这是 Emily Campbell 的『Shape of AI』——一本AI 产品界面的"零件目录"。它不讲"用户怎么跟 AI 聊"(那是 NNGroup AI 产品与对话式界面设计(20 篇 · 对话6类型/拟人化4度/谄媚sycophancy/智能优先于类人/可解释AI引用与免责声明/少废话直奔答案截断金字塔/提示建议3类·CARE框架·提示控件4用途/GenUI vs Vibe Coding·按钮复选框回归·Promptframe·用提示设计界面/AI助手4角色·创意伙伴宝洁776人实验·ChatGPT Agent初评·Google AI Mode·为何在GenAI与搜索间切换) 的活儿),而是把市面上 AI 产品(ChatGPT/Claude/Perplexity/MidJourney/Notion/Jasper/Grammarly/GitHub Copilot/Figma…)的界面拆成一个个可复用的 UI 模式,告诉你"这个零件叫什么、解决什么问题、什么时候装、装歪了什么后果"。
怎么用这本册子:你在设计 AI 产品时遇到一个具体问题(比如"用户面对空白框不知道问啥""怎么让用户相信 AI 没瞎编""图生成完用户想只改一只手"),就来这查对应模式。每个模式都带 Why + 何时用/不用 + 真实案例。
7 大类一句话地图(按用户与 AI 交互的时间顺序排):
- Wayfinders 导航指引 — 用户还没开口,先给路标(怎么用)
- Inputs 输入控件 — 用户开口,把意图+上下文喂给 AI
- Tuners 调整器 — 结果出来了,让用户微调/重构
- Identifiers 标识符 — 始终告诉用户"这是 AI 不是人"
- Governors 控制器 — AI 干活时保住用户的方向盘 + 可解释
- Trust indicators 信任标识 — 隐私/数据/真伪层面建信任
- Dark matte 隐性模式 — 存疑的灰色设计(知道哪些别学)
三条贯穿全册的心法,先记住:
- 空白输入框是 AI 产品的头号杀手。 大半模式(Wayfinders 整类 + Suggestions/Templates/Madlibs)都在治"用户不知道能干嘛、不知道怎么说"。
- 生成式 AI = 一把"先射箭再画靶"的枪。 用户很难一次说清需求,所以"渐进式披露 + 可回头改 + 别覆盖原稿"的模式(Inpainting/Variations/Regenerate/Sample response/Inline action)极其值钱。
- 透明 = 信任 = 钱。 来源引用、足迹、数据开关、水印这些"透明性零件"短期看是成本,长期是品牌护城河;反过来,把透明当甩锅的 Dark matte 模式短期赚、长期赔信任。
一、Wayfinders 导航指引:用户还没开口,先给路标
整类解决的问题:AI 工具功能多,但用户(尤其新手)面对一个空输入框不知道能干嘛、不知道怎么说。这类模式在交互最前端立路标,降低"无从下手"的摩擦。与 Inputs 的区别:Wayfinders 是"教你怎么用",Inputs 是"你用的那个框本身"。
1.1 Follow up 追问机制
是什么:用户首次输入后、AI 给最终结果前,AI 反过来问一两个简短澄清问题(不是塞一张长问卷),确认理解方向再动手。 解决什么:用户一句话说不清需求 → AI 容易跑偏。追问把"模糊大需求"拆成"用户能轻松回答的小步骤"。 Why / 何时用:适合复杂、开放、容易理解错的任务(写文章、做指南、规划)。关键是简短 + 给示例选项 + 顺带亮出行动计划,让用户觉得是"AI 在和我合作"而不是"AI 在审问我"。 反例/风险:别搞成复杂流程或开放式连环问,那样比直接打字还累——能给快捷选项(参考来源、具体参数)就别让用户自己组织语言。 案例:Jasper 把复杂提示拆成几个后续步骤逐步生成;Perplexity 在你问得不清楚时自动给后续建议帮你说明白;Writer.com 让你先定义提纲再生成。
1.2 Nudges 提示引导
是什么:一个小提醒,在恰当时机告诉用户"AI 还能帮你做这件事"(生成总结、优化句子、整理成清单)。 解决什么:大多数用户只用到 AI 的少数功能,隐藏功能发现不了。 Why / 何时用:三个场景——新手上手(编辑器里提示"我可以帮你补全这段")、功能推广(攒够笔记后提示"现在可以自动分类了")、提效(任务中主动提议"要生成数据透视表吗")。核心是按当前操作上下文动态触发。 反例/风险:一次只提一个,别功能轰炸。Notion/Grammarly 的提示清单虽全,但堆太多会让人不堪重负;时机不对(写作时推无关功能)也是干扰。 案例:GitHub Copilot 直接在文本框里显示提示;Grammarly 提醒你改进写作;Google 在搜索后提醒可用 AI 深挖;MidJourney 把操作工具直接放图片下方。
1.3 Suggestions 提示建议
