我们都曾有过令人失望的 AI 交互体验，或认识一些“讨厌聊天机器人”的人，这通常是因为“原始默认”的体验既不实用、没有价值，也不令人愉悦。这种失望往往与模型能力关系不大，更多源于体验本身，也就是人、AI 智能体和预期结果之间的交互。这是采用 AI 的重大障碍，企业环境尤其如此；设计不佳的交互可能让人不知所措、忽视实时情境，或无视用户意图和行为。
基于这一视角，我们总结了每种模式的优势、相关设计挑战及应用这些模式的实用指南。这些模式适用于各种交互类型和模态，既能为面向消费者的体验创造机会，也能助力内部 AI 解决方案，帮助知识工作者作出更好的决策。
我们希望分享在构建和试用众多生成式 AI 解决方案时观察到的新兴模式，帮助设计更好的人机关系。
无论作为知识工作者还是消费者，我们与技术的许多交互都让日常任务变得比本应的更加困难。它们限制了我们的生产力、效率和价值。
知识工作者和消费者都可能被海量的信息、选择和工具压得喘不过气。持续涌来的大量信息常常彼此矛盾，使人更难作出明确决策或保持专注。研究表明，员工在一个工作日中可能有多达 40% 的时间只用于查找所需信息（McKinsey）。这种信息过载既影响生产力，也影响身心健康。
我们还面临注意力容量有限的问题。即使能够找到信息，我们也无法处理或分析作出明智决策所需的全部内容。在任何时刻，我们都只能专注于一小部分可用数据，并常常固守已有信念或想法，导致难以考虑替代方案或发现意外模式。
工具本身往往也未能认识到这些局限。大多数技术都是为“平均水平”设计的——采用一刀切的方案，无法适应个人情境。无论使用办公软件还是面向消费者的应用，这些工具都很少考虑我们的需求、限制或独特情况。因此，技术可能效率低下，甚至适得其反。生成式 AI 为打造适应性更强、更个性化的交互提供了机会。
最后，许多工作环境带来了不必要的痛苦。不断增加的“杂务”、必须“时刻在线”的压力，以及重复、低价值的任务，都会导致员工失去投入并承受长期压力。尽管生成式 AI 和 AI 智能体可以减少或消除这些体验，许多人仍然不相信 AI 能从整体上改善工作。人们可能抗拒“AI 接管一切”的想法，因为他们担心被取代，或对自己的工作怀有主人翁意识——即使是自己讨厌的任务。
单纯应用 AI 并不能解决问题。集成不当的 AI 可能带来新的任务和焦虑，知识工作者尤其如此。这些挑战表明，我们需要既高效又符合自身认知能力、个人情况和现实限制的人机交互。以下六种模式提出了一系列方法，既考虑人的需求，也支持与 AI 建立适应性更强、更透明、更有意义的关系。
新兴设计模式与有效、以人为本的 AI 体验原则之间的关系。
信息策展：AI 化身智能菜单——AI 整理并组织信息，帮助人们浏览庞大数据集，减轻信息过载。
提供反馈：AI 化身思考伙伴——AI 实时提供发人深省的反馈，质疑假设并带来不同视角。
情境感知：理解此时此地的 AI——AI 持续处理环境信息和用户需求，以适应实时情境。
持续发现：将每次交互转化为用户研究——AI 利用每次用户交互发掘洞见并深化理解，确保持续学习和改进。
增强：扩充用户输入以获得更佳结果——AI 在幕后完善用户输入，同时保留用户的原始意图。
展示推导过程：透明的 AI 推理——AI 以直观实用的方式展示决策过程，建立信任并帮助用户作出更明智的决策。
这六种模式表明，有效的 AI 解决方案不仅需要精心设计的用户界面。它们还决定了人和 AI 智能体如何在复杂知识系统中协调、决策和交互。这些模式通过以下方式改善人机交互：
优先促进双向知识交流：开展 AI 与人类都能贡献想法、情境信息和洞见的对话。这有助于打造能力更强的 AI 系统，使其能够吸收尚未被编码的专家知识和直觉。
打造能够适应不同情况并随之改变的体验：AI 工具可能很快过时或变得不再适用。保持情境感知、持续学习并适应每位用户具体情况的系统，能够长期保持实用性。
