KeyFrame內部研究專用

The UX of AI: Making AI-Powered Apps Your Users Don't Hate - Kathryn Grayson Nanz, Progress Software

AI Engineer·7月18日週六·35 min英文

三句話摘要

在AI快速普及的時代,如何透過以用戶為中心的設計模式,打造可信任、易理解、可控制的AI功能體驗。 AI功能的成敗不決於演算法效能,而在於設計者是否透過信任、清晰、控制、透明、實用五大支柱建立起用戶的舒適感與自主權。 信任是最大阻礙:用戶視AI為黑盒子,容易產生幻覺,盲目聲稱可信反而無效;應改為在設計中提供引用、源材料追溯、行動計劃審批等機制,讓用戶能自行驗證而非被迫相信。

重點整理

重點
  • 1

    信任是最大阻礙:用戶視AI為黑盒子,容易產生幻覺,盲目聲稱可信反而無效;應改為在設計中提供引用、源材料追溯、行動計劃審批等機制,讓用戶能自行驗證而非被迫相信。

  • 2

    透明化勝過神秘化:不應將AI框架為魔法,而要展示其工作過程;透過流式文本生成、鏈式思考展示、新內容標記等方式,讓用戶即時理解AI的行動和推理過程。

  • 3

    控制權必須掌握在用戶手中:無論是生成內容、自動化工作流或執行代碼,用戶必須能隨時暫停、停止、撤銷;版本歷史和撤銷機制是必需的,尤其在非確定性AI輸出的時代。

  • 4

    權限與透明度缺一不可:權限設定應超越二元選擇,提供細粒度控制(如允許讀取但不允許刪除、一次性審批vs永久授權);同時需清楚告知成本、時間、數據收集等信息,讓用戶做出知情決策。

實用技巧與重點

乾貨
  • 五大用戶挑戰
  • Trust(信任)
  • Clarity(清晰性)
  • Control(控制)
  • Transparency(透明度)
  • Meaningful Benefit(有意義的好處)
  • 信任機制實現方式
  • 引用與超連結:指向源材料
  • 工具提示:顯示相關引文
  • 側邊欄參考窗口:用於研究工作
  • AI行動計劃審批:代理工作流前需用戶確認
  • 清晰性設計模式
  • 流式文本生成(streaming text):實時展示內容生成過程
  • 鏈式思考展示(chain of thought):讓用戶看到推理步驟
  • 新內容標記:顏色變化、高亮、捲動焦點提示
  • 控制與撤銷機制
  • 大紅色停止按鈕:易於觸及的緊急停止
  • 撤銷/重做(undo/redo):簡單對話可能只需重新表述
  • 版本歷史或檢查點(checkpoints/save states):複雜編輯工作需要
  • 粒度控制:允許保留部分結果、回退特定步驟
  • 透明度實現
  • 權限設定不止二元:細分動作(讀取/刪除/發送/執行)、範圍(特定資料夾/全部)、模式(一次性/永久)
  • 權限歷史與撤銷:用戶可查看已授予權限並隨時撤銷
  • AI內容標記:浮水印、星號、免責聲明
  • 成本與時間估算:預告token消耗、執行時間
  • 視覺指示器:橫幅/側邊欄標示代理工具正在控制系統
  • 有意義好處
  • 示例與模板:展示成功的使用案例
  • 行動按鈕(action buttons):內容產生後的下一步選項
  • 直接整合:推送至文字編輯器、代碼倉儲、工單系統等
  • 參考案例對比
  • Copilot研究代理新對話:提供示例、大按鈕、語音選項、低進入障礙
  • Teams新對話:假設高度熟悉度,無詳細說明、無引導

結論

結論

AI功能的成敗不決於演算法效能,而在於設計者是否透過信任、清晰、控制、透明、實用五大支柱建立起用戶的舒適感與自主權。

完整解析

詳細

隨著AI快速滲透至工作軟體、社群媒體乃至作業系統,許多企業匆忙在各處添加AI功能,卻忽略了一個根本問題:用戶是否真的知道如何使用它們。演講者Kat指出,開發者與普通用戶之間在AI技術素養上存在著極寬的鴻溝——這是她見過最大的知識落差。許多用戶對AI仍感到陌生與警惕,當他們嘗試AI功能卻得到出人意料的結果時,往往會產生負面印象,進而拒絕再次使用。這不僅浪費了AI的潛力,也傷害了用戶對科技的信任。

解決之道在於借鑑Macintosh圖形化介面的成功經驗。當年Apple創造了一種用戶友善的體驗,用視覺隱喻(如垃圾桶、文件夾)消除技術障礙,然後隨著用戶素養提升逐漸引入更多技術詞彙。今日的AI用戶體驗尚處於早期階段(類似System 3),我們不能假設用戶已是專家。開發者應建立起連接已知和未知的橋樑,透過逐步介紹新的交互模式,引導用戶而非丟著他們不管。

Kat歸納出用戶面臨的五大挑戰,並為每一項提供了具體的設計策略。首先是信任——用戶將AI視為黑盒子,容易看到AI幻覺而失去信心。與其宣稱自家AI比他人更可靠,不如在設計中提供透明度機制:引用源材料讓用戶自行驗證、展示行動計劃讓用戶事前審批、標記AI生成內容以消除疑慮。其次是清晰性——透過流式文本生成讓用戶實時觀看內容產生、讓AI「邊想邊說」展示推理步驟、標記新增或修改的內容。第三是控制——提供易於觸及的緊急停止按鈕、完整的撤銷機制、版本歷史,讓用戶隨時能回到安全狀態或微調結果。

透明度和有意義的好處則攸關用戶的長期接受度。權限設定應超越簡單的yes/no,提供細粒度控制(如允許讀取郵件但不允許發送、一次性批准vs永久授權),並展示權限歷史讓用戶隨時撤銷。成本與時間的預告也是關鍵——即使無法精確估算,粗略數字也足以幫助用戶做出知情決策。最後,用戶產生內容後往往需要在其他工具中利用它(報告、簡報、代碼提交),提供清晰的行動按鈕或直接集成至常用工具,能大幅提升AI功能的實用價值。當用戶無法對輸出採取行動時,AI再強大也只是玩具。演講結尾強調,如今AI的技術性能差異已不大,差異化真正來自用戶體驗品質。開發者必須將用戶放在設計核心,才能將AI的潛力轉化為實際價值。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。