AI 体验设计
你将学到什么
- AI 产品的 5 大独特体验挑战（和传统产品的本质区别）
- 等待态设计：流式输出、进度感、预期设置
- 错误态设计：4 类错误的分类处理方法
- 不确定性设计：如何帮用户理解 AI 的置信度
- 信任建立机制：让用户持续信任 AI 的 5 个设计动作
为什么重要：AI 产品的体验问题大多不是 UI 问题，而是"期望管理"问题。理解 AI 体验设计的独特性，才能避免"功能很好但用户不用"的陷阱。
AI 体验的 5 大独特挑战
| 挑战 | 传统产品 | AI 产品 |
|---|---|---|
| 等待 | 加载动画，几秒内完成 | 流式输出，可能 10-30 秒 |
| 错误 | 明确的错误提示 | "回答不好"是模糊的失败 |
| 不确定性 | 结果是确定的 | 相同输入可能产生不同输出 |
| 边界 | 功能范围清晰 | 用户不知道 AI 能/不能做什么 |
| 信任 | 代码行为可预测 | AI 行为难以完全预测 |
等待态设计
AI 生成内容慢，是当前最普遍的体验痛点。
流式输出（Streaming）：首选方案
不等全部生成完再显示，而是逐字输出——把等待时间从"感知中的死等"变成"内容正在生成"。
❌ 等待 10 秒 → 一次性显示全文
✅ 0.3 秒后开始输出第一个字 → 逐字呈现（打字机效果）设计要点：
- TTFT（首字时间）< 1 秒是体验基线，超过 3 秒用户会觉得"卡住了"
- 流式输出期间禁用输入框（避免用户在 AI 还在生成时就开始下一个问题）
- 允许用户中途打断（Stop 按钮）
进度感设计
对于不能流式输出的场景（如文件分析、批量生成）：
✅ 好的进度反馈：
"正在分析文档结构（1/3）..."
"已识别 12 个知识点，正在生成建议..."
→ 动态状态文案，让用户知道在发生什么
❌ 差的进度反馈：
单纯的 loading 圆圈
"加载中..." 无任何进度信息预期设置
在用户触发 AI 操作前，就告诉他需要等多久：
"生成一份完整分析报告约需 15 秒"
"正在分析您的 JD，请稍候..."错误态设计
AI 的"失败"比传统软件更模糊，需要分类处理。
4 类错误的处理方式
| 错误类型 | 用户感知 | 处理方式 |
|---|---|---|
| 技术错误（API 挂了） | "没有响应" | 明确报错 + 重试按钮 |
| 质量错误（回答差） | "不是我想要的" | 提供修改引导 + 反馈入口 |
| 边界错误（超出能力范围） | "AI 不理解我" | 主动说"我不太确定" + 替代方案 |
| 内容安全拦截 | "AI 不愿意回答" | 解释原因 + 引导换一种问法 |
错误文案设计原则
❌ 不好的错误文案：
- "系统错误，请联系客服" → 用户不知道怎么办
- "AI 生成失败" → 原因不明，下一步不清
- "此内容不符合使用规范" → 让用户觉得是自己的问题
✅ 好的错误文案：
- "网络似乎有点问题，请重试 →" → 给出行动
- "这个问题我不太确定，建议参考 [链接] 或咨询专业人士" → 承认边界 + 给替代方案
- "这个话题我暂时帮不上忙，但你可以试试换个方式描述需求" → 引导而非拒绝
降级体验设计
AI 不可用时，不要让用户"撞墙"：
AI 功能不可用
↓
展示静态替代内容（模板/示例）
↓
说明预计恢复时间（如果知道）
↓
提供人工替代路径（如果有）互动练习：改写错误文案
以下错误文案属于哪种类型？请改写成好的版本。
"Error: Request failed with status 500"
查看答案
错误类型：技术错误（API 报错）
改写版本：
"生成遇到了问题，请重试。如果持续出现，请刷新页面后再试。"