提升信任与信心：透明、协作式的交互可以降低采用门槛、提高参与度，并改善人类和 AI 的决策。周到的设计有助于人们长期对系统的决策和输出保持信心。
设计有效的 AI 体验并非易事，但经过验证的方法可以提供帮助。理解用户并创造实用体验的核心原则仍然适用，同时还需考虑具备自主行动能力的 AI 系统带来的新问题。能够有效整理信息、提供实用反馈并以透明方式学习的体验，可以减轻信息过载、改善决策并建立信任。
这些模式有助于克服常见的采用障碍，让 AI 真正做到实用、灵活，并为所有参与者创造更大价值。
以下指南将更深入地探讨每种模式，并解释它如何为更广泛的 AI 体验提供支持。
定义：用户不必再手动筛查海量搜索结果或文档，AI 智能体可以从庞大数据集中整理信息，并呈现最相关的洞见。本质上，AI 就像一名图书管理员，按照用户所处的情境组织知识。
用途：减轻信息过载。普通知识工作者每天要花 1.8 小时查找信息，这导致许多员工身心俱疲（McKinsey）。AI 驱动的信息策展通过从广泛来源中索引、查找并整合信息来解决这一问题，帮助用户发现传统搜索可能遗漏的信息、选项和洞见。
挑战：从传统的界面式搜索转向智能体辅助方式，需要用户调整预期。人们习惯于查看链接列表，或按下按钮来筛选数据集。相比之下，AI 策展工具会综合用户可能并不知道其存在的来源来生成答案。这可能削弱用户对筛选过程的掌控感，并要求他们信任智能体的选择。熟悉的搜索机制可以帮助人们适应 AI 驱动的信息策展，同时保持信心和掌控感。
OpenAI 如何运用熟悉的交互模式，支持发现结构化和非结构化信息。
以熟悉的交互形式呈现搜索机制：
为了顺利从传统搜索过渡，应提供熟悉的交互，而不是让用户面对一片空白。如果体验建立在熟悉的选项、问卷和情境建议之上，用户会感到更加自在。
用按钮提供提示，而非要求开放式输入：
自由文本输入可能令人望而生畏，也可能耗费时间。预设或自动生成的按钮可以降低信息策展的使用门槛。例如，“按最新内容筛选”“比较价格”和“纳入全球来源”等按钮可以帮助用户优化结果。这可以降低参与门槛，鼓励探索，并让 AI 围绕用户意图给出推荐。
让用户通过讲述经历来优化搜索结果：
有时，讲述经历比直接查询或筛选更能有效表达用户需求。面对复杂情况，例如浏览信息密集的仪表板或寻找合适的产品时，人们可能会被传统工具压得喘不过气，也可能不知道该调整哪些参数。
当用户可以“讲述自己的经历”，描述痛点、个人目标或理想产品时，AI 就能将这些叙述转化为结构化搜索参数。例如，有人说：“我刚搬进一套较小的房子，需要用途灵活、价格实惠的收纳方案。”他们便可以获得精心筛选的产品建议、实用技巧和相关推荐。
采用叙事方式，不仅可以减少用户思考该应用哪些筛选条件的认知负担，还能让他们对最终结果更有信心、理解更清晰。
利用网络梗和文化典故打造个性化发现体验：
网络梗可以从两方面辅助 AI 策展：一是加深智能体对用户的理解，二是以更有人情味、更易引起共鸣的方式让搜索结果鲜活起来。首先，用户可以选择或引用体现自己目标、心情或风格的网络梗（“今天就是想‘好好犒劳自己’！”），从而有效地与 AI 分享自己的“心智理论”。这有助于智能体推断标准图形界面或文本查询中可能缺失的情境，从而微调策展结果。
其次，智能体可以用主题式或流行文化风格的“入门套装”来“回放”结果，使推荐更贴切、更具个性。例如，如果有人正在重新设计家庭办公室，AI 可以创建一套“居家办公入门套装”，组合桌面配件、技术产品和灵感素材。
通过最佳后续行动为用户指明方向：
无论 AI 智能体给出的结果是否准确契合需求，用户都应能轻松调整参数。例如，他们可以提出：“多显示一些与第 2 项类似的内容”，或“排除 2020 年以前的来源”。建议后续行动可以引导新用户，同时避免让他们不知所措。
