作为参考。然后，将这些轨迹与由 LLM 或编码代理生成的 UI 中的对应轨迹进行对比。通过对导航路径、元素交互和任务完成度等方面的分析，FlowEval 能够输出一个量化的评估分数。
实验结果表明，FlowEval 能够有效区分高质量与低质量的生成 UI，并且其评估结果与人类专家的一致性较高。这为 AI 驱动的 UI 开发提供了一种可靠且高效的评估工具，有望加速界面设计迭代并降低对人工评估的依赖。