是什么:输入框旁以 3-5 个可点选项呈现的示例问题/任务,点一下就生成对应响应。专治"空白画布"问题。 解决什么:用户面对空框不知从何开始;同时让用户零成本试用、立刻感受产品能干嘛。 Why / 何时用:最有用的是"对话中的动态建议"(结合当前上下文,如 Copilot 看你写的代码建议"为这段生成单元测试"),比开局的通用建议精准得多。好的建议还能偷偷教学——点"写感谢信"后 AI 给出细化版,新手顺便学会怎么细化指令。 反例/风险:无关建议是大忌(给没打算旅行的人推"旅行规划")。用户首次可接受随机建议,之后就期待系统懂他;频繁不相关会让人直接无视这个功能。解法=基于偏好和对话上下文个性化。注意 Meta/LinkedIn 帖子下的建议有时是为冲参与度/喂训练数据,质量参差。 案例:Jasper/OpenAI 经典"破冰者"界面;Character.ai 给示例提示帮用户建第一个机器人;MidJourney 展示别人生成图用的提示语降低门槛。
1.4 Templates 模板
是什么:用户可填或 AI 预填的结构化任务框架。用户不用从零写 500 字提示,只填几个变量就出初稿。 解决什么:多参数、需复杂提示语法的任务,新手搞不定 → 模板把它变成"填空"。 Why / 何时用:任务格式固定、参数明确、重复频率高时最划算(营销文案、邮件、报告、流程图)。可灵活到"复杂工作流框架"或简单到"Mad Libs 填空"。生成后还能让用户继续调。 反例/风险:别让模板许诺它做不到的事(FigJam 模板只能生成基础流程图却被当成能出线框图 → 失望)。解法=明确标清模板的能力边界,专注做好单一功能。 案例:Copy.ai 选模板后参数直接显示在提示框里(顺便教用户为啥要这些信息);Zapier 用结构化模板分步引导;Hypotenuse 图像模板支持变量连接批量出图。
二、Inputs 输入控件:把用户意图 + 上下文喂给 AI
整类解决的问题:怎么把"用户想要什么"连同"周边上下文"一起准确传给 AI。核心洞察(Token layering 那条):AI 靠 token(最小语言单元)理解你,选词不同结果天差地别("我离开了"vs"我溜走了"vs"我逃走了")。这类模式就是帮用户更精准、更省力地组装这些 token。
2.1 Open input 开放式输入
是什么:一个自然语言聊天框——AI 交互的核心母模式(ChatGPT/Claude/Gemini 都是它)。 Why / 何时用:门槛极低、灵活、人人能上手,是行业标准入口。 反例/风险:它本身就是"空白画布效应"的源头——太开放,新手不知说啥;自然语言模糊易被误解;还可能让用户无意中泄露敏感信息。所以Open input 几乎从不单独用,必须配 Wayfinders(模板/破冰/提示)兜底。这就是为什么这整本册子有半本在补它的窟窿。 案例:Google 借鉴 ChatGPT 但等用户提交第一次请求后才展开聊天(避免一上来认知过载);Jasper 给提示设明确边界把用户注意力锁在写作任务上。
2.2 Auto Fill 自动填充
是什么:像 Excel 拖拽填充的 AI 版——一个提示扩展到整列/多条记录(给数据库里所有公司自动查成立日期)。 Why / 何时用:结构化数据的批量提取/整理,立竿见影展示 AI 价值(客户成功经理一键填好 QBR 数据)。 反例/风险:表格里的数据往往比聊天框敏感得多(专有/个人数据),安全是头等大事;且 AI 可能填错。解法=填整列前先给几条样本预览让用户确认 + 提供来源链接 + 别把专有数据喂公共模型 + 别覆盖已有数据。 案例:Notion 数据库 AI 把一个提示当属性应用到所有记录;Google Sheets 在原自动填充上加了上下文生成;Attio 智能列无需提示自动填。
2.3 Inline action 内联操作
是什么:选中页面上一段现有内容,直接对它做小范围操作(改语气、缩短、加注释),不用整篇重生成。把 AI 定位成"副驾"而非"执行机"。 Why / 何时用:用户能精准迭代——只改不满意的部分,保留满意的部分,模拟自然语言"指着这句说"的习惯。文案润色、代码编辑、文档调格式都适用。 反例/风险:多数工具直接覆盖原文、没有版本记录,改坏了找不回;也缺乏溯源(看不懂 AI 凭啥这么改)。解法=覆盖前确认 + 引入版本管理。 案例:ChatGPT 选中文本引用回复;GitHub Copilot 对任意代码行内联提示;Grammarly/HubSpot 选中即内联改写。
2.4 Madlibs 填空式输入
是什么:一次定义好任务结构(固定模板 + 预留变量),之后反复调用只填变量,保证一致性。是 Templates 和 Workflows 的底层输入机制。 Why / 何时用:任务参数已知、输入有结构、要重复多次时(PRD、会议纪要同步到 CRM)。能把分散在多系统的碎片信息汇总到一处,内置好格式/引用/固定细节。 反例/风险:用多了内容会公式化(对外沟通显得没人味);模板太僵硬不适应灵活需求。解法=留人工调整空间。 案例:PRD 模板把客户反馈/技术输入汇到一处;把 Gong 会议记录自动整理同步进 Salesforce。
