AI 产品与体验
AI Product UX
AI UX 最容易被做成两种极端：要么像普通表单产品，完全没承认模型的不确定性；要么像炫技 demo，把一堆“智能感”堆上去，结果用户根本不知道该相信什么。真正好的 AI product UX，不是让界面看起来很 AI，而是让用户在不确定系统里依然有控制感和 trust。
所以这页重点不是视觉稿，而是 AI engineer 和 product/design 一起该怎么设计更可靠的 AI UX pattern。
先说结论：AI UX 的核心是 trust，不是 novelty
用户愿不愿意继续用 AI feature，往往取决于 4 件事：
- 它知不知道这个功能能做什么、不能做什么
- 它能不能看懂输出为什么值得信
- 它能不能修正结果而不是重来一切
- 出错时系统是否诚实
这 4 件事做好，比炫酷 animation 更值钱。
AI UX 和传统 UX 的最大差异
| 传统产品 | AI 产品 |
|---|---|
| 输出相对确定 | 输出带概率性 |
| 用户更容易形成稳定预期 | 用户容易高估或低估能力 |
| 错误通常比较明确 | 错误可能“看起来像对的” |
| 流程更线性 | 常常需要 refine、retry、review |
所以 AI UX 不能只套传统 form thinking。
Input UX，重点是帮助用户给足上下文
很多“模型不行”的问题，其实是输入设计不行。
更好的 input UX 通常会提供：
| 机制 | 作用 |
|---|---|
| prompt template / starter | 降低用户空白输入焦虑 |
| constraints hint | 告诉用户长度、格式、范围 |
| file / source preview | 让用户知道系统拿了什么上下文 |
| scope clarification | 不够信息时先追问，而不是瞎答 |
AI feature 不应该默认用户会自己写好 prompt。
Output UX，重点是让结果可判断
一个 AI output 至少应该让用户回答：
- 这是不是基于我给的输入
- 它有没有引用 source
- 这部分我能不能直接改
- 如果不满意，下一步怎么 refine
这也是为什么下面这些 pattern 很重要：
- streaming
- citation
- confidence / limitation cues
- quick refine actions
Refine Loop 比“一键重生成”更重要
只给 regenerate 按钮，通常是不够的。
更好的 AI UX 会提供低摩擦修正路径，比如：
| 动作 | 用户感受 |
|---|---|
| shorter / longer | 快速控制篇幅 |
| more formal / more casual | 快速调 tone |
| fix structure | 保留内容，调整组织方式 |
| ask follow-up | 不足信息时继续补上下文 |
这类 refine loop 会明显提升用户的控制感。
Error UX 一定要诚实
AI 产品最危险的一种 UX，是把失败伪装成“好像成功了”。
更稳的错误设计应该做到：
- provider fail 就明确提示，不要假装模型思考中
- source 不足就承认不确定
- partial success 就展示 partial result
- 高风险场景就提供人工升级路径
AI UX 的失败，不只是体验问题，也可能是 trust 问题。
Citation 和 Source UX，对高价值场景非常关键
如果是 knowledge-heavy 场景，用户通常不只想看答案，还想知道：
- 来源是什么
- 引用的是哪一段
- 过期没有
这类 source UX 一开始做麻烦，但一旦做好，用户信任会明显高很多。
Memory 和 Personalization 要给用户选择权
AI system 记住用户偏好当然有价值，但这不该是黑盒。
更稳的做法是明确：
| 问题 | UX 上要怎么体现 |
|---|---|
| 记住了什么 | 可见的 preference summary |
| 会保留多久 | retention / privacy 说明 |
| 能不能清除 | clear / reset action |
| 是个人还是共享上下文 | visible context boundary |
记忆越强，边界越要清楚。
AI UX 最该追的指标
| 指标 | 为什么重要 |
|---|---|
| task success rate | 用户到底有没有完成任务 |
| refine rate | 用户是否在积极修正还是被迫重试 |
| abandonment rate | 用户有没有中途放弃 |
| feedback score | 主观体验如何 |
| source click / review rate | 用户是否在验证结果 |
只看使用量，不看 refine 和 abandonment，很难知道 UX 到底好不好。
Practice
拿你现在一个 AI feature，检查这 4 件事：
- 用户是否知道功能边界
- output 是否可判断、可修正
- error 是否诚实
- 有没有可用的 refine loop
这 4 件事做对了，AI UX 才算开始成熟。