AI 用户体验：通过探索发现意图

微信 ezpoda免费咨询：AI编程 | AI模型微调| AI私有化部署
AI模型价格对比 | AI工具导航 | ONNX模型库 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

关于 AI 作为界面最重要的一点，并不是它能用自然语言聊天。而是它改变了用户的角色。AI 将计算从基于命令的交互转变为基于意图的结果指定：用户说明想要达成的结果，系统决定执行过程。

在批处理系统中，用户一次性提交整个工作流。在命令式系统中，用户和计算机交替进行。在意图式系统中，AI 将自行推断并执行工作流：你不再告诉计算机如何做，而是告诉它你想完成什么，剩下的由它自己搞定。

意图不仅仅是用自然语言表达的愿望。一个可用的意图至少包含三个部分：期望的结果、界定可接受行为的约束条件，以及定义系统被允许做什么的委托边界。"帮我规划芝加哥之行"这句话如果没有 AI 同时了解预算、不可更改的会议安排，以及它是否可以购买机票还是只能准备选项，那就是欠规范的。因此，AI UX 的很大一部分将在于帮助用户表达他们想要什么，以及系统被允许假设、优化和执行什么。

意图驱动的交互改变了控制焦点，而不仅仅是输入方式的表面变化。虽然 GUI 是一次巨大的飞跃，但从输入命令到点击命令的转变，比 AI 驱动的交互设计变革要小得多。正如我在 2023 年 5 月现代 AI 黎明之际指出基于意图的结果指定是 AI 交互模式时所强调的，这是一个全新的 UI 范式，也是 60 年来从批处理转向命令之后的第一次重大转变。

随着 UI 范式的改变，设计和可用性也需要范式转变，这是顺理成章的事。用户所做的事情正在发生翻转，UX 必须随之改变。AI 改变的是交互语法，而不仅仅是某个单一界面：基于意图的交互不仅仅是一种新的输入方法。它改变了决策发生的位置、谁承担认知负荷，以及**"错误"意味着什么**。

在基于命令的界面（包括 GUI）中，人类在内部形成计划，然后通过控件执行它。我们的设计目标是让计算机变得"透明"，正是因为它始终处于用户的计划之内。这就是 direct manipulation 感觉如此强大的原因之一：对可见对象进行操作并获得即时反馈，让用户能够专注于任务本身，而不是系统。

在基于意图的界面中，用户将部分计划外化：他们不再是在导航，而是在委托。系统现在必须解释目标、选择子目标、安排行动、获取权限并处理异常。这将系统推入经典的自动化角色，而人因研究已经对此进行了数十年的研究：一旦自动化接管了规划和行动选择，用户就从操作者转变为监督者。监督控制与 direct manipulation 有着不同的失效模式，它需要不同的设计保障措施。

未来十年获胜的系统不会是拥有最美观按钮的系统，也不会是界面最少的系统。而是最能理解人类"待完成工作"的系统，它能自主为用户选择正确的工具，清楚地向用户展示即将发生的事情，并在用户上下文不完整或模糊时优雅地恢复。

1、UX 目标的三个时代

UX 设计从未有过一个固定的目标。目标已经转变过两次，现在又在再次转变。

时代 1：商业计算（1960-1995）。 主导应用是会计软件、文字处理器、工资系统。UX 目标是生产力：帮助人们更快学会软件、减少错误、每小时完成更多工作。我曾经告诉客户，他们的培训预算就像一块待 usability 享用的猪排：设计良好的系统可以将入职时间缩短一半。

时代 2：互联网（1995-2025）。 网络将 UX 目标转变为影响力：让用户购买、订阅、分享，或者滚动足够长时间以看到另一个广告。这个时代严重依赖 Robert Cialdini 的影响力原则，如互惠、社会认同、稀缺性。它也带来了 dark patterns 和无限滚动。如果你不为产品付费，那你就是产品。

时代 3：AI（2026 年起）。 目标再次转变，转向更难命名的东西：增强人类存在。当 AI 处理日常任务的执行时，人类的精力被解放出来用于想象、判断和意义创造。Doug Engelbart 最初的愿景是"增强人类智力"。这个框架现在太狭窄了。AI 时代 UX 的目标是扩展人类能够做什么和成为什么，不仅仅是我们在软件中能完成什么，还包括我们能够决定、想象和协调什么。因此，可用性从消除预设路径中的摩擦，转变为扩展可行路径的范围，打开我们尚未想象的可能性。

