与常规的产品设计不同，生成式AI助手的设计要素需要特别处理。这篇文章为设计和评估AI助手提供了全面的视角，强调了用户体验的重要性，并提出了一系列实用的设计策略。

自2022年11月ChatGPT横空出世以来，世界好像被颠覆了。各类生成式AI迅猛发展，其中生成式AI助手以其独特的创造力和智能性，重新定义了许多产品的使用方式。

它通过先进的自然语言处理技术，不仅能理解用户的指令和问题，还能生成回答、撰写文本、甚至创作内容，拓展了人机交互的边界，带给人们极大的便利。

全球的技术巨头和创新型初创公司都纷纷投身于生成式AI这一必争之地，各大厂商都在积极探索如何将生成式AI助手融入到自己的产品和服务中。

本文将从UX设计的角度，拆解生成式AI助手的关键设计要素，思考AI助手产品的设计原则与体验评估思路，并给出具体业务案例的实践过程，希望能给身处AI浪潮中的你，一点帮助和启示。

一、关键设计要素

生成式AI助手（以下简称AI助手）的界面设计集中于打造一个直观、友好的交互体验。

目前主要通过文本和语音这两种最自然的交流方式与用户进行互动。它强调友好的提示和引导、清晰的输入输出机制，以消除用户使用的陌生感和不安感，同时扩展了多模态交互、个性化设置和辅助功能，适应不同用户的需求。另外，在界面上也注重展示AI生成内容的易读性和美观性，使用户在使用时感到轻松愉快。

下文将围绕AI助手最核心的输入输出页面中的关键设计要素进行拆解和分析，主要包括功能/指令/智能体的应用、输入输出过程以及语音通话等。

1. 功能

AI助手中的功能，指的是AI助手能够执行的具体任务或操作。例如，文本理解、语音识别、翻译、搜索信息等能力。

通过我们的调研，发现很多设计师会把功能的概念与指令和智能体混淆。指令是用户给AI助手的命令，用来激活或使用特定的功能，而智能体具有一定智能的软件程序，能够执行任务、解决问题或与用户进行交互。在AI助手中，智能体可能是负责特定任务的实体，如搜索智能体、推荐智能体等。

简单来说，功能是AI助手已经会的本事；指令是告诉AI助手你想要它做什么；智能体是AI助手里面的小帮手，各自负责不同的任务。

1）功能引导

AI助手有丰富的功能，受限于产品形态，在功能的引导上有3个区域的触点：

1. 欢迎卡片：做新手引导和推荐快捷指令展示。
2. 输入框上方：推荐快捷功能指令。
3. 输入框内部：通过引导文字推荐功能。

2）欢迎卡片

绝大多数的产品都会在欢迎卡片里提供快捷功能，点击后当作快捷指令会被填充至输入框（或直接向AI提问），通常会加上“可以试着问”、“可以这样问”、“我有以下技能”等等引导性语句，能清晰的引导用户使用。

大多数产品都以2*N（3居多）的形式展示，尽可能在有限的空间里放下最多的功能入口。存在较多功能，会提供「换一批」的能力，或提供指令中心的入口。快捷指令在UI设计上，入口icon较多使用emoji，原因是快捷功能数量多，且很难用图形展示，因此需要设计成本低且能灵活配置的解决方案。当然如果推荐功能较少，也可以像钉钉文档一样，使用个性化的icon处理。

根据不同产品的定位，也可以不展示快捷入口，如Kimi能分析网址和文件，直接用文字轻量化地引导用户添加内容，但是没有明确可点击的入口，引导性较弱。

3）输入框上方

点击后快捷指令填充至输入框，因此放在输入框上方能让用户感知到二者的联系，并支持横向滑动展示更多入口，但承载能力有限，且不方便用户感知全部的功能。

4）输入框内部

采用文字提示的方式，告知用户可以使用的快捷键触发相应的功能，但文字提示效果没btn明显，导致容易被忽视。

5）功能中心

随着AI助手的迭代，功能会越来越多。此时就需要功能中心来聚合全部的功能，并将它们清晰的展示给用户，有三种展示方式。

1. 大模态弹窗：腾讯使用大模态弹窗。让用户在不跳脱出当前层级关系的情况下，也能有清晰的展示空间和筛选能力，方便用户完成功能选择。
2. 独立页面：钉钉使用独立页面，展示面积大，功能过多时可以使用，支持使用清晰的Tab分类和快捷帧等功能，对功能进行细致的分类。且支持对功能做较详细的图文介绍，方便用户理解功能并建立预期。
3. 浮层：如云一朵，点击功能中心后会调起浮层，支持做简单的Tab切换来分类功能，层级关系简单更加轻量化，支持承载数量较少的功能。