2.5 Remix / Blend 混合与重构
是什么:把多个来源(文本/图片/文档)重组 + 加新参数,生成突破性新结果。"像给熟悉的旋律填新词"。 Why / 何时用:拓展开放对话的玩法边界——分析当天新闻提炼共性主题、上传旧简历+LinkedIn 让 AI 重新定位个人品牌、跨风格混搭。给用户"不必一次完美、可多轮逼近"的实验空间。 反例/风险:每加一个新输入都增加处理复杂度、结果可能变乱。解法=给具体可点选项("更短""更详细")帮用户理解模型行为 + 透明展示输入如何影响结果。 案例:MidJourney 的 /blend 把多图最显著特征合一;Notion 内联提示重混生成文本。
2.6 Summary 总结 & 2.7 Synthesis 综合整理(一对近亲)
Summary 是什么:把长内容浓缩成要点(会议跟进、文档速读)。风险低,可默认集成(视频转录、新闻聚合自动出摘要)。Synthesis 是什么:不只是压缩,而是把多来源信息重新组织、分类、结构化(把一堆便签聚成主题、把数据表变成图表)。 两者区别:Summary 重"变短",Synthesis 重"重组多源 + 换形态"。 Why / 何时用:都降认知负担。Synthesis 尤其适合开放画布(Miro/FigJam 把便签按主题/情绪聚类)、数据可视化、跨模态(把视频+文章合成一门课)。 共同风险:过度简化丢上下文 / AI 误读。解法=每个总结都标"AI 生成"、给可回溯的引用路径、提示"这只是概览不是替代品"。Synthesis 还有个隐患:画布场景里 AI 很难传达自己的局限,用户可能基于错误归纳做决策。 案例:Slack 总结长 thread;Perplexity 把多个参考合成单一洞察;Shopify 商户洞察把大数据集合成结论+图表。
2.8 Token layering 分层
是什么:像搭乐高一样有意组合 token 来精确表达意图;并支持渐进式披露——从简单提示开始,逐步加 token 调试,而非一次性写全。 Why / 何时用:降低学习曲线的关键——让 AI 按上下文建议 token(用户只需选),既减初始负担又帮用户逐步优化。图像生成里列加权 token 控风格是典型。 反例/风险:迭代要花真金白银的额度,试错太多会让人挫败放弃;token 和参数的关系对新手有理解门槛。 案例:Adobe Firefly 开放框 + 可点的风格/结构/引用 token 面板(做成可删的 chips);Grammarly 用固定后续提示捕获语气/受众等 token;MidJourney 的 /shorten 显示每个词的相对权重。
三、Tuners 调整器:结果出来了,让用户微调或重构
整类解决的问题:第一次生成很少完美。这类模式让用户约束输入或精修输出,不必每次从头重写提示。和 Inputs 的边界:Inputs 是"第一次怎么喂",Tuners 是"喂完之后怎么拧"。和参数/过滤器的关系贯穿全类:Parameters 调权重(语气/风格),Filters 划硬边界(来源/格式)。
3.1 Filters 过滤器 & 3.2 Parameters 参数(成对理解)
区别:Parameters 调"权重和倾向"(语气正式/幽默、速度 vs 质量、分辨率);Filters 划"硬边界"(只引用学术来源、只输出特定格式、排除某元素)。
Why / 何时用:对应用户四种状态——聚焦(限输入来源提精度)、导航(限输出格式减选择)、综合(锁严格来源保可信)、浏览(松过滤器增多样)。参数的 UX 正从"手敲复杂命令"(MidJourney 的 --no)演进到"下拉/滑块/自然语言"。
反例/风险:Filters——数据集太窄会出荒谬结果(Google AI 被问"每天该吃几块石头"因参考数据稀缺乱答);Parameters——约束太多扼杀创意,且复杂界面吓退新手。解法=分层界面(新手给基础选项、高级用户给细粒度)。
商业延伸(Filters 独有):授权内容打元数据当"高级过滤器"、用水印/区块链追来源——可能成为解决训练数据伦理争议的商业模式。
案例:MidJourney 负面 token 排除元素;Jasper 速度 vs 质量切换;Grammarly 受众预设参数。
3.3 Inpainting 局部修补
是什么:只改内容的特定区域(图里选一块重生、文本里调某段语气),不动其余。AI 当编辑助手而非整篇重来。 Why / 何时用:对你做 AI 互动叙事/图像极重要——降低"初始提示必须一次说完美"的压力,可逐步精修。核心流程"识别→应用→调整→审查",AI 给建议、用户拍板(接受/拒绝/再调)。 反例/风险:接受后改动无缝并入原文,版本难追溯(图像工具尚有放大版/足迹回溯,文本/代码工具大多没有,跑完才发现不好)。解法=借鉴 Git 分支/提交。 案例:Adobe Firefly 刷子选区域 + 把选区显示为透明提示可重生;Notion 选文本弹"Ask AI";MidJourney 内联选区调提示。
