前言（Foreword）
由卡内基梅隆大学人机交互领域学者 Dan Saffer 撰写，核心观点与背景梳理如下：
- 破除行业误区：反驳 “AI 能力足够强就无需界面设计” 的错误认知。聊天框式极简界面看似简洁，却会放大人类拟人化心理（ELIZA 效应）、掩盖 AI 的概率性缺陷，还会延续用户使用搜索引擎的旧习惯，造成交互错位。
- ELIZA 效应核心解读：早期 AI 聊天程序 ELIZA 仅依靠关键词匹配和模板回复，并无真正理解能力，但用户仍会对其产生情感依赖、默认它具备人类思维。该现象至今仍是 AI 界面的核心难题 —— 语言类 AI 极易让用户误判其智能水平。
- 搜索习惯的遗留问题：用户拥有二十余年搜索引擎使用经验，会把 AI 输入框当作搜索框使用，而产品往往缺少引导用户建立 “AI 交互新认知” 的设计，进一步加剧体验问题。
- 全书核心框架价值：作者提出的输入 - 计算 - 输出三维框架，能精准定位 AI 交互故障点：是输入表意模糊、计算阶段反馈缺失，还是输出呈现不合理。同时强调 AI 设计是跨团队协作工作，设计、工程、产品团队必须统一认知。
- 补充痛点：高置信度百分比等指标会制造 “虚假精准感”，LLM 的附和倾向（讨好行为）会形成信息回音室；自主智能体（Agentic AI）的界面设计挑战最大，需做到流程透明、权责清晰。
序言（Preface）
- 创作缘起：作者借鉴 CIA “凤凰清单” 的问题拆解思路，结合自身在谷歌 TensorFlow 项目的 AI 工作经历，发现 GUI、传统人机交互（HCI）的设计经验，可迁移用于当下 AI 界面设计。
- 行业现状反思：如今 AI 产品竞争聚焦于模型性能、技术指标，设计师的用户视角与价值常被弱化；但设计师的核心作用，是锚定用户真实任务与需求，而非单纯追逐技术噱头。
- 本书受众：
- 核心受众：深耕传统确定性系统、转型做 AI 设计的资深设计师；刚入行、缺乏 AI 设计指导的新人设计师。
- 延伸受众：工程师、产品经理、研究员，可从设计视角补充 AI 产品落地思路。
- 内容定位：无需读者掌握 Transformer、模型训练等底层硬核技术，仅需建立AI 能力边界的基础认知，结合实操案例讲解设计方法，同时标注全书排版、标注、提示等使用规范。
第 1 章：理解大语言模型与 AI 系统（Understanding Large Language Models and Systems）
本章为全书基础，梳理 AI 技术演进、用户认知偏差、设计师必备能力、团队成熟度模型，并正式确立输入 - 计算 - 输出核心分析框架。
1. 早期消费类预测语言模型
以手机 T9 联想输入法、后续 Swype 滑行键盘为案例：
- 原理：基于词频库对用户输入做概率预测，和 LLM 底层逻辑同源，是早期 “人机预测交互” 的雏形。
- 差异：T9 体量极小、功能局限于文字补全；现代 LLM 依托海量数据，可完成写作、推理、创作等复杂任务，但本质仍是基于人类语言模式的预测系统，不具备真正理解能力。
- 设计启示：AI 设计需回归人类沟通需求，而非盲目追捧 AGI（通用人工智能）概念。
2. AI 发展简史
- 符号主义时代：1950 年图灵提出图灵测试，判断机器是否具备类人智能，但该测试仅局限于文本模仿，无法衡量真正的推理能力。
- ELIZA 与规则式 AI：60 年代 MIT 的 ELIZA 通过关键词匹配、模板对话模拟心理咨询师，催生ELIZA 效应（人类自动为类语言机器赋予情感、理解能力）。当时 AI 依赖人工编写规则，无法应对语言的无限复杂性，最终引发第一次 AI 寒冬。
- 技术三大突破（现代 AI 基石）：
- 海量数据：互联网、维基百科、社交媒体产生海量自然语言文本；
- GPU 算力：显卡并行计算能力大幅提升模型训练效率；
- Transformer 架构（2017）：引入注意力机制，可同时处理整段文本，打破逐字处理的限制，催生 GPT、BERT 等主流 LLM。
- 当代主流模型与行业隐忧：介绍 GPT、Claude、Gemini 等模型，同时指出大模型存在偏见、高能耗、幻觉（编造信息）等问题，技术热度与实际能力仍存在巨大鸿沟。
