内容概要
本次演讲探讨了如何为人工智能（AI）设计用户体验（UX），主张超越传统界面，将与 AI 的交互重新想象为与新“同事”的合作。内容涵盖了 Flatfile 公司已实施和正在研究的新颖 UX 模式，例如 AI 光标和前瞻性的聊天范式，并结合了行业中涌现的设计模式。演讲强调，设计师的实践需要扩展到哲学、伦理和编码领域，并通过实际的产品案例和前瞻性的演示，为 AI UX 的未来提供了一个清晰的愿景。
目录
-
设计工程：为你的新 AI 同事设计形态因子
-
AI 技术栈的四大类别：不可见、环境感知、嵌入式与对话式
-
不可见的 AI：个性化演示
-
环境感知的 AI：分析数据以发现机会
-
嵌入式的 AI：直接进行数据操作
-
从“直升机父母”到“角色教练”的转变
-
“聊天调谐器”工具
-
感受 AI 这种“材料”
-
在 AI 设计中找到纹理
-
拥抱“涌现”
-
“涌现”案例：合并数据集并生成报告
-
“涌现”案例：建议人工介入
-
着眼未来
-
为数据转换打造的“自动完成”功能
设计工程：为你的新 AI 同事设计形态因子
大家可能都注意到了，像 V0 这样的工具在生成式 UI (generative UI) 方面已经做得相当出色，能够创造出美观的界面。同时，Clawed Code 让我们能够在本地运行更复杂的程序并在此基础上进行构建。我认为，由此带来的趋势是设计师、产品经理和工程师将共同进行创造。我对此感到非常兴奋，因为我一直不喜欢这些角色之间的隔阂。
这种新的合作方式让我们能够摆脱我心目中的模型图 (mock-ups) 和仅能点击的原型 (click-through prototypes)，也无需再反复纠结我们正在构建的东西是否值得投入工程资源。因此，我们是时候该投身其中，亲身感受我们正在使用的“材料”，看看会涌现出什么新的可能性。
AI 技术栈的四大类别：不可见、环境感知、嵌入式与对话式
我先快速介绍一下 Flatfile 的 AI 技术栈。这不是一张官方图表，只是我个人对它的理解。我们的核心业务是数据迁移，如果你需要频繁地在系统间迁移大量数据，就会用到我们的开发者平台。由于我们是一个开发者平台，而大语言模型 (LLM) 又擅长编写代码，这使得我们的平台成为应用 AI 的绝佳场所。
技术栈的底层是我们客户部署在基础设施上的 Flatfile 应用程序。中间层是实时上下文，包括数据和验证结果，例如脏数据中的错误和警告。再往上是我们的 AI 智能体 (agents)、它们拥有的工具以及可以执行的任务。最顶层则是最终呈现给用户的内容。
我将这些交互形式分为四个主要类别：
-
不可见 (Invisible)：它就像机器中的幽灵，在后台默默工作。
-
环境感知 (Ambient)：它存在于你的工作空间中，但你并不直接与它互动。
-
嵌入式 (Inline)：它直接嵌入在你的工作流程中。
-
对话式 (Conversational)：也就是我们现在热议的各种对话机器人。
不可见的 AI：个性化演示
举一个“不可见” AI 的例子：当你注册 Flatfile 时，系统会在后台获取你的电子邮件地址，找到你所在的公司并进行查询。同时，AI 智能体 (agents) 会自动编写一个 Flatfile 应用程序，为你量身打造一个最适合你使用场景的演示。比如，如果你来自一家人力资源公司，你就会得到一个 HR 场景的演示。在这个过程中，你完全不需要知道 AI 正在幕后为你工作。
环境感知的 AI：分析数据以发现机会
接下来是“环境感知” AI 的一个初步应用。你可以看到，有一个智能体 (agent) 正在后台分析数据。这是我领导的 AI 转型团队开发的一个工具，当它在数据列中发现可以优化的机会时，相应的位置就会弹出闪烁的标记。这就是环境感知。
嵌入式的 AI：直接进行数据操作
“嵌入式” AI 意味着你可以在处理数据的过程中，直接调用 AI 来修复问题。这些智能体 (agents) 会编写代码，并将其应用于当前的数据集。无论你有百万行数据还是五十列字段，这些代码都能极速运行，非常高效。
从“直升机父母”到“角色教练”的转变
最后是大家都很熟悉的“对话式” AI。这是我们的构建模式 (build mode)，一个能编写 Flatfile 应用程序的无代码/低代码 (no-code/low-code) 智能体系统。以前，你可能需要公司里的工程师来构建这些应用，但现在这一切都可以自动完成，非常方便。