3.4 Model management 模型管理
是什么:让用户选用哪个模型生成。 Why / 何时用:用户切模型的真实理由很多——特性差异(新模型准但贵)、成本优化(草稿用便宜旧模型、定稿用新模型)、美学偏好、安全隐私、研究对比。入口可在全局设置/对话开始/每次提示。 反例/风险:选项太多让普通用户困惑 + 责任归属(没说清模型差异 → 体验落差) + 地缘政策(某些模型某地区被禁,系统需能动态限制)。解法=清晰标注当前模型版本和差异、元数据记录可追溯。 案例:ChatGPT/Claude 对话中切模型;MidJourney 提示里换模型甚至跨模型混合生成。
3.5 Personal voice 个人化语音
是什么:让 AI 输出匹配用户/品牌的语气、语调、术语,保证一致性。 Why / 何时用:专业场景刚需——营销团队跨人跨渠道保持品牌一致(LinkedIn 专业、Instagram 活泼)。可存多套语音、当参数输入、集成进工作流。对中小团队尤其值(把琐碎写作时间省给核心业务)。非商业用途也有想象力:文化语言学习、康复表达、甚至"让家人在你不在时听到你的声音"。 反例/风险:伦理 + 恐怖谷——机器替代人类写作者引争议、细微处不自然让人别扭;过度模板化丢真实性;语音数据涉隐私。 案例:Grammarly 设语气参数;Jasper 推断并反馈品牌语气;Writer.com 给企业标准化语气模板。
3.6 Primary sources 原始来源 & 3.7 References 引用管理(RAG 一对)
Primary sources 是什么:用户上传具体参考给 AI 当依据,两种用法——作为指导(传写作样本/参考图统一风格)或作为主题来源(传文档让 AI 总结分析)。References 是什么:靠 RAG(检索增强生成,先查真实外部资料再回答)技术,让用户查看/增删 AI 引用的数据源。 Why / 何时用:都靠"喂真实资料"解决 LLM 知识盲点和幻觉。增删引用是轻量化引导 AI 方向的手段(缩小数据源 = 精准引导),还能结合参数调语气/技术深度。企业场景把 Productboard+Salesforce+HubSpot 数据整合生成账户摘要。 反例/风险:引用质量差直接拖垮可信度(Google AI 引 Reddit 错误食谱被喷);隐性偏见 + 自动化偏见(用户懒得审 AI 结果);第三方上传的机密数据可能泄露或被并入训练。解法=透明显示来源+可点链接、给来源质量评分/标签、上传前提醒版权(Udio 禁传无版权参考音乐)。 案例:Claude 支持多原始来源;Adobe PDF 直接与文档对话;Perplexity 生成时同时显示引用、且引用可编辑用于后续提示。
3.8 Workflows 工作流
是什么:把多个生成步骤串成自动化流程(分析客户洞察→按严重性分级→生成知识库草稿→通知管理员审阅),数小时缩到数分钟。 Why / 何时用:跨团队一致性(单一负责人定义每步提示当模板共享)、数据整合、把"难一次返回准确结果的复杂多步提示"拆成可靠的分步。 反例/风险:容易设计得过于繁琐难维护 + 步骤间数据格式不匹配导致中断。解法=模块化设计、可视化拖放界面、每步可单独测试、记录中间结果便于调试。 案例:Copy.ai 多步工作流存为模板共享;Zapier 式模块化分步完善。
四、Identifiers 标识符:始终告诉用户"这是 AI 不是人"
整类解决的问题:把 AI 功能/内容跟普通功能、人工内容区分开,让用户一眼知道"这是 AI 驱动的"。这既是可用性(快速识别)也是信任(避免把 AI 当人/把 AI 内容当人工)。
4.1 Color scheme 配色方案
是什么:用颜色当 AI 的视觉信号。现状:紫色最主流(现代审美 + Figma 早期工具带头 + 紫色不常见又像蓝色有熟悉感),绿色因 ChatGPT 崛起,渐变色广泛用。 Why / 何时用:统一配色是低成本传达"这是 AI"、建立信任的方式。也可用色区分 AI 内容 vs 人工内容(Google 用柔和色调分隔不同对话)。 反例/风险:只靠颜色对色盲/认知障碍用户不友好(必须配文字/图标);所有产品都用紫色 → 难区分品牌(过度饱和)。解法=多维标识 + 高度依赖 AI 的品牌建独特视觉语言(ReWord 坚持橙色)。
4.2 Symbols 图标
是什么:AI 图标语言正趋同于三种隐喻——✨闪亮星星(最常见,"魔力/增强",约 2020 起)、🔮发光光球(文本/聊天界面,源自 OpenAI logo 和 Siri)、🤖机器人(AI 代理,GitHub Copilot 带火)。 Why / 何时用:统一视觉语言让用户快速识别、建立可预测性(像汉堡菜单、保存图标一样会长期沿用)。可用图标类型区分 AI 用途(✨生成 vs 🔮聊天 vs 🤖代理)。 反例/风险:太多产品用相似图标 → 难区分。解法=在标准图标基础上融品牌色/渐变/轻动效。别把 AI 图标用在非 AI 功能上以免混淆。