3. AI 时代的用户体验（UX）核心问题
（1）用户常见认知误区
用户受科幻、营销、搜索习惯影响，对 AI 产生多重错误假设：
- 认为 AI 拥有人类式理解、情感；
- 默认输出 100% 真实（忽视幻觉）；
- 认为同一提示会得到固定结果（忽视 LLM 概率性）；
- 相信 AI 全知全能、无数据偏见。
（2）商业与环境加剧问题
- 资本推动企业仓促上线 AI 功能，重技术噱头、轻用户需求；
- 媒体过度渲染 AI “超能力”，拔高用户预期；
- 全球缺乏统一的 AI 透明性法规，界面难以约束模型风险。
（3）设计师三大核心必备能力
- 懂用户：拆解用户真实意图，预判误解点，平衡界面透明度（过度透明造成信息过载，过度隐藏引发不信任）；可借助用户画像梳理不同人群的使用场景、痛点。
- 技术与评估能力：无需成为算法专家，但需理解 AI 能力边界、常见故障，能和工程师对话，利用 AI 原型工具快速验证设计。
- 跨团队沟通：设计、工程、产品需统一语言，明确 AI 功能的权责与迭代逻辑。
（4）AI 设计的伦理考量
参考 DeepMind 的研究，划分七大风险，并归为三大类：
- 人际与社会风险：算法偏见、有害内容、虚假信息、歧视；设计方案：增加内容举报、透明化展示机制。
- 安全与隐私风险：数据泄露、恶意使用、权限滥用；设计方案：精细化权限、人工审核兜底。
- 环境风险：模型训练 / 运行能耗、数据中心水资源消耗；设计方案：精简非必要 AI 功能，优先选用轻量化模型。
（5）组织知识共享与 AI 成熟度模型
借鉴汽车自动驾驶分级，提出AI 组织三级成熟度模型，用于评估团队协作能力：
- 一级：个人探索：无共享规范，模型知识、评估、伦理问题仅靠个人摸索，功能自上而下制定，协作混乱。
- 二级：共享认知 + 人工维护：建立文档、统一术语，专人负责模型评估与 AI 规范，有定期分享，但依赖人工沟通，流程繁琐。
- 三级：集成化 AI 组织：信息自动流转，用户需求驱动功能迭代，评估、伦理、权限全流程标准化，团队适配模型快速迭代的节奏。
4. 本书核心框架：输入 - 计算 - 输出（Input-Computation-Output）
这是贯穿全书的核心逻辑，定义三大阶段核心作用与设计难点：
- 输入（Inputs）：人类意图传递给 AI 的入口，包含显式输入、隐式上下文，难点是意图模糊、解读偏差。
- 计算（Computation）：AI 内部处理、路由、推理的黑盒阶段，是决定输出质量的核心，难点是过程不透明、延迟不可控、易出错。
- 输出（Outputs）：AI 结果返回给用户，难点是结果不可靠、形式多样、需支持二次操作。
补充：三大阶段前后还有配置、迭代、反馈环节，形成完整交互闭环。
本章小结
梳理 AI 技术发展史与用户心理根源，明确 AI 设计师的能力、伦理、团队协作要求，正式确立输入 - 计算 - 输出分析框架，为后续章节铺垫理论基础。
第 2 章：能力、发现与编排（Capability, Discovery, and Orchestration）
本章聚焦输入之前的前置设计：模型能力定义、用户功能发现、系统编排三大核心，以 Google Wave 失败案例开篇，论证 “技术强大但用户无法理解、使用，产品必然失败”。
1. 模型能力（Capabilities）
（1）设计师的普遍困境
调研显示，AI 设计师最大痛点是无法清晰界定模型能做 / 不能做，进而限制创意与落地，因此必须先理解模型训练与评估逻辑。
（2）模型训练两大阶段
- 预训练（Pretraining）：投喂全网海量文本，让模型学习通用语言规则、知识与词汇关联，目标是掌握基础语言模式。
- 微调（Fine-tuning）：使用小范围定向数据优化模型，结合人类反馈强化学习（RLHF），让模型更贴合人类偏好、遵循指令、提升回答质量。
核心结论：LLM 只是语言模式复刻，并非真正 “懂知识”。
（3）模型评估（Evals）
行业主流评估基准，用于衡量模型实际表现：
- MMLU：跨 57 个学科的选择题，测试通用知识与指令遵循能力。
- GSM8K：小学数学应用题，测试多步骤逻辑推理能力。
- MT Bench：人工测评，评估回答语气、清晰度、实用性等主观体验。