我曾听过 Anthropic 公司的 Amanda Askell 与 Lex Fridman 讨论如何塑造 Claude 的“性格”。那一刻，我意识到自己过去的做法有点傻。我总是向工程师反馈我们的智能体 (agents)：“它不应该这么说”、“它不该用这些词”等等。我发现自己完全是按照设计文案的思路在行事，这是一种本能反应。听了那次谈话后，我明白了，我需要从一个试图控制一切的“直升джи helicopter parent）”，转变为一个引导其发展的“角色教练 (character coach)”，去真正构建我期望它拥有的特质。
“聊天调谐器”工具
这是一个我用 V0 构建的早期工具，我称之为“聊天调谐器 (chat tuner)”。虽然它看起来很简单，但这并非重点。它的核心功能是，我可以将我们构建模式 (build mode) 中 AI 协调器的系统提示 (system prompt) 放入其中，然后进行修改。
例如，我可以测试：“如果我让 Claude 表现得更友好、更平衡或更简洁，效果会怎样？对于这个模型来说，‘更谨慎’又意味着什么？” 我展示这个工具的目的是想说明，我们很容易陷入只设计最终产品外观的诱惑中，但现在，我们完全可以先构建一个工具来帮助我们更好地进行设计。
感受 AI 这种“材料”
这引出了我的三个核心主题。第一个是“感受材料 (feeling the material)”。我是一个木工爱好者，所以请原谅我使用物理材料的比喻。如果你要用一种物理材料来设计东西，你必须先去感受它，了解它的特性。过去，我们的设计工作仿佛隔着好几层，比如模型图和原型，我们只能猜测最终效果。
而现在，我们必须亲身去感受 AI 这种“材料”，理解这些模型的工作方式。我新的工作信条是：为这些大语言模型 (LLM) 创造一个能让它们大放异彩的环境。什么样的形态因子 (form factor) 能帮助它们出色地完成任务，保持目标一致，并随着模型的进步而成长？这就是我追求的目标。
我们用 LLM 做的任何事，感觉都像是在把它放进一个盒子里。人们常说 LLM 就像一个“拥有博士学位的实习生”。那么，如果你要把一个博士实习生放进盒子里，这个盒子最好足够好。我们需要在这方面投入精力。
我们曾讨论过，当这个新的 AI 同事“入职”时，我们该给它什么工具？我当时对“光标 (cursors)”这个想法很着迷。如果它只有一个鼠标或触控板会怎么样？于是我创建了一个 V0 演示，把这个想法变成了现实。因为我经常使用设计工具，而不是迁移数据，所以这是我感受这种“材料”的最佳方式。
我创建了一个画布，然后可以向它下达指令。说实话，最初几秒钟我非常兴奋，感觉自己仿佛触摸到了通用人工智能 (AGI) 的边缘。但很快，我就感觉自己像是在让一个 F1 赛车手去开一辆普锐斯，处处受限。它一次只能移动一个物体，限制太大了。
从这次经验中学习后，我们又用 Clawed Code 做了一个 V0 演示，并最终发展成一个新产品。这个产品将我们所有关于数据迁移的经验带给普通消费者，让他们能处理自己的数据。你可以看到，AI 在这个空间中自由操作，它拥有自己的“存在感”，能够同时读取多个文件并向另一个文件写入内容。它不像我，一次只能专注于一件事。这标志着我们正从确定性 (determinism) 走向推理性 (inference)，并在这个过程中不断探索这种新“材料”的真实感受。
在 AI 设计中找到纹理
“感受材料”意味着你需要与模型一起工作，将它融入你的工作空间，理解与它并肩工作的感觉，了解它的能力。然后，你为它设计的形态因子 (form factors) 就可以被实际构建出来，让你去体验和感受。
下一个比喻是“找到纹理 (finding the grain)”。当你了解了材料的特性后，你会发现每一块具体的材料都有其独特的个性。因此，在创造形态因子时，“找到纹理”就是要去感知它的平滑与粗糙，它的强项与弱点。
我们必须保持谦逊，因为技术变化太快，我们今天构建的一切很可能明天就需要重构。比如，之前提到的构建模式 (build mode) 智能体，我让它启用一个可以自动匹配源数据和目标数据映射关系的插件，结果它返回了一大段文字。虽然这为我节省了大概一周的工作量——无需产品经理写需求文档 (PRD)、无需排期、无需工程师开发和测试 (QA)，代码全部自动生成——但这些冗长的信息干扰了用户体验。