当我展示这个 UX 目标变化的三个阶段过程时，我经常收到来自天真设计师的反对，他们反感这种暗示，认为他们存在的主要目标是操纵客户。然而，虽然成为操纵大师可能不是他们作为理想主义年轻人投身设计事业的原因，但这正是他们在互联网商业环境中蓬勃发展所需要做的。公司愿意为设计付费的原因是为了让客户购买更多，让用户看更多广告。

事实上，我是 AI 的狂热支持者之一，是因为我从来不喜欢互联网设计的商业目标。当然，我们仍然需要说服客户购买。这永远不会改变。但说服从通过利用我们众多认知偏见和弱点来操纵人类，转变为向将执行购买的 AI agent 提供清晰信息。

2、短期危机：表达障碍

当前基于聊天的 AI 界面存在严重的可用性问题。基于意图的范式要求用户将问题写成散文文本。然而，正如识字研究反复证明的那样，在美国和德国等富裕国家，大约一半的人口被归类为低识字能力用户，而在贫穷国家情况更糟。

撰写新的描述性散文在认知上比阅读现有文本更具挑战性。这造成了巨大的表达障碍。它给拥有超强识字能力的一小部分人口带来了巨大优势。"prompt engineering"建议的存在本身就是这种根深蒂固的可用性失败的实证证据。如果用户被迫学习深奥的方法来哄骗 AI 吐出正确结果，那么该界面就未能达到以人为中心的设计标准。

在短期内，UX 专业人员必须设计来克服这种表达障碍。我们不能依赖用户从空白画布生成完美的文本。Prompt augmentation 和 aided prompt understanding 是两套帮助用户为 AI 细化意图的设计模式。

表达障碍也是一个记忆问题。如果用户必须在每次会话中重新陈述他们的偏好、重复约束、语气、风险承受能力和例外情况，那么无论模型听起来多么流畅，界面仍然无法使用。因此，一个成熟的基于意图的系统需要一个可见的、可编辑的用户模型：一个人们可以检查 AI 对他们的了解、纠正它、临时覆盖它或告诉它忘记的地方。在 AI 时代，记忆成为一流的 UX 界面。

从长远来看，我们需要一种新方法来设计基于意图的交互。

3、重新定义可用性指标

由于控制焦点已经逆转，我们几十年来用于评估 UX 的核心可用性指标必须完全重写。在基于命令的范式中，可用性是通过用户学习和执行完成任务步骤的效率来衡量的。我的十条经典启发式原则假设人类一次一步地导航结构化界面。

在基于意图的生态系统中，系统以概率方式而非确定性方式行动。可用性不再根据屏幕上步骤的优雅程度来判断，而是根据机器理解的质量和执行的安全性来判断。

我的经典可用性启发式原则仍然适用，但必须重新诠释。"系统状态的可见性"过去意味着：显示用户选择的步骤序列的进度。在 agentic 工作流中，它变成：显示系统认为用户意图是什么、它正在做什么来满足该意图，以及它计划下一步做什么，即使这些步骤都不是明确请求的。"用户控制和自由"过去意味着：允许撤销、取消和从对话框或流程中退出。在基于意图的环境中，它变成：允许中断正在执行的计划、允许纠正被误解的意图，以及允许跨多个系统安全回滚。当系统已经发送了电子邮件、预订了机票或修改了共享文档时，撤销变得更加困难。旧原则变得更重要，但实现起来也更昂贵。

成功界面的评估发生转变：

• 从可发现性到意图捕获： 系统能否将模糊的自然语言请求准确映射到高度结构化的机器行动？它是否正确推断了目标、约束和优先级？
• 从错误预防到澄清质量： 因为我们无法禁用无效按钮来防止幻觉，指标转变为系统如何优雅地处理模糊性。系统是否在正确的时间提出正确的后续问题？最好的澄清问题是以最小的干预防止最大错误的问题。
• 从"学习时间"到"委托便捷性"： 当没有菜单层次结构需要理解和导航时，传统 UI 的可学习性变得不那么相关。主要指标变成用户能够多舒适地委托多步骤目标而不担心灾难性失败。纠正时间变得重要得多。
• 从执行效率到验证效率（可评估性）： 在基于命令的 UI 中，用户的主要认知负荷是逐步执行任务。在基于意图的系统中，执行很便宜，但评估成为瓶颈。可用性指标转变为用户能够以多快的速度和准确性验证 AI 的输出是否符合他们的实际目标。界面必须针对"可评估性"进行优化，允许用户判断质量和适当性（AI 的工作是否适合其外部目的），而无需费力地梳理结果的每个细节。