设计启示：高分基准≠真实用户体验，设计师需结合评估结果设计交互边界。
2. 用户意图与功能发现（Discovery）
（1）用户意图分类
区分显式意图（用户直接提问、操作）与隐式意图（上下文、使用场景、历史行为）；AI 产品分为两类：
- AI 原生工具：意图开放、用户无明确目标，需引导探索；
- AI 增强工具：叠加在传统软件上，用户意图明确，需贴合原有工作流。
（2）AI 功能发现二维矩阵
以用户意图高低、系统主动性高低划分四大场景，并匹配对应设计方案：
- 低用户意图 + 低系统主动性：靠社区、长期使用自然发现功能；
- 低用户意图 + 高系统主动性：增加上下文提示，避免过度打扰；
- 高用户意图 + 低系统主动性：简化入口、降低操作门槛；
- 高用户意图 + 高系统主动性：精简流程，加速用户任务。
（3）主流功能发现模式（多类结合使用）
- 基于输入的发现：指令触发、右键 / 选中文本等手势、空白页引导；
- 上下文感知发现：识别文档内容、用户重复行为、光标位置，弹出对应功能；
- 主动预判发现：异常提醒（日程冲突）、实时翻译等预测式辅助；
- 渐进式发现：分阶段解锁高级功能、场景化教程，避免信息过载。
（4）采用惯性与迭代挑战
- 行为惯性：用户习惯固定工作流，即便有更优 AI 功能也会视而不见，设计需打破惯性、轻量化引导。
- AI 功能迭代特性：模型持续更新，功能不断变化，用户需要反复适应；同时用户会把其他 AI 产品的经验迁移过来，产生预判偏差。
3. 系统编排（Orchestration）
定义：用户使用 AI 前的配置、权限、工具选择等底层设置，核心原则：目标明确、过程透明、体验统一。包含五大核心模块：
（1）模型、智能体与工具选择
三层能力架构（从基础到高阶）：
- 基础模型：仅响应提示，被动生成内容；
- 模型 + 工具：联网、读文件、调用外部能力，仍由用户主导；
- 智能体（Agent）：自主拆解任务、规划步骤、调用工具，具备高度自主性。
设计要点：模型选择优先展示用途、速度、适用场景，而非技术名称；支持自动路由 + 手动切换。
（2）用量与配额管理
AI 调用存在成本与接口限制，设计方案：
- 可视化额度、令牌（Token）消耗；
- 区分免费 / 付费能力，任务中断时保留进度、支持续用；
- 用 “伏特” 等通俗单位替代专业计费术语，降低理解门槛。
（3）权限管理
采用精细化权限，拒绝 “全有 / 全无” 二元选择：区分单会话文件、项目文件、全部文件等访问范围；权限入口直观，支持一键撤回。
（4）资源库与资产管理
管理上传文件、对话记录、生成内容：支持版本回溯、内容检索、跨会话复用，贴合用户原有文件管理习惯。
本章小结
AI 产品成功的核心是模型能力与用户意图精准匹配；功能发现需结合场景分层设计，编排层则把控权限、模型、资源等底层配置，是稳定体验的基础。
第 3 章：AI 输入设计（Designing for AI Inputs）
本章聚焦输入阶段：从早期命令行到现代 AI 输入的演变，拆解三大意图传递渠道、输入模态，以及引导用户写出优质输入的设计方法。
1. 输入模式演变：负担的转移
- 早期命令行（Multics）：规则严苛，语法、字符出错即失效，所有沟通负担由用户承担，门槛极高。
- 搜索引擎：放宽语法限制，支持自然语言、错别字，机器主动适配用户，负担开始转移。
- 现代 AI 输入：进一步开放，支持对话、创作、复杂指令，意图表达更自由，但用户仍未建立 “AI 输入” 的使用习惯（沿用搜索思维）。
2. 三大意图传递渠道（核心重点）
用户意图同时通过三类渠道传递，设计需让三者协同、互补：
（1）隐式上下文（Implicit Context）
系统自动抓取的环境信息：打开的文档、选中文本、历史对话、时间、设备等。
- 优势：减少用户重复输入；
- 风险：上下文解读偏差；
- 设计方案：可视化展示系统正在使用的上下文，支持手动关闭 / 修改。
（2）显式提示（Explicit Prompting）
用户主动输入的文字、指令，是最核心的输入形式。