定义：人们经常讨论如何借助 AI 智能体委派传统上由人完成的工作。但它们充当实时协作伙伴的能力较少受到关注。智能体不只是遵循指令或生成内容，还可以提出发人深省的问题、质疑假设并提供不同视角。这让 AI 成为思考伙伴，在工作推进过程中帮助用户不断改进。
用途：及时反馈对每个人都有帮助，但我们并非总能得到它。反对和支持的声音都能帮助我们及早识别模式，避免过早执着于某个想法。AI 智能体可以质疑我们的假设、生成创意，并提出对数据的不同解读，同时不取代人类判断。我们发现，人们通常很乐于接受这种来自智能体的反馈。
AI 智能体可以生成反驳意见，揭示推理中的漏洞或突显不同视角。
挑战：AI 反馈必须直观且可执行，否则只会分散注意力。人们不欢迎用无关建议打断自己或对每个细节吹毛求疵的智能体。AI 应在适当的时机，以恰当的语气介入。过于被动会错失有用的机会；过于强势则可能让用户觉得自己总被质疑。
挑战在于如何呈现 AI 的反馈：是显示为提示、可选审查，还是双向对话？交互设计是否得当，将决定用户是把 AI 当作伙伴，还是只把它视为 Clippy 2.0。
确保反馈主动但不扰人：
让 AI 在自然的停顿点提供建议。例如，在文档编辑器中，它可以等用户写完一句或一段后再提出修改建议。我们还探索过这样的方式：用户选中空白文本字段后，让智能体短暂等待再提供帮助。语气很重要：“这里有个想法供你参考……”比生硬的断言更有建设性。
将反馈转化为探索式对话：
如果反馈不清楚，应让用户可以轻松追问，例如：“你为什么建议修改这里？”塑造一个充满好奇心的 AI 形象，可以让交流更具建设性。智能体可以像善于倾听的治疗师或引导者一样，在适当时机提出相关问题，将反馈转化为帮助用户学习的对话。
这也有助于 AI 收集情境信息，让用户与智能体建立更清晰的共同理解。
提供多个选项、创意或替代方案：
智能体不必只提供一种创意、解决方案或质疑，而可以呈现多种视角。例如，设计智能体可以生成三种备选布局，写作智能体则可以针对不同受众提供同一句话的不同版本。提供多个选项可以强化用户仍掌握控制权的感受。
确保反馈能够感知情境：
智能体应根据用户当前的情境调整自己的“思考伙伴”角色。如果有人停在某个问题或文本字段前，AI 可以提出发人深省的问题，而不是直接给出完整答案。如果用户只需改写一句话，提供可接受或拒绝的简洁建议，有助于保留他们的主人翁感。
关键是，AI 必须知道何时退后一步——长时间来回修改可能陷入无休止编辑的“死亡循环”，削弱用户的信心。AI 智能体密切关注情境和用户操作，就能量身调整反馈，做到真正有用而不越界。
定义：情境感知是指智能体实时解读情境信息并相应调整自身行为的能力。AI 智能体不必只依赖预先确定的输入，而可以持续处理有关环境、用户当前状态及其他相关条件的信息。
这可能意味着根据用户的即时需求调整界面，或解读当前市场状况，使响应更加贴切。
用途：现实世界并非静止不变。具备情境感知能力的 AI 系统可以响应当前状况，因此更加实用。当智能体理解相关情境时，交互会显得更自然、更个性化，也更贴近现实。
挑战：构建真正具备情境感知能力的 AI 并不容易。访问和整合必要数据可能会带来显著的技术复杂性。
有益的情境感知与侵犯隐私的越界行为之间仅有一线之隔。用户喜欢“懂自己”的智能体，但如果它索取过多信息或显得过于执着，用户也可能感到不适。由于情况可能迅速变化，人类的专业知识和判断仍不可或缺。
因此，有效的 AI 系统需要用户提供信息，才能对其情况保持实用且与时俱进的理解。
向用户展示什么是优质情境信息：
OpenAI o1 等推理模型改变了人们向大语言模型提供情境信息的方式。无论使用哪种模型，详细的情境信息都有助于生成更相关的响应。清晰的示例、占位文本和可展开提示可以告诉用户应提供哪些信息，并解释其重要性。