• 从系统状态可见性到执行透明度： 系统必须在执行之前和期间投射其操作计划的准确心智模型。它必须显示它认为用户的意图是什么以及它计划下一步做什么。
• 从用户满意度到信任校准： 用户是否适当地依赖 agent，既不过度信任也不使用不足？信任不再是一种软性的情感副产品，它是基于意图系统的主要功能指标。信任校准还取决于显示为什么系统偏爱一个计划而不是另一个。一个好的 orchestration UI 应该能够说，"我选择计划 A 而不是计划 B，因为成本比速度更重要"，或者"如果你的截止日期提前两天，这个建议就会改变。"反事实解释通常比通用的置信度分数更有用，因为它教会用户模型的决策逻辑，并显示在哪里干预会有影响。

这些变化意味着不同的 UX 测量工具包。任务时间在人类贡献是"说出你想要什么"（然后 AI 花费数小时执行任务）时变得不那么重要，但纠正时间成为核心指标。传统的错误计数必须分为用户失误与系统误解。满意度越来越与感知能动性绑定：用户可能对结果满意，但如果他们无法知道发生了什么或为什么，仍然会感到不安。

4、三层设计模型

乍一看，"UI 已死"，因为用户与 AI agent 的交互将超过他们在应用或网站上点击的次数。

然而，GUI 不会消失，它会被降级。屏幕不再是工作开始的地方，而是成为工作被检查、协商和纠正的地方。随着软件从孤立的应用转向任务编排，成熟的基于意图的系统将 settles into 一个三层设计模型。

1. 意图层： 这是第一层，用户在此陈述结果。它必须具有高度的上下文感知能力，接受多模态输入，如语音、文本、屏幕上下文或相机数据，以克服表达障碍。随着这一层的成熟，它将越来越依赖隐式意图推断。通过综合环境上下文（例如，日历事件、活动屏幕内容、光标停顿和历史惯例），系统可以主动提供高概率意图供用户简单确认，通过为用户起草提示来克服表达障碍。

2. 编排层： 这是关键的协商层。在 agent 执行高风险操作之前，它必须揭示其提议的计划、暴露其数据来源的出处，并寻求同意。这个 UI 充当审计层。它可视化步骤、提供执行透明度，并管理"权限编排"。仅预览是不够的。基于意图的系统还需要明确的事后收据。在 agent 完成任务后，UI 应该总结它改变了什么、它接触了哪些系统、它使用了什么假设，以及什么仍然可以撤销。在传统 GUI 中，用户通常知道发生了什么，因为他们自己执行了每一步。在 agentic 系统中，这种隐式知识消失了。系统必须在事后制造可读性。

最重要的工作不是孤立的。在组织中，agent 在共享系统、共享预算和共享责任内行动。因此，编排层不仅必须显示它计划为我做什么，还必须显示还有谁会受到影响、哪些政策约束行动，以及谁继承后果。企业 UX 中的意图从来不仅仅是个人偏好，而是经过制度规则过滤的个人偏好。因此，编排层必须通过标记来自多个人类利益相关者或专业 AI 子 agent 的冲突指令，并在执行前协商共识，来解决协作意图。认识到需要支持和协调多个用户，而不仅仅是单个用户，在 AI 系统中比在传统 GUI 设计中变得更加重要。

3. Direct-Manipulation 层： 传统的 GUI 作为后备层保持完整。这是熟悉的点击、拖动和滑动世界，保留用于边缘情况编辑、细粒度纠正和紧急覆盖。在成熟的意图 UI 中，屏幕成为工作被检查、协商和纠正的地方，因为工作本身是由 AI 在屏幕外完成的。

因此，direct manipulation 不会消亡，它在抽象栈中向上迁移一级。用户不再操作原始控件，而是操作计划。他们将任务从"稍后"拖到"现在"，在时间线上浏览提议的序列，点击来源芯片检查出处，或重新排序旅行行程。这仍然是 direct manipulation，保留了塑造因果关系的生物满足感，只是应用于更高层次的抽象。