4.3 Name 名称
是什么:给 AI 命名的四种策略——拟人角色(Intercom 的 Fin、Salesforce 的 Einstein)、公司名(Ask Jasper)、通用功能名(Copilot/Assistant)、直接叫"AI"(Notion 的 Ask AI)。 Why / 何时用:独特拟人名增强品牌认知(Siri/Alexa 已成标志);功能名(Copilot)直观暗示"辅助"定位。 反例/风险:过度拟人触发恐怖谷,且用户分不清在跟人还是 AI 说话。解法=无论怎么命名,都要用徽章/文本明确标"这是 AI" + 人机切换时给清晰提示。 案例:Leena 在对话底部标"Powered by AI";Character.ai 每条消息旁带 c.ai 标识;Intercom 给 Fin 名字下 + 消息上双重 AI 标。
4.4 Personality 个性
是什么:AI 的世界观、语气风格。由两层定义——基础提示(初始训练定整体行为框架,多保密,Anthropic 公开过)+ 后续训练(调语气/情境感知)。 Why / 何时用:个性贴合任务降摩擦——生活教练要鼓舞、个人助理要简洁;技术支持严谨、创意指导灵活。用户也可能想自定义(Character.ai/Personal.ai 给每个角色定个性)。注意区分"AI 个性"(AI 怎么跟你说话)vs"用户语音"(AI 替你生成的内容像不像你)。 反例/风险:角色太多导致品牌碎片化,用户难形成统一认知。解法=即便简单任务的 AI 也要和品牌核心价值一致。 对做 AI 陪伴/互动叙事的你:这是核心模式之一——Character.ai/Personal.ai 的多角色个性管理就是你的直接对标。
4.5 Disclosure 信息披露
是什么:明确标记 AI 生成的内容/AI 参与的交互。比 Name 更广,覆盖数据收集同意。 Why / 何时用:三场景——人机混合产品(标清哪部分 AI 生成)、AI 代理切人工客服(明确提示切换时刻)、数据收集前征得同意(Limitless.ai 录别人语音前要对方同意)。把透明性当卖点(Intercom/Limitless 因此脱颖而出)。 反例/风险:反面案例 Meta——不给退出选项强制用 AI,短期多拿训练数据,长期重创信任。信任即货币,藏着掖着早晚反噬。 案例:Intercom 的 Fin 每条消息加"AI"标且切人工后标签仍在;IA Writer 用灰色标 AI 文本(用户改后恢复高对比);Zoom 弹窗通知所有人有 AI 录音。
4.6 Initial CTA 初始号召行动
是什么:用一个醒目大输入框邀请用户跟 AI 互动(常见于功能介绍页)。 Why / 何时用:有效展示产品能力。更好的演化方向是"上下文相关引导"——把 CTA 嵌进用户已有明确意图的流程(Typeform 在你开始建表单时才给 AI 辅助),比孤零零一个大框贴合实际。或趣味化(Udio 帮你做搞笑歌)。 反例/风险:简单输入框撑不起复杂产品 → 沦为噱头、用户失望;生成成本高,体验不好用户不愿付费。解法=延迟引入 AI / 配模板和案例库降低"从零开始"的心理障碍 / 明确付费价值。 案例:ChatGPT/Claude 持续用大框模式;Figma 开放式 CTA 配相关模板示例;Notion 把 CTA 放空白页操作建议顶部。
五、Governors 控制器:AI 干活时保住用户的方向盘 + 可解释
整类解决的问题:AI 生成时让用户保持主导权(agency)——能看懂 AI 的逻辑、能中途干预、能回头改。这类是"反黑箱"模式,直接对应你做任何 AI 产品都绕不开的信任问题。和 NNGroup AI 产品与对话式界面设计(20 篇 · 对话6类型/拟人化4度/谄媚sycophancy/智能优先于类人/可解释AI引用与免责声明/少废话直奔答案截断金字塔/提示建议3类·CARE框架·提示控件4用途/GenUI vs Vibe Coding·按钮复选框回归·Promptframe·用提示设计界面/AI助手4角色·创意伙伴宝洁776人实验·ChatGPT Agent初评·Google AI Mode·为何在GenAI与搜索间切换) 的"可解释 AI"一节强呼应,但这里是具体 UI 零件。
5.1 Citations 引用功能
是什么:AI 生成内容时内嵌标注来源(行内脚注/超链接),结合 RAG 让用户追溯验证。 Why / 何时用:让用户直接验证可靠性、支持探索发现(像动态参考文献表)、给内容创作者带流量。 反例/风险:引用来源本身不可靠 = 假可信(Google AI 引 Reddit 错误食谱);引用过多信息过载。解法=给来源质量评分/标签("学术""已验证")。 案例:Perplexity 句内行内引用、每个观点关联多源;Adobe 点引用跳转 PDF 具体位置;Fin 把引用放脚注保正文简洁。