- CAE 框架（上下文 Context、行动 Action、结果 Result、示例 Examples）：优质提示的四大组成，搭配案例讲解每部分的写法，帮助用户清晰表达需求。
- 提示分类：指令型、探索型、角色型、修正型、边界测试型，对应不同交互场景。
- 显式输入两大风险
- 附和倾向（Sycophancy）：模型习惯性认同用户观点，即便用户存在错误，形成信息茧房；
- 长度悖论：提示过长时，模型会忽略中间内容，越堆砌细节效果越差，用户易陷入 “越改越乱” 的循环。
（3）直接操作（Direct Manipulation）
按钮、滑块、选区、手势等传统 GUI 交互，无需文字即可下达指令。
- 优势：高效、上手快，适合高频固定操作；
- 设计思路：混合模式最优—— 固定操作用按钮，创意 / 复杂需求用自由输入；借鉴图片编辑软件的选区逻辑，沿用用户已有操作习惯。
3. 输入模态（Input Modalities）
（1）文本输入
- 富文本格式：支持加粗、列表、代码块等排版，结构化文本能提升模型解读准确率；
- 结构化提示：表单、模板、下拉选项，降低新手使用门槛，适合垂直场景（改写、翻译、PPT 生成等）；
- 空白页引导提示：不仅是 “趣味文案”，更是产品定位载体，结合产品核心功能设置场景化示例。
（2）图像输入
沿用图片编辑的选区、涂鸦等经典交互；支持 “图片 + 文字” 组合指令，符合用户 “看图说话” 的自然习惯。
（3）语音输入
- 优势：移动端输入速度远快于打字；
- 分类：短指令（计时、查天气）、长音频（会议录音）、连续对话，三类交互的反馈设计各有不同。
4. 引导用户优化输入
- 即时辅助：模板、预设、分类标签、高级选项渐进展开，无需用户掌握提示工程；
- 长期培养：保持输入界面一致性，让用户在使用中自然总结规律；
- 设计原则：辅助是 “建议” 而非 “强制修改”，不破坏自由输入的灵活性。
本章小结
AI 输入是三大渠道 + 多模态的组合体系，隐式上下文、显式提示、直接操作各司其职；设计核心是降低用户表达成本，同时规避提示附和、长度超标等问题，循序渐进培养用户使用习惯。
第 4 章：计算阶段设计（Computation: Designing for the Processing and Generation Phase）
本章解析 AI内部计算全流程，重点解决延迟、进度反馈、错误处理三大设计难题，以阿波罗 11 号 1202 警报案例开篇：系统正常但反馈模糊，导致用户恐慌，类比 AI 计算黑盒的体验问题。
1. 核心基础术语
统一设计与工程师的沟通语言：Tokenization（分词）, Context window（上下文窗口）, Latent space（潜在空间）, Inference（推理）, Multimodal（多模态）, Routing（路由）, RAG（检索增强生成）, Agentic workflows（智能体工作流）。
2. 计算流水线三大步骤
（1）输入预处理
将文本 / 图像 / 音频转为模型可识别的向量数值：
- 文本：子词分词 + 编码，借鉴 RGB 色彩空间理解高维语义空间；
- 图像：卷积神经网络逐层提取边缘、纹理、物体特征；
- 音视频：转为频谱、帧序列，捕捉时序特征。
（2）路由（Routing）
根据用户需求分配模型、工具、外部数据源：区分 “调用模型自有知识” 和 “联网 / 读文件检索信息”，不同路由对应不同输出时效与准确性。
（3）生成与推理
LLM 逐一生成 Token，基于概率分布选择后续内容；温度（Temperature） 参数控制随机性：低温保守、内容一致；高温创意强、错误率上升。
图像生成主流为扩散模型：从随机噪声逐步细化为清晰画面。
3. 延迟（Latency）管理设计
（1）用户等待心理
经典延迟感知阈值：0.1 秒（无感知）、1 秒（思路不中断）、10 秒（注意力临界）；AI 延迟不可避免，设计核心不是消灭等待，而是管理感知。
（2）延迟可视化方案
- 即时确认：“正在思考” 等文字提示，告知请求已接收；
- 加载组件：环形加载器（时长未知）、进度条（时长可预估）、骨架屏（模拟最终布局）；
- 异步交互：等待时允许用户继续操作，任务完成后推送通知；
- 流式输出：逐字 / 逐段展示内容，大幅降低等待感知；