5、监督控制与有意认知摩擦

由于基于意图的界面引入了现象学鸿沟，在这种界面中，动作在没有直接身体参与的情况下发生在屏幕外，用户的角色发生了深刻转变。正确的类比不再是驾驶汽车，而是管理一名司机。

这种监督控制需要一套完全不同的设计原则。每个在命令时代接受培训的 UX 设计师的本能都是无情地消除摩擦。对于常规的、低风险的任务（分类垃圾邮件、安排定期会议），无摩擦的理想仍然是正确的。但对于高风险的任务（例如，金融交易、医疗决策、发送敏感电子邮件），界面必须有意地让用户慢下来。

自主性应该逐步获得，而不是一次性全部授予。一个有效的 agent 应该从保守模式开始，起草、准备并请求确认，同时在有限领域内积累绩效历史。随着可靠性变得明显，界面可以让用户扩大 agent 的行动预算：首先是起草，然后是准备，然后执行低风险操作，最后才接触高风险或外部可见的系统。正确的模型不是二元自主与手动控制，而是渐进式委托。

我们必须编排有意认知摩擦。生成式 AI 经常提供感觉完美权威的合成答案，导致可信度陷阱。因为界面干净且即时，权威偏见接管，诱使用户跳过批判性分析。

为了对抗这种危险的自动化偏见，我们必须强制一个反思时刻。当 AI 提议转移 500 美元时，我们不应该提供一个无摩擦的"全部批准"按钮。我们必须使用细粒度授权、人工时间延迟（如三秒倒计时）和出处高亮，以确保人类在认知上对结果负责。

摩擦不应该只是 blanket 延迟，它应该被精确应用。UX 必须以视觉方式传达 AI 的置信度水平，以便用户确切知道在哪里应用他们的认知努力。我们需要认识论 UI：以视觉方式映射系统不确定性的界面。与其将合成答案呈现为单一的、权威的事实，UI 应该突出概率跳跃、标记出处薄弱的数据，并用颜色编码置信度水平。通过可视化 AI 自身的怀疑，界面将人类认知能量精确引导到需要判断的领域，将摩擦从生硬的延迟转变为精确工具。

自然，这种摩擦的阈值必须具有深度的上下文感知能力。在个人银行应用中，500 美元的转账需要高摩擦，但对于企业财务 AI 来说，这只是无摩擦的、自动化的舍入误差。正如人类组织使用逐级审批阶梯来处理更大的支出一样，AI UX 必须根据用户的角色、组织的风险承受能力和行动的可逆性，动态扩展认知摩擦。我们只需调整传统的管理启发式原则，以应对机器智能的独特脆弱性。

AI agent 的用户体验在许多情况下将类似于传统的管理技术。相似，但不完全相同，当然：许多现有的管理方法旨在处理管理有人类弱点的人类下属。当管理 AI agent 时，我们将调整旧的管理经验，以应对 AI 的弱点。

6、慢 AI：僵尸 UX 的回归

随着我们将越来越复杂的工作流委托给 AI，我们面临一个来自过去的奇怪冲击：批处理的僵尸 UX 正在复活。虽然简单的聊天查询只需几秒钟，但像 Deep Research 或视频生成模型这样的强大 AI 工具可能需要 10 分钟到数小时才能完成一次运行。我们正迅速接近一个现实，AI agent 将独立运行 30 小时甚至数天来编排大规模任务。

当轮流交互被极端延迟破坏时，我们必须为"Slow AI"进行设计。等待数小时的结果会产生关于 AI 是否朝着正确方向前进的强烈焦虑。

为了保持用户控制，Slow AI 需要独特的 UX 干预：

1. 澄清和运行契约： 慢 AI 绝不应该猜测用户的意图。它必须预先提出澄清问题。然后，它应该呈现一个明确的运行契约，显示估计的时间窗口、成本上限、"完成"的定义和硬性边界（例如，"不会给外部方发送电子邮件"）。我们将需要新的可用性研究来取代旧的响应时间指南。

2. 概念面包屑： 传统的百分比进度条对 10 小时的任务毫无用处。与其仅仅显示技术日志，AI 必须提供"概念面包屑"作为中间结论的简短合成摘要。如果 AI 早期报告了有缺陷的结论，用户可以立即干预。