于是，我们用 V0 重新思考了工具的用户体验 (Tool UX)。我的思路是，如果你要向一位同事解释一件复杂的事情，你会精心措辞，用视觉化的方式沟通，并且会停下来确认对方是否理解。我希望 AI 的交互也能有类似的感觉。
所以，在新设计中，当 AI 执行“拆分个人信息”这类操作时，它会直观地展示它正在做什么，并询问“这样做对吗？” 接着，它会告知用户：“我已经对齐了数据，并创建了快照，你可以随时回滚。你批准了此项操作，我会记录下来。”最后，它还会提示下一步可以做什么。
我们还希望它能表达情感。如果出错了，它会像人一样“摇摇头”，表现出一点沮丧，这可能也正是用户此刻的感受。最后，当它无法解决问题时，它会主动后退，说：“好的，现在控制权交还给你。” 这种交互感觉好多了，我们仿佛找到了这种“材料”的正确“纹理”和最佳应用方式。
这个设计的妙处在于，在实施过程中，我们发现它不仅适用于对话流程，还能嵌入到其他地方，比如我们的嵌入式数据转换功能中。
拥抱“涌现”
当我们发现并使用一项新技术时，很容易陷入仅仅用它来自动化繁琐任务的误区。我之所以对前两个演讲感到兴奋，是因为它们都提到了某种“涌现 (emergence)”——那些我们以前无法做到的有趣事情。我最期待的正是这些：在探索和“玩耍”中会涌现出什么？
我们已经有好几年没有真正“玩耍”了。互联网刚兴起时，我们很兴奋，CSS3 和 HTML5 的出现让我们玩得不亦乐乎。现在，我觉得我们又重新开始“玩耍”了，这让我非常激动。
“涌现”案例：合并数据集并生成报告
这是一个我“玩耍”的例子。我创建了一个 V0 演示，当时我们正在寻找一种具有“前瞻性 (forward-leaning)”特质的智能体 (agent)。我所说的“前瞻性”是指，这个智能体既有好奇心和热情，又非常务实、专注，喜欢把事情搞定，但又不会做得太过火——我们都见过 LLM 在执行任务时走得太远，那种感觉很不好。
在这个演示中，我上传了一个 JSON 文件和一个 CSV 文件。智能体发现这两个文件的数据看起来很相似，于是它主动决定将它们合并。它不需要我下达指令，自己就识别并完成了这个有益的操作。
完成合并后，它还写了一份报告，说明了它做了什么，并指出：“我发现了一些重复数据，你接下来可能需要处理这些。” 通过这个过程，它自己构建了上下文。其实我当时只是想试试 Claude 4，感受一下这种“材料”，却意外地发现了我们一直在追求的那种特质。
它还提出了一些建议，并按我的要求生成了一份幻灯片。仅仅通过上传两个文件，就涌现出了意想不到的结果。现在，我们正在将这个特性融入我们即将推出的新产品 Obvious 中。
“涌现”案例：建议人工介入
另一个例子是，我们曾想为智能体 (agents) 提供一个知识库，其中包含了我们与客户的所有通话录音和文字记录，以及客户提供的文档。当智能体分析完所有客户数据后，它会根据知识库的内容给出建议。
我原本期待它能提供更好、更多的建议，它也确实做到了。但出乎意料的是，智能体在面对一个它无法解决的问题时，判断出“我虽然修不好，但我知道怎么修”，于是它告诉用户该怎么做。它建议用户去联系人力资源部门 (HR)，让他们生成缺失的员工 ID。
在这里，“涌现”出的是我完全没想到的结果。也许你会觉得这很理所当然，但在当时，我没想到它竟能指导人类去完成它自己无法完成的工作。如果没有这种好奇和探索的心态，我想我永远也发现不了这一点。
着眼未来
最后，我想谈谈“着眼未来 (eyes on the future)”。我们都着眼于未来，因为在这个时代，你别无选择，模型和技术总在不断更新。
为数据转换打造的“自动完成”功能
我喜欢用一个比喻：“你骑在自行车上的鹈鹕是什么？” 意思是你那个看起来有点疯狂但又让你充满激情的想法是什么。我的一个“鹈鹕”就是“自动完成 (autocomplete)”功能。
我对此超级兴奋，虽然用 LLM 来做这件事可能不是个好主意。但我就是想做一个由 LLM 驱动的自动完成功能。比如，在一个演示中，它能为修复数据提供 100 种建议，让不同的方案进行一场“烘焙大赛 (bake-off)”。
至今，我还没找到一个既快又好地解决这个问题的模型。但这已经成为了我个人的一个基准测试，用来感受我们接触到的各种新“材料”。
我现在也会用这种方式来思考我的设计实践：我关心的是什么？我能否为未来而设计，开始构思我想要的形态因子 (form factors)，然后构建一个应用来实际测试它们？
这就是我今天分享的全部内容。我非常期待看到大家利用这些新工具，创造出更多全新的形态因子。谢谢大家。