- 过程解说：简要标注系统正在执行的操作。
（3）场景化延迟设计（按用户任务分类）
- 信息检索：渐进展示结果，保留上下文；
- 实时控制：零延迟，优先即时反馈；
- 交易 / 支付：强即时确认，防止重复操作；
- 对话交互：模拟自然语速，搭配打字动画；
- 创意生成：使用进度条，标注大致时长；
- 自主智能体：分层进度 + 定时状态更新。
（4）进度通知分层设计
三层视图适配不同用户需求：
- 概览层：极简状态，适合仅需简单监控的用户；
- 详情层：拆解步骤、工具调用，供想了解过程的用户查看；
- 完整日志层：全流程记录，用于调试、溯源、合规。
4. 错误设计（系统失效场景）
（1）传统可检测错误
- 错误文案：使用通俗语言，拒绝代码报错，同时给出解决方案；
- 中断恢复：保留已有输入、部分输出，支持重试、编辑；
- 检查点（Checkpoint）：阶段性保存进度，出错后可回滚，避免全盘重来。
（2）AI 特有隐性错误（最大痛点）
模型自信地输出错误内容（幻觉），系统无法自检，错误完全隐藏。
设计应对：不追求彻底杜绝，而是增加 “质疑门槛”—— 展示来源、标注不确定性、引导用户核验，避免用户全盘信任。
本章小结
计算阶段是 AI 的 “黑盒核心”，设计重点是透明化过程、合理化延迟、完善错误兜底；区分显性故障与隐性幻觉，用分层反馈、检查点等方案，缓解用户焦虑与信任危机。
第 5 章：输出设计（Output: Designing the Delivery and Presentation of LLM Responses）
本章围绕 AI结果呈现展开，核心观点：输出不等于最终答案，而是交互的新起点。以早期临床决策系统（CDSS）为例：系统输出专业但解读偏差，引发决策风险，类比当下 AI 输出的信任问题。
1. 输出全流程
分为内部生成、后处理、最终展示三步；文本、图像、音视频的后处理（安全过滤、格式调整）各有差异。
2. 六大输出设计核心原则
（1）清晰性（Clarity）
通过结构、排版、语气优化可读性：使用标题、列表、短段落，预设输出模板；同时平衡模板刚性与模型灵活性，避免内容机械生硬。
（2）可验证性（Verifiability）
解决幻觉与过度依赖问题：
- 摒弃 “置信度百分比”（模型自评准确率具备误导性）；
- 核心方案：标注来源、引用链接、溯源信息；
- 人机协同（Human-in-the-Loop）：高风险场景强制人工审核兜底。
（3）场景锚定（Grounding）
明确输出的适用范围：标注模型版本、使用地域、场景、参考上下文；例如法律内容标注适用辖区，避免地域 / 规则错位。
补充：合规要求（欧盟 AI 法案、美国加州法规）强制 AI 内容显性标注机器生成。
（4）可执行性（Actionability）
输出需附带后续操作入口：保存、导出、跳转、收藏、二次编辑等；提出 “画布” 交互模式 —— 将输出变为可持续编辑、组合、协作的工作区，而非静态文本。
（5）可调整性（Adjustability）
支持迭代优化：提供改写、扩写、精简、换语气等快捷操作；保留历史版本，支持对比、回滚；依托原有上下文微调，无需重新输入完整提示。
（6）多轮交互适配（Multiturn Outputs）
针对连续对话、长流程任务：使用分割线、版本标记、差异对比，区分不同轮次内容，梳理交互脉络。
3. 水印与内容检测（Watermarking and Detection）
（1）生成式内容风险
虚假信息、学术作弊、伪造文书、版权侵权、深度伪造等滥用问题。
（2）水印技术分类
- 文本水印：利用同义词、句式、标点制造隐形统计特征；难点：文本修改后易失效。
- 图像 / 视频水印：显性 logo、隐形像素修改；视频需逐帧处理，各国已出台深度伪造标注法规。
- 主流方案：Google SynthID 等生成式水印，在模型生成阶段嵌入标识。
（3）检测工具局限
现有 AI 检测工具准确率低，易误判人类文本（如古典文献），且可被简单改写绕过；行业共识：生成时水印 > 事后检测。
4. 问题输出管理
- 前置防控：模型训练、红蓝对抗（红队测试边界漏洞）、安全规则约束；
- 界面处理：有害内容采用友好拒绝话术，附带原因，不中断对话；