3. 上下文重新登船： 当任务需要 30 小时时，用户会切换上下文并忘记他们最初要求什么。UI 必须通过恢复摘要优雅地让用户重新登船：提醒他们原始意图、运行期间做出的关键决策，以及当前状态。

4. 分层通知： 我们必须采用上下文感知注意力管理。通知应该分层：仅对需要用户干预的关键阻塞立即推送通知，对仅影响质量的决策发送低优先级电子邮件，对任务完成发送批量摘要。

5. 渐进披露和挽救价值： 长时间运行的任务会急剧加剧沉没成本谬误。用户仅仅因为他们等待了 20 小时就会接受次标准的工作。UI 必须渐进地披露部分结果（粗略大纲、线框图），以便用户可以及早纠正航向。关键的是，如果用户停止运行，UI 必须明确显示"挽救价值"（哪些中间产物可以重用），使无摩擦的重启在心理上不那么痛苦。

7、长期愿景：探索潜在空间

展望未来进入 AI 时代，创造力从制作转向发现。我们正从构建（AI 前时代）和描述（当前基于意图的生成）转向探索由 AI 创建的潜在解决方案空间。

由于 AI 在一分钟内生成一千个合格的解决方案，用户的主要需求不再是生产，而是发现。迭代停止主要是关于修复错误，而成为探索多维解决方案空间的一种方式。然而，当前的 UI 过于线性，依赖老式的"返回"按钮。UX 的未来需要支持导航多分支探索的 UI。我们将需要像"Look Lock"这样的工具来冻结某些语义风格或视觉不变量，同时我们探索相邻维度。未来的界面将感觉不那么像路径，而更像协作游乐场。

"通过发现实现意图" 应该成为人机交互的未来。不要假设用户知道他们想要什么。通过响应替代方案、锁定重要的东西、探索相邻可能性，帮助他们逐步认识到它。

虽然非常有效，但当前用于 prompt augmentation 的设计模式本质上是在文本框上安装训练轮。Prompt augmentation 仍然迫使用户通过语言瓶颈，假设他们有特定意图但只是缺乏词汇。为了完全支持通过发现实现意图，UX 必须放弃聊天框作为默认的 AI 交互模型，扩展到多模态、空间和行为范式。

以下是我对 UX 设计如何演变以支持超越简单提示的通过发现实现意图的预测。

1. 潜在空间的空间导航

目前，AI 界面有点像老虎机：你拉动杠杆（提示）并获得一个离散的结果。在未来，UX 将允许用户以视觉和空间方式导航 AI 的潜在空间（所有可能解决方案的多维地图）。

语义地形： 与其输入"让设计更专业但稍微活泼一点"，用户可能会被呈现一个生成的交互式 2D 地图。在这个空间中拖动光标会实时变形输出。用户通过无缝探索相邻可能性来发现他们的意图，当输出"感觉对了"时停止。这种视觉探索将需要 AI 实时生成更新的替代方案，幸运的是，我们已经看到强调快速响应时间的改进模型。

发散路由： 因为人类更擅长识别解决方案而不是描述它，UI 将大量利用发散生成。AI 生成边缘案例变体并问，"更好 1 还是更好 2？"用户的选择通过纯识别迭代地缩小无限可能性空间，完全绕过回忆。

2. Direct Object Manipulation（融合 GUI 和 AI）

当前基于聊天的 AI 的主要倒退之一是失去了 direct manipulation：我们在 GUI 时代完善的触觉调整。通过发现实现意图的未来将混合这两种范式。

用户将通过物理改变 AI 的输出来细化他们的意图。如果 AI 生成网站模型或平面图，用户拖动主图或墙壁使其更大，AI 不仅仅注册坐标变化。它反向工程底层意图（"啊，用户优先考虑视觉冲击和开放空间"）并自动调整排版、照明或次要元素以保持连贯性。触觉动作成为提示。

3. 苏格拉底式脚手架

为了支持发现，系统必须停止成为被动接受主提示的订单接受者，而成为主动采访者。

渐进式探查： 如果用户的初始意图模糊（"我需要一个产品发布策略"），AI 暂停而不是幻觉一个通用的 10 页文档。它用诊断问题或视觉反事实回应："我们是在优化即时收入还是长期品牌知名度？"通过主动呈现约束，AI 帮助用户凿开大理石，直到他们确切意图被揭示。