5.2 Controls 控制功能
是什么:生成过程中的停止/继续/启动按钮。已是标准模式。 Why / 何时用:避免"旋转沙漏"的挫败——发现跑偏立即停、重设提示,不用等无用结果跑完;长内容分段(ChatGPT 暂停等你点继续)。 反例/风险:停止后重新生成结果可能和之前不一致引困惑(解法=给"继续生成"而非"完全重来" + 上下文记忆);控制选项太多吓新手。 案例:MidJourney 取消任务(省额度/时间);Grammarly 把进度提示和停止图标结合。
5.3 Footprints 足迹功能
是什么:记录从提示到结果的完整路径,可回溯每一步、查看主导 token、清理敏感信息。 Why / 何时用:建信任(看懂生成逻辑)、支持协作审查、多次迭代时不迷失方向。还能检测内容是否 AI 生成(配水印/AI DETECT)。 反例/风险:无法回溯 → 敏感信息可能滞留在结果里;过度依赖足迹忽视独立校对。 案例:MidJourney 图片顶部链回上一版、保存的图带前几个关键词;Content Credentials 按来源给图加水印验真伪。
5.4 Prompt transparency 提示透明性
是什么:让用户看懂 AI 背后怎么处理了你的提示。分隐式(问了才说,ChatGPT 应要求给修改版)、显式(画廊里直接展示生成用的提示)、协同(AI 和用户一起改提示并解释逻辑)。 Why / 何时用:既建信任又教用户提升提示技巧(看 AI 怎么优化你的输入,学到高级技术)。 反例/风险:用户发现 AI 偷偷改了输入会不安(尤其没事先告知);信息太多新手难消化;过度依赖 AI 优化反而不学。 案例:MidJourney 画廊展示图背后的提示词、/describe 逆向分析;Anthropic 在优化过程透明展示调整逻辑;Copy.ai 直接优化输入框里的提示。
5.5 Regenerate 再生成 & 5.8 Variations 变体(一对)
Regenerate 是什么:同一提示不改输入让 AI 再试一次。Variations 是什么:一次生成多个版本供挑选(图像常 4 个、文本常 2-3 个)。 Why / 何时用:都加速逼近理想结果、帮 AI 学用户偏好。变体尤其适合复杂提示探索和创意激发。 反例/风险:直接覆盖原结果 = 无法回溯对比(挫败);无意义重复(结果太像);变体太多/差异不明显 → 选择困难。解法=保留生成历史 + 多变体对比界面 + "无合适选项"反馈入口。 案例:Grammarly 替换前先重生成对比;ChatGPT 列变体+附评分;MidJourney 每提示出 4 个差异较大的选项。
5.6 Sample response 示例响应
是什么:处理复杂提示前,AI 先给一条示例确认理解对不对,再正式生成。 Why / 何时用:保用户主导权 + 省算力——复杂任务(营销计划、批量数据)先出大纲/单条样本让用户确认方向,避免生成一大堆才发现跑偏。覆盖用户原内容前也先预览。 反例/风险:简单任务里频繁确认会打断操作流;示例太简单/和成品差太远让人觉得浪费时间。解法=按任务复杂度动态决定要不要确认。 案例:Notion 应用提示到整列前先显示 5 条示例;Zapier 用单条数据测工作流逻辑;Copy.ai 给多个改写版确认后才覆盖。
5.7 Show the work 展示工作步骤
是什么:执行前清晰展示 AI 打算走的步骤(数据来源→算法→预期结果),高风险任务执行前征求确认。 Why / 何时用:对 AI Agent 类产品是安全基线——低风险自动执行,高风险(改代码/触发自动化/改系统文件)先展示步骤求确认。还是学习工具(看懂 AI 逻辑)。 反例/风险:低风险常规任务里过多展示步骤显冗余、延迟交付。解法=任务风险分级 + 基础/专家两档展示。 案例:Perplexity 展示搜索查询的处理步骤;GitHub Copilot 先给实现计划、批准后才改文件;Zapier 执行前展示工作流步骤。
5.9 Token Transparency token 透明性
是什么:揭示 AI 生成时用的 token 及其权重(比 5.4 Prompt transparency 更底层,聚焦最小语言单元)。 Why / 何时用:反向工程生成逻辑(MidJourney 的 /describe 显示图背后的 token)、消除无意偏见/版权敏感(发现结果意外参考了受保护作品)、学习提示优化。 反例/风险:透明可能暴露训练参考的创作者作品 → 被无偿利用;只能揭示问题,修正仍需用户完成(对新手是门槛)。 案例:MidJourney 的 /shorten 显示每个词相对权重;Udio 在音频描述里列主要 token;MidJourney 把部分提示嵌入文件元数据。