改写原则：
- 去掉技术错误码（用户看不懂 500）
- 说明"能做什么"（重试、刷新）
- 语气平和，不让用户觉得是自己做错了
不确定性设计
AI 输出不是"对或错"，而是"置信度高低"。产品需要帮用户理解这一点。
显式不确定性
对于可能存在幻觉的内容，主动告知：
✅ 好的做法：
"以下内容基于 AI 分析，建议核实重要数据"
在数字/日期/引用后加 "†来源: [文档名]"
当检索不到相关内容时，说"我没有找到相关信息，以下是基于通用知识的回答"
❌ 差的做法：
把 AI 生成内容和事实信息混排，不加区分
以确定语气陈述 AI 推测的内容置信度视觉化
不一定要显示百分比，但可以通过设计传达不确定程度：
高置信度输出：正常字体，直接呈现
低置信度输出：加"AI 推测"标签 / 斜体 / 不同颜色背景
无法回答：直接说"我不确定"，不强行输出能力边界设计
用户不知道 AI 能做什么，会导致两种问题：
- 不敢用（低估能力）
- 失望（高估能力后发现不行）
引导发现
用示例 Prompt帮用户理解能力范围：
页面入口处展示：
"试试这些问法：
• 帮我优化这段简历的工作描述
• 分析这份 JD，告诉我最可能考的面试题
• 用更有力的语言改写这个项目背景"主动说不
当用户问了超出范围的问题，清楚说明比模糊回答更好：
用户："帮我预测明天的股价"
❌ 差的回应：生成一个看似专业的预测（实为幻觉）
✅ 好的回应："预测具体股价超出了我的能力范围，我没有实时市场数据。
我可以帮你分析一家公司的基本面或理解财报，需要吗？"信任建立设计
信任不是一次建立的，是通过每次交互累积的。
建立信任的 5 个机制
| 机制 | 做法 |
|---|---|
| 来源透明 | 每个 AI 回答标注信息来源 |
| 过程可见 | 展示 AI 的推理过程（Chain of Thought） |
| 可纠错 | 用户可以标记"这个回答有误"，AI 承认并修正 |
| 一致性 | 相同问题的回答风格一致，不出现明显矛盾 |
| 承认局限 | 主动说"我不确定"，而不是硬撑 |
信任破坏的时刻
这些体验会让用户永久降低对 AI 的信任：
- AI 自信地给出了错误信息（幻觉但不承认）
- AI 对同一个问题前后给出矛盾答案（被用户发现）
- AI 违反了用户的隐私预期（把 A 的信息给了 B）
- AI 在敏感话题上表现不稳定（今天能答，明天被拦截）
经验法则
一次信任破坏事件，需要多次正向体验才能修复。在设计阶段就把"信任破坏场景"列出来，并设计预防机制，比上线后修复成本低得多。
互动练习：设计不确定性处理方案
场景：你在设计一个 AI 客服，回答用户关于退款政策的问题。偶尔 RAG 召回的文档置信度很低，AI 不确定答案是否准确。
如何设计三层不确定性处理方案？
查看答案
第一层：检测层
- 当 RAG 召回置信度 < 0.7 时，触发不确定性标记
- 技术实现：RAGAS 框架的 Faithfulness 评分
第二层：呈现层
- 回答前加："根据我们的退款政策文档，..."
- 回答后加："如需确认具体情况，建议联系专员核实"
- UI 上用淡色背景区分低置信度回答
第三层：转接层
- 连续 2 次用户追问同一问题且未解决，主动提供人工转接入口
- 文案："看起来我的回答没有解决您的问题，要帮您转接人工客服吗？"
检查点
在继续之前，确保你能回答：
- [ ] 能说出 AI 产品的 5 大独特体验挑战
- [ ] 能解释流式输出的设计要点（TTFT 基线、禁用输入框、Stop 按钮）
- [ ] 能区分 4 类 AI 错误并说出各自的处理方式
- [ ] 能写出"主动说不"的正确文案格式
- [ ] 能设计包含检测层、呈现层、转接层的不确定性处理方案