4. 短暂和生成式 UI

我们习惯于静态界面，其中控件（下拉菜单、菜单）始终相同。在通过发现实现意图的时代，生成式 UI 将根据用户不断涌现的上下文即时生成界面本身。

如果 AI 检测到用户正在探索生成音乐的 mood 或数据库 schema 的逻辑，它将动态生成定制的 UI 控件（自定义滑块、可视化节点图或参考板），仅用于那个特定的发现时刻。一旦意图被锁定，那些特定的 UI 控件就会消失。

5. 策展作为意图

文本是传达复杂想法、氛围或美学的低带宽方式。通过发现实现意图将越来越依赖多模态策展，类似于 Midjourney 的 Mood Boards。

与其输入描述，用户可能会将一堆杂乱无章的产物倾倒到数字画布上：竞争对手报告的 PDF、照片中的调色板，以及 10 秒的语音备忘录。系统组织它们，找到概念重叠，并合成一个起点。用户通过看到 AI 如何在概念上连接他们碎片化的灵感来发现他们的意图。

6. 减法雕刻

当前的提示范式是加法的：用户通过添加更多词汇来构建结果。但发现通常减法更容易。

未来的 AI UX 将经常依赖生成一个压倒性的、最大化版本的产物（超详细的文档、复杂的代码、繁忙的设计）。用户的交互模型然后基于删除、划掉和削减他们不想要的部分。对人类来说，编辑和删除比从空白屏幕生成要容易得多。

8、UX 设计师的未来角色

在这种新范式中，UX 设计师的角色发生巨大转变。设计师不再设计线性用户流程（界面 A → 界面 B → 界面 C），而是将架构****可能性空间。

他们将设计边界约束、潜在空间的物理特性，以及这些生成环境的反馈循环。Prompt augmentation 是当前时刻的重要桥梁，但通过完全接受我"通过发现实现意图"的愿景，未来的 UX 将把 AI 视为不是伪装成聊天窗口的命令行终端，而是流动的、共同导航的环境，在这种环境中，编写"提示"的需求最终完全消失。

然而，我们必须谨慎对待行业对零学习理想的痴迷。一个用户只需表达愿望，AI 就能无缝地在屏幕外执行的乌托邦愿景，隐藏着代价。如果用户永远不需要学习系统如何工作、导航层次结构或做出决策，他们就会遭受认知卸载和技能退化。他们成为数字生活中的 mere passengers，陷入"认知萎缩循环"，分析性参与退化。

这是 UX 专业人员的终极使命。我们的设计不能充当取代人类能动性的认知轮椅，它们必须充当支持和增强人类繁荣的认知外骨骼，即使传统工作消失。良好的 AI UX 将教授恰到好处的知识，揭示计划结构，并留下可理解的行动轨迹，以便用户能够保持数字判断力。 消失的是人类执行繁琐步骤的假设。我们正在进入一个管理自主代理的复杂时代。未来十年获胜的设计将是那些理解待完成工作、在三层界面之间透明地编排解决方案、在高风险处要求摩擦、并保留人类权威的明确时刻的设计。

设计这种委托而不放弃之间的微妙关系，是未来十年最大的 UX 挑战。让我们开始吧。

9、行动项

如果你现在正在设计 AI 界面，以下是重点关注的方向：

• 衡量意图捕获，而非点击效率。 围绕系统推断用户目标的准确度来构建评估框架，而不是用户导航菜单的速度——这些菜单将不复存在。
• 设计编排层。 意图与行动之间的协商界面是建立或失去信任的地方。大多数团队都在忽视它。
• 刻意编排摩擦。 按风险等级映射你的任务清单。对于高风险的不可逆操作，摩擦不是设计失败，而是安全保障。
• 从第一天就规划慢速任务。 运行合同、概念面包屑和残值披露不是边缘案例。它们是任何运行时间超过几分钟的任务的核心交互模式。
• 抵制零学习陷阱。 设计让用户在认知上持续参与 AI 正在做什么以及为什么这样做的系统。没有理解的委托不是赋权。

命令式范式在过去六十年中为我们提供了出色的服务。我们为此开发的启发式和可用性指南代表了真正的智力成就。但世界正在我们脚下发生变化，UX 行业必须随之转变：不是通过放弃我们所知道的，而是通过认识到可用性本身的定义正在被重写。

原文链接: Intent by Discovery: Designing the AI User Experience

汇智网翻译整理，转载请标明出处