gabrielmoreira AI Native 用户体验设计 Skill
使用场景
- 产品需要设计人与 AI 协作的交互体验
- 需要让用户理解系统、信任系统、愿意持续与系统协作
- 需要设计渐进式自动化路径
核心概念
- AI 交互体验（AI UX）：围绕人机协作、状态可见、结果可纠偏和边界可控制来设计的产品体验
- Prompt UX：用户如何表达目标、补充信息和修正系统方向的交互设计
- Trust UX：系统如何展示来源、不确定性和执行边界，以建立合理信任
- 渐进式自动化：先让用户看见和确认，再逐步提高自动化程度的体验路径
- 人在定义中（Human-in-Definition）：人在目标定义、边界设定和禁止项声明中保持主导
- 人在回路中（Human-in-the-Loop）：人在关键节点中确认、修改和放行
- 人在监督中（Human-on-the-Loop）：人在运行时监控 AI、干预异常、执行叫停与回滚
AI UX 流程
用户表达目标
→ 系统展示状态
→ 给出建议 / 行动
→ 用户纠偏或确认
→ 结果执行
→ 反馈沉淀
如果系统省略了"状态可见"和"纠偏入口"，体验再流畅也很难形成长期信任。
从传统 UI 到 AI 交互体验
传统软件体验主要围绕界面效率：导航是否清晰、按钮是否顺手、表单是否顺畅。
AI Native 产品新增了另一层体验： n- 用户如何表达意图
- 系统如何理解目标
- 结果如何被解释
- 错误如何被纠正
真正被设计的不只是界面元素，而是"用户提出目标后，系统如何回应、如何推进、如何被纠偏"的全过程。
AI UX 的五个核心特征
1. Prompt UX
- 用户如何自然表达问题
- 如何引导用户提供足够的上下文
- 如何让用户知道怎么修正系统方向
2. 智能体交互
- 系统如何展示思考过程
- 系统如何展示步骤和状态
- 用户如何理解系统正在做什么
3. 人机协作（Human + AI Collaboration）
- 用户如何接管、修改和确认结果
- 哪些动作可以自动执行，哪些必须确认
- 如何让用户感觉自己仍然在控制
4. Feedback UX
- 产品如何收集有效反馈，而不是只收点赞点踩
- 如何让用户愿意提供修正和改进建议
- 如何把反馈转化为系统改进
5. Trust UX
- 系统如何让用户知道答案从哪里来
- 哪些地方有不确定性
- 哪些动作有风险、需要注意
人机协作的三个层级
人在定义中（Human-in-Definition）
- 人在目标定义中保持主导
- 人在边界设定中保持主导
- 人在禁止项声明中保持主导
人在回路中（Human-in-the-Loop）
- 人在关键节点中确认
- 人在关键节点中修改
- 人在关键节点中放行
人在监督中（Human-on-the-Loop）
- 人在运行时监控 AI
- 人在异常时干预
- 人执行叫停与回滚
体验设计要围绕任务完成
AI 产品的体验设计不应停留在"回答好看不好看"，而要围绕任务完成效率来设计：
- 在分析系统里，关键不是输出多漂亮，而是能否让用户快速理解异常原因并采取行动
- 在客服系统里，关键不是回复多长，而是能否更快、更稳地解决问题
输出物：UX 方案
- 人机分工图：在每个任务节点上，AI 做什么、人做什么
- 状态可见性设计：系统如何展示正在做什么、进度如何
- 纠偏机制设计：用户如何修正、确认、拒绝和升级人工
- 信任设计方案：如何展示来源、不确定性、边界
- 反馈沉淀机制：如何收集有效反馈并转化为系统改进
使用方式
当用户提供产品场景时，自动执行：
- 分析任务链路和人机分工点
- 设计状态可见怨方案
- 设计纠偏机制
- 设计信任 UX 方案
- 设计反馈沉淀机制
- 输出 UX 方案
示例