六、Trust indicators 信任标识:隐私、数据、真伪层面建信任
整类解决的问题:在数据隐私、记忆控制、内容真伪这些高敏感层面给用户控制权和透明度。AI 比传统平台记录更多(尤其当它当你的"数字双胞胎"),信任缺口更大。
6.1 Incognito mode 隐身模式
是什么:借鉴浏览器隐身——一段不被记录、不用于训练的私密会话。 Why / 何时用:让用户快速提交不想进历史的请求、避免特定信息进长期记忆。目前 ChatGPT 因透明的私密模式领先,Claude 等跟进。 反例/风险:隐私概念不清晰——用户可能误以为隐身保护的比实际多(就像浏览器隐身的常见误解)。各平台策略反映商业逻辑:Google 在浏览器隐身下禁用 AI 搜索(因高成本 AI 无法从隐身数据获益);Meta 只给"静音"非真隐私。 案例:ChatGPT 模型下拉里开私密聊天 + 独特样式 + 明确告知哪些数据受影响;Perplexity 隐身模式带图标+说明。
6.2 Memory 记忆
是什么:让用户查看、编辑、删除 AI 对自己的记忆,像清浏览器缓存一样重置关系。 Why / 何时用:当前消费者对 AI 信任度低,给记忆控制权能显著提升信任和粘性。支持知识图谱可视化(看 AI 知道啥)、选择性记忆、一键清除(别只能靠删账号实现 → 否则流失用户)、多身份分区(职业/私人不同记忆集)。 反例/风险:别把记忆控制做成付费墙(每个用户都该有隐私控制权);虚假隐私承诺(说隐私却仍记录,小心 Google 隐身模式集体诉讼的前车之鉴)。 案例:ChatGPT 设置里列出所有记忆可删;Kin/Personal.ai 给完整知识图谱可增改删。
6.3 Watermarks 水印
是什么:标记 AI 生成内容的多种技术——表层水印(可见,易移除)、隐写水印(不可见,藏在像素/间距)、机器学习水印(SynthID,对抗性强)、统计水印、内容溯源(C2PA 协议,把来源嵌元数据当"数字指纹")。 Why / 何时用:AI 普及后区分 AI vs 人工内容变关键——帮用户筛选、保护创作者、保平台质量。法规在推动:中国要求文件名含元数据+水印,欧盟 AI Act 要求标记,美国 2023 行政令定标准。 反例/风险:当前技术脆弱(高斯模糊就能破隐写水印);标准未统一(C2PA 靠广泛采用才有效);误报伤真实创作者、漏报降信任。 案例:TikTok 首个支持 Content Credentials 元数据标签 + 自动/主动加 AI 水印;Adobe Firefly 所有生成图加水印;OpenAI 用 C2PA 给 DALL-E 内容加水印。
七、Dark matte 隐性模式:存疑的灰色设计(知道哪些别学)
整类是什么:可能有害、至少模糊的设计——对用户信任有负面影响、用户价值存疑。列出来不是教你用,是让你认得出、躲得开。三个都是"看起来在保护用户、实则可能在保护公司"的模式。
7.1 Data Ownership 数据所有权
是什么:数据共享的开关(toggle),决定用户数据是否用于改进模型。为什么算 dark matte——默认设置藏着猫腻。 关键对比:默认开启(Opt-in)——ChatGPT/Substack/GitHub 默认帮你把数据共享开着(用户得主动关);默认关闭(Opt-out)——Figma 2024 发 AI 时默认关,体现用户优先。还有付费墙陷阱:很多平台只给付费用户数据开关,免费用户默认共享("用数据付费")。 Why 这是灰色:规则模糊 + 过去十年科技公司侵占数据的历史 → 用户天然不信任。解法(也是你该做的)=默认关闭、用大白话(非法律术语)解释影响、企业/个人分层管理、探索完全不依赖用户数据的模型(Limitless.ai 明确不拿数据训练)。
7.2 Caveat 警示信息
是什么:"生成结果可能不准确,请谨慎参考"这类免责声明。为什么算 dark matte——企业常拿它当甩锅工具。 Why 这是灰色:警示能教育用户、减少盲信(正面),但单靠警示无法解决幻觉/偏见的根本问题——把伦理责任全转移给用户,成了不做产品优化的借口。"为快速上线忽视体验和伦理设计,出了偏见/错误数据,单靠警示修不了。" 你该怎么做:警示是第一步不是终点。配强化交互设计(引导高质量输入)、多维透明性(让用户懂工作原理和局限)、企业自己担伦理责任(确保准确性多样性),而非全推给用户。 案例:GitHub Copilot / ChatGPT / Notion / Google Search 都有这类底部小字。
7.3 Rating 评分功能
是什么:点赞/点踩、星级评分。为什么算 dark matte——评分后数据怎么用往往不透明。 关键区分两场景:场景 A(用户知道在跟模型互动、评分用于优化模型)= 正当;场景 B(用户不清楚是否在跟模型交互、或评分是否被用来评估"AI 能不能替代人工")= 伦理担忧。 Why 这是灰色:如果用户发现自己的评分被用来训练 AI 取代人类劳动,会强烈不满;评分没带来即时价值,用户觉得数据被单方面利用。解法=透明说明评分用途(哪怕是评估替代人力也坦诚告知)、评分后给即时有用建议("想要更好结果可以试试…")、教用户写更好的提示。 案例:Jasper / Notion / Google / GitHub / ChatGPT / Julius 的赞踩或星评。