明确向用户展示“优质情境信息”的样貌，可以消除猜测，促使人们提供原本可能略去的重要细节。
让用户轻松界定智能体的边界：
用户的即时需求很重要，但不一定显而易见。具备情境感知能力的智能体可以与用户共同界定应探索的主题、领域和工具。ChatGPT 中的深度研究会在开始研究任务前提出澄清问题，从而支持这种方法。
显示情境信息，方便快速编辑和补充：
用户可能需要查看 AI 当前对其目标、关注点和数据源所作假设的快照。专用面板可以说明其知识截止日期、当前假设和相关输入。图标可以指示系统何时使用位置数据，摘要则可以显示某项洞见基于多少条记录。
让人们看到 AI“知道”什么，并能轻松添加、删除或更新相关情境信息，会给他们带来帮助。
让 AI 根据实用性选择 UI 功能：
AI 智能体可以根据情境线索，有选择地启用或停用功能。当用户起草白皮书时，智能体可以启用高级引用工具；当用户编辑演讲者备注时，则可以突出显示编辑功能。这可以打造更专注的体验，而无需用户手动管理每项设置。
定义：体验设计和产品开发通常将用户研究视为项目初期或固定周期开展的独立阶段。持续发现则将了解用户行为、需求和偏好视为一个持续进行的过程。AI 可以将对话、点击和反馈转化为发现洞见的机会，包括用户可能并未明确表达的洞见。
本质上，AI 会持续学习，并实时适应问题空间。
用途：要从专家、从业者和普通用户那里收集有关 AI 输出有效性或易用性的实用反馈，往往并不容易。智能体可以趁体验仍然鲜明时，结合情境记录用户的反应、洞见和直觉。
挑战：反馈往往只记录发生了什么或用户是否喜欢结果，却没有解释原因。即使这些洞见有助于改进系统未来的能力，要求人们回忆并记录思考过程的每一步，仍可能成为负担。
这对于限制严格的 AI 系统尤其重要，因为此类系统可能不适合甚至无法进行开放式对话。
用描述性标签记录反应：
简单的“赞”或“踩”很少能解释用户为何有这种反应。“有助于预算规划”或“缺少监管信息”等描述性标签能够提供更实用的情境。这些标签既可以反映当前交互，也可以邀请用户简要分享看法，将评分转化为 AI 可以学习的信息。
用“抽认卡”引导 AI 智能体：
当 AI 出错或只完成了部分目标时，应为用户提供一种简单的方法来纠正或“教导”它。例如，智能体可以问：“你会怎么表达这句话？”或者：“我们漏掉了什么细节？”由此得到的指导可以保存下来供当前交互使用，也可以日后复用。
从迭代与变化中学习：
有时，最有价值的反馈来自再次尝试。简单的重新生成控件可让用户比较新选项，并找出自己更喜欢的方案。这些选择将原始输入与更实用的结果联系起来，并让试验成为学习过程的一部分。
观察交互：
AI 智能体可以协同工作，跨多次交互进行学习。例如，一个智能体生成研究摘要时，另一个智能体可以分析交互过程以评估体验。这些智能体可以像民族志研究者一样，识别个人意图与其对输出质量的感知之间的差异。
这些观察可以揭示洞见并提出系统调整建议，从而支持持续改进。
定义：增强是在保留原始意图的同时，调整用户的输入、提示或指令，以生成更好的结果。AI 会在幕后完成明确请求以外的额外工作。例如，“影子提示”可以在系统生成响应之前丰富查询。
用户提供初步想法，智能体则在有助于改善结果时扩充这项输入。
用途：人们往往只提供简短或概括性的指令，而最佳响应可能需要完成额外步骤。AI 智能体无需用户事无巨细地解释，就能弥合这一差距。例如，请 AI“为我的新咖啡产品构思营销创意”，通常可能只会得到一份泛泛的清单。
增强方法可以开展多轮越来越大胆的头脑风暴，再整合其中最出色的创意，从而生成更丰富、更多样的结果。
挑战：幕后操作可能会削弱用户的主人翁感和透明感。如果 AI 修改某人的请求却不解释改动，生成的结果可能并非用户所愿。设计者必须在实用增强与非预期操纵的风险之间取得平衡。
设计上的挑战在于，让用户可以在需要时引导增强过程。