- 风险公示：发布系统说明书，明确模型能力边界与已知缺陷。
本章小结
AI 输出设计的核心是建立信任、延伸交互，六大原则覆盖内容呈现、核验、操作全流程；水印、内容管控则聚焦伦理与合规，平衡 AI 创意与滥用风险。
第 6 章：智能体 AI 设计（Agentic AI: Designing for Systems That Plan, Act, and Adapt）
本章讲解自主规划、执行、自适应的 Agent 智能体，以微软 Clippy（回形针助手）为失败案例：有主动协助的理念，但无法识别用户真实需求、重复打扰，论证自主 AI 的核心设计难点 —— 自主性与可控性的平衡。
1. 五大智能体核心设计模式（技术 + 界面结合）
（1）自省模式（Reflection）
智能体完成工作后自我检查、修正错误（代码查错、内容核验、逻辑梳理）。
- 优势：减少人工审核，提升输出质量；
- 设计难点：自省增加延迟，需选择性展示检查过程（高风险全透明，低风险静默执行）。
（2）工具调用模式（Tool Use）
智能超越纯文本生成，调用外部工具（联网、读文件、发邮件、运行代码），从 “顾问” 变为 “执行者”。
- 设计要点：精细化权限管理、工具调用状态可视化、调用失败的友好提示。
（3）规划模式（Planning）
将复杂任务拆解为有序子步骤，生成执行计划。
- 设计：支持事前预览、审批；线性任务用步骤列表，分支 / 条件任务用层级视图；关键节点设置确认环节。
（4）多智能体协作（Multiagent Collaboration）
多个专业智能体分工协作（如开发智能体 + 测试智能体），由总调度统筹。
- 设计：正常运行时隐藏内部分工；出错时标注故障模块，支持人工介入解决冲突。
（5）推理 - 行动模式（ReAct）
自适应循环：推理→执行→观察结果→再次推理，无固定计划，适合排查、探索类任务。
- 设计：展示迭代次数、当前思路，任务陷入僵局时自动请求人工协助。
2. 智能体的用户交互触点
拆解智能体运行时的用户可见环节：
- 任务拆解与排序：展示任务拆分逻辑与执行顺序；
- 任务委派：标注调用的工具 / 其他智能体；
- 信息澄清：任务模糊时主动追问用户；
- 分层进度沟通：沿用第四章的通知 / 概览 / 详情三层结构；
- 可视化执行：模拟浏览器 / 桌面操作，直观展示行为（适合新手学习，但带宽要求高）。
3. 关键交互组件
- 检查点与回滚：阶段性保存，支持恢复历史状态；
- 中间结果：展示阶段性产出，供用户提前核验；
- 权限动态申请：调用新工具时解释用途，支持永久 / 临时授权；
- 来源溯源：标注参考的数据、文档、网页。
4. 智能体三大全新设计原则（全书收尾核心）
- 展示计划（Reveal the Plan）：智能体执行前展示解读的任务与方案，让用户确认，从源头避免理解偏差；
- 优先核心信息（Prioritize What Matters Most）：过滤冗余细节，只展示关键流程，避免信息过载；
- 共建控制权（Design for Shared Control）：AI 负责执行，人类掌握审批、中断、修改的最终权限，平衡自主性与人为管控。
本章小结
智能体是 AI 交互的高阶形态，五大技术模式支撑其自主能力；设计核心不再是简单的问答交互，而是构建人机协作伙伴关系，通过透明化流程、分层管控、共享权限，让自主 AI 好用、可控、可信。
全书整体总览
- 核心框架：全书严格围绕输入 - 计算 - 输出主线，第 1 章立框架，2-3 章讲输入侧（前置编排 + 用户输入），第 4 章讲中间计算，第 5 章讲输出，第 6 章延伸至高阶自主智能体，逻辑层层递进。
- 核心主题：不止是 UI 视觉设计，而是结合 AI 技术原理、用户心理、伦理合规、跨团队协作的全链路 AI 体验设计。
- 核心痛点与解法：聚焦 ELIZA 效应、幻觉、概率性输出、黑盒计算、自主 AI 失控等 AI 特有问题，提供可落地的设计模式、原则与场景化方案。
- 适用范围：覆盖 LLM 聊天、AI 增强工具、多模态产品、自主智能体等全品类 AI 界面，兼顾新手设计师与资深从业者、跨职能团队协作需求。