# AI Native UX Design

> AI Native 产品方法论——AI Native 用户体验设计的实操 Skill。 用户提供产品场景，Skill 自动执行 UX 设计流程： 任务分析 → 人机分工设计 → 状态可见性 → 纠偏机制 → 信任设计 → 反馈沉淀 → 输出 UX 方案。 基于《AI Native 产品方法论》第16章。

- Skill: `gabrielmoreira/ai-native-ux-design` (Agent Skill)
- Install (CLI): `npx skillmds@latest add gabrielmoreira/ai-native-ux-design`
- Raw SKILL.md: https://api.skillmd.com/api/skills/gabrielmoreira/ai-native-ux-design/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: gabrielmoreira (https://skillmd.com/u/gabrielmoreira)
- Updated: 2026-09-09
- Page: https://skillmd.com/skills/gabrielmoreira/ai-native-ux-design

---


# 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

1. **人机分工图**：在每个任务节点上，AI 做什么、人做什么
2. **状态可见性设计**：系统如何展示正在做什么、进度如何
3. **纠偏机制设计**：用户如何修正、确认、拒绝和升级人工
4. **信任设计方案**：如何展示来源、不确定性、边界
5. **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：

1. 分析任务链路和人机分工点
2. 设计状态可见怨方案
3. 设计纠偏机制
4. 设计信任 UX 方案
5. 设计反馈沉淀机制
6. 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**：

1. **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
```

2. **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 |

3. **状态可见性设计**

```yaml
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"
```

4. **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 |

5. **信任 UX 设计**

```yaml
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"
```

6. **Feedback UX 设计**

```yaml
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**：

```yaml
# 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）
```