示例：AI 客服 Copilot UX 设计
场景描述： 设计一个 AI 客服协同工作台的 UX，让客服专员高效使用 AI 建议，同时保持对服务的控制。
用户输入： "我们的 AI 客服建议有时不被采纳，有时被采纳后反而要修改，怎么设计更好的协作体验？"
Skill 执行流程：
- 任务链路分析
用户咨询 → 客服理解 → AI生成建议 → 客服审核 → 发送/修改 → 用户反馈
↓
人机协作核心节点
- 人机分工设计
| 任务节点 | AI 职责 | 人类职责 | 决策模式 |
|---|---|---|---|
| 意图理解 | 识别咨询类型、情绪 | 确认或纠正理解 | AI建议，人确认 |
| 信息查询 | 自动查询订单/物流 | 核对数据准确性 | AI自动执行 |
| 回复生成 | 生成候选回复 | 审核、编辑、选择 | AI建议，人决策 |
| 高风险承诺 | 标注风险 | 人工确认后才能发送 | 人权决 |
| 异常处理 | 建议升级 | 判断并执行升级 | 人权决 |
- 状态可见性设计
界面元素:
AI分析卡片:
- 意图识别结果（置信度条）
- 已查询的数据（展开的详情）
- 情绪检测（中性/着急/愤怒）
候选回复区:
- 3个备选回复（可切换）
- 每个回复的风险标记（绿/黄/红）
- 引用来源（规则第X条、订单#123）
置信度提示:
- 高置信度（>90%）：绿色边框
- 中置信度（70-90%）：黄色边框 + "请确认"
- 低置信度（<70%）：红色边框 + "建议人工处理"
- 纠偏机制设计
| 纠偏方式 | 交互设计 | 触发条件 |
|---|---|---|
| 快速编辑 | 行内编辑，保留原意 | 内容基本可用，需微调 |
| 重新生成 | "换个说法"按钮 | 风格不合适 |
| 降低风险 | 移除敏感表述 | 检测到高风险词 |
| 完全拒绝 | "不需要"按钮 + 原因选择 | 建议完全不相关 |
| 标记错误 | "反馈问题"按钮 | 发现AI理解错误 |
- 信任 UX 设计
透明度设计:
来源展示:
- "基于订单 #12345 生成"
- "引用《退换货规则》第3.2条"
- "参考历史成功案例 C-8921"
不确定性展示:
- "预计送达时间：1-2天（基于物流轨迹预测）"
- "⚠️ 该情况较为少见，建议优先解释政策"
边界提示:
- "退款涉及金额 > 500元，需主管确认"
- "此建议不适用VIP客户，已自动切换模板"
- Feedback UX 设计
即时反馈:
客服采纳建议后:
- 快捷评价：👍 / 👎
- 修改追踪：记录人工编辑与原建议的差异
- 标签选择：准确/冗余/风格差/信息错误
定期沉淀:
- 每周生成"最佳建议"和"待改进建议"报告
- 高采纳率建议 → 案例库
- 频繁修改场景 → 模型优化需求
输出结果：
# UX 方案：AI 客服 Copilot
人机分工:
AI自动执行: [信息查询, 初步意图识别]
AI建议人决策: [回复生成, 解决方案推荐]
人权决: [高风险承诺, 投诉处理, 升级判断]
状态可见:
- AI分析结果实时展示（意图+置信度）
- 数据来源明确标注
- 风险等级颜色编码
纠偏入口:
- 快捷编辑（行内）
- 重新生成（一键）
- 完全拒绝+反馈
- 风险降级（自动移除敏感词）
信任建立:
- 所有建议标注来源
- 高不确定性场景主动提示
- 边界场景明确告知限制
反馈闭环:
- 采纳行为自动记录
- 修改内容追踪差异
- 定期质量报告生成
- 正向案例入库
渐进自动化路径:
阶段1: 所有建议人工审核（当前）
阶段2: 高置信度+低风险建议自动发送（达成90%准确率后）
阶段3: 仅异常/边界场景人工介入（长期目标）