保留用户意图并以此为基础：
增强应当完善用户明示的目标，而不应引入新目标。AI 扩充提示或完成后台任务后，应由它或独立验证工具将最终输出与原始请求进行比较。应明确告知用户任何非预期的新增内容。
利用增强提高安全性与创造力：
影子提示等技术可能引发人们对暗中重塑用户请求的担忧。为了维持信任，应利用这些技术改善清晰度、安全性或完整性，同时不损害用户意图。如果必须出于安全考虑进行调整，应作出解释或立即提供反馈。
用户可能会看到审核结果，却看不到背后的逻辑或标准。
借鉴久经验证的引导方法：
AI 智能体可以应用 Liberating Structures 等引导与协作方法，推动富有成效的交互。这些轻量级框架有助于充分发挥个人的创造和分析潜力。
智能体可以在对话中运用熟悉的头脑风暴和创意筛选方法。稍微调整交流的展开方式，就能激发更广泛的创意和洞见。
通过并行思路发掘实用内容：
智能体不必依赖单一的线性交互，而可以同时探索多种解读、创意或解决方案。这就像一群专家从不同角度开展头脑风暴，同时不遗漏有用的洞见。
协调流程可以将这些不同的探索思路整合成连贯、可执行的响应。
利用增强帮助用户学习：
精心设计的增强还可以帮助人们学习如何更有效地与 AI 交互。如果智能体解释：“我在回答中考虑了 X 和 Y”，用户便可能在今后的请求中纳入这些因素。这会形成双向改进：现在获得更好的响应，长期则能提供更好的输入。
定义：这种模式让 AI 智能体的推理更容易理解。精心设计的交互可以解释智能体为何生成某个答案、突出显示支持性来源，或展示其过程中的相关步骤。目标是在不给用户造成负担的情况下，支持有效的人类决策。
如果用户可以逐步探索相关推理并自行选择所需的详细程度，展示推理就最为有效。
用途：信任是采用 AI 的关键，企业环境尤其如此。如果无法理解或验证系统的行为，人们就不太可能依赖它。透明的输出便于诊断问题、纠正错误和重复运用有效方法。
挑战：解释 AI 的决策可能很困难。细节过多可能让用户不知所措，而概率或冗长的推理摘要也可能难以理解。仅有透明度也不能保证准确性。
设计者必须考虑解释的质量、呈现方式是否清晰，以及如何让支持性证据成为实用对话的一部分。
允许智能体充分思考，再压缩结果：
AI 可以深入分析问题，同时以易于理解的格式呈现结果。分层摘要和渐进式披露让用户可以先了解核心洞见，仅在需要时展开支持性细节。
精心设计的交互可以让复杂信息易于探索，同时不牺牲深度或清晰度。
提供可探索的引文和参考资料：
AI 生成的答案应为用户提供清晰的方式来检查支持性来源。这可能包括链接、内部报告摘录、相关研究结果，或定量数据的深入视图。
例如，在检索增强生成系统中，用户应能从 AI 摘要进一步查看其背后的证据。这有助于验证信息，并支持能够建立信任的深入探究。
传达重要的进度信号：
复杂的智能体工作流可能涉及改变方向、重新审视先前步骤，或整合多条调查思路。了解正在发生什么时，用户更容易接受等待。清晰的进度更新可以说明智能体已完成什么、正在做什么以及下一步是什么。
智能体还应说明何时遇到困难，或何时需要更多视角才能作出决定。
逐步呈现 AI 输出：
智能体可以分阶段呈现信息，而不是一次性显示整个响应。例如，投资助手可以显示简短建议，并提供展开理由的选项：“第 1 步：评估风险状况。第 2 步：审查当前投资组合。第 3 步：发现分散投资的机会。第 4 步：制定建议。”需要更多细节的用户可以探索每个步骤，其他用户则可以只看摘要。
用可视化方式解释 AI 推理：
解释应当与主要输出一样易于理解。当推理涉及数字或关系时，图表和示意图可以发挥作用。将智能体的查询、过程、推理和来源可视化，也可以帮助用户纠正其方向、向他人解释结果，或在日后重复这一过程。
清晰的视觉解释有助于用户更快地理解信息并采取行动。