八、ProductsAIGuidelines:AI 产品总设计指南(需求层级 + 10 考量 + 成功标准)
这是 Shape of AI 的"总纲",帮你判断一个 AI 功能到底值不值得做、是帮人还是害人。
8.1 按"需求度光谱"给 AI 功能分四类
判断"这个 AI 功能在帮谁"——从最该警惕到最该做:
- Trap doors 隐藏式数据收集 — 以套数据为目的、损害用户(默认开数据追踪)。红线,别碰。
- Vitamins 娱乐/探索性 — 有趣但非必要(AI 生成头像)。锦上添花。
- Augmenters 效率提升 — 帮人更快完成任务(自动总结会议)。主力价值区。
- Access enablers 无障碍辅助 — 帮人跨越障碍(语音转文字助听障)。最高价值。
8.2 设计 AI 产品的 10 条考量(checklist)
避免误导(不用暗模式)/ 保持透明 / 减少个人数据收集 / 明确告知风险和局限 / 给用户反馈修正机制 / 核心功能不依赖 AI(AI 失效仍能完成基础操作) / 提升准确性(测试减偏见)/ 增强可访问性 / 全面测试不同用户和场景 / 以用户为中心(AI 适应用户而非反过来)。
8.3 怎么衡量"设计成功"(sample success criteria)
- 不强迫提供数据,采集和使用透明可见。
- 用户可自由选择是否用 AI,且功能标识清晰。
- AI 不是完成任务的唯一途径(AI 失效仍能完成核心操作)。
- 结果可调整,用户能手动修正或反馈。
- 经不同用户群体测试,适用多种环境。
- AI 的加入显著提效,而非增加额外负担。
- 具备多模态能力(语音/文本/视觉)。
速查索引:遇到问题查哪个模式
| 你的问题 | 去查 |
|---|---|
| 用户面对空白框不知道问啥 | Suggestions 1.3 / Templates 1.4 / Open input 2.1 |
| 用户一句话说不清需求 | Follow up 1.1 / Sample response 5.6 / Token layering 2.8 |
| 想让用户发现隐藏功能 | Nudges 1.2 |
| 结果出来了用户只想改一小块 | Inpainting 3.3 / Inline action 2.3 |
| 想给用户多个版本挑 | Variations 5.8 / Regenerate 5.5 |
| 怎么让用户相信 AI 没瞎编 | Citations 5.1 / References 3.6 / Show the work 5.7 |
| 怎么标清"这是 AI 不是人" | Name 4.3 / Disclosure 4.5 / Symbols 4.2 / Color 4.1 |
| 给 AI 设人设/角色(陪伴/叙事) | Personality 4.4 / Personal voice 3.5 |
| 批量处理结构化数据 | Auto Fill 2.2 / Workflows 3.8 / Madlibs 2.4 |
| 隐私/数据/记忆控制 | Incognito 6.1 / Memory 6.2 / Data Ownership 7.1 |
| AI 内容真伪标记 | Watermarks 6.3 / Footprints 5.3 |
| 高风险操作前的安全闸 | Show the work 5.7 / Sample response 5.6 |
| 哪些设计别学(灰色) | Dark matte 整类(7) |
源自 Emily Campbell『Shape of AI』AI 产品 UX 模式库(reference/will-design-notes,49 个 .md 全读,2025-08 快照)。本篇是"可复用 UI 模式零件库"视角;对话式界面研究视角(对话 6 类型 / 少废话 / 拟人化 4 度 / 谄媚 / GenUI)见 NNGroup AI 产品与对话式界面设计(20 篇 · 对话6类型/拟人化4度/谄媚sycophancy/智能优先于类人/可解释AI引用与免责声明/少废话直奔答案截断金字塔/提示建议3类·CARE框架·提示控件4用途/GenUI vs Vibe Coding·按钮复选框回归·Promptframe·用提示设计界面/AI助手4角色·创意伙伴宝洁776人实验·ChatGPT Agent初评·Google AI Mode·为何在GenAI与搜索间切换),两者互补。原始截图保留在 sources(因含中文空格路径且 gitignore,本篇用文字描述模式形态)。