以上三种展示方式并无绝对好坏之分，需要设计师根据自身产品的情况来选择合适的方式。

6）快捷指令

指令是用户给出的命令或请求，AI助手根据指令来执行相应的功能。例如，用户可能会说“请翻译这段话”，这里的“翻译这段话”就是一个指令。

快捷指令能有效提高用户输入指令的效率和准确性，它提供了一种直观、简洁的方式来与AI工具进行交互，使用户能够更轻松地完成任务，并给用户提供了一种跟AI沟通的范例。

7）推荐功能

上文提到的推荐功能，往往都会以快捷指令的形式填充到输入框内，在功能推荐的卡片上甚至会外显快捷指令，让用户有心理预期。

8）猜你想问

通过分析用户的习惯和上下文，AI工具能够预测用户可能想要提出的问题或需求，并主动提供相关信息或建议。这种主动服务的方式减少了用户的搜索时间，从而提升了用户体验。同时通过提供主动、智能的服务，增强了用户对AI工具的依赖和信任。

在设计上猜你想问的触点有两处：首次进入和回答结束。

1. 首次进入：为用户提供一个友好的、有引导性的开始，帮助用户更快地适应和使用工具。反之，如果推送不准确或不符合用户的实际需求，可能会让用户感到困惑或不满。
2. 回答结束：AI能够根据用户的反馈和上下文进行进一步地推测，这通常能够提供更准确、更相关的建议或信息。这种推送能够让用户感到AI工具能够理解他们的需求并提供有价值的信息。

2. 智能体

在AI助手中，智能体是负责处理特定任务的模块，如语言理解智能体、推荐系统智能体等。

1）智能体中心

和功能中心一样，在智能体中心里聚合了全部的智能体，通过设计清晰的Tab分类和检索功能帮助用户查找自己想要的内容。

2）智能体使用

智能体的操作流程和AI助手本身的操作要保持一致，层级关系也需要兼融进AI助手内。比如豆包，将智能体的聊天记录放在在AI助手的聊天列表页内，并根据头像和名称帮助用户完成智能体的身份识别，结构清晰方便用户找到功能并使用。

而Kimi支持通过输入框快捷使用智能体的能力，选择完成后会外显在输入框上方，此时向智能体提问，原本AI助手的头像会变成智能体，给予用户正在使用的反馈。

3. 输入框

输入框承载了用户与AI沟通中“说”的需求，最重要的功能是输入。

1）输入方式

根据AI助手功能的不同，输入框的输入方式也不同，常见的输入方式如下：

• 文本输入：最基本的方式，提供一个易用的文本框，让用户可以方便地输入文题或指令。
• 语音输入：语音输入按钮允许用户通过语音指令与 AI 互动，需要注意语音识别的反馈。
• 多模态输入：结合文本、语音、图片、附件、槽位等多种输入方式，提升交互的灵活性。
• 快捷输入：根据上下文提供常用的快速回复按钮，方便用户一键选择常用选项或回复。或使用快捷键（如“@”或“/”）调出可用的指令或文件等。

2）功能要素

在输入框中，最低配就是仅有输入区，随着各AI助手功能的完善，也越来越少见了。而高配就各有特色了，有语音输入、语音通话、文件上传、快捷功能、发送、开启新对话这些固定入口，也有根据输入输出过程动态出现的停止生成按钮、槽位框、文案优化按钮等。

3）输入和发送btn

输入区是输入框最重要的组成部分，支持用户进行文本输入。

同时也是用户引导的最佳区域，起初用“请输入XXX”这些基础文案完成了大众的AI教育。随后随着大家的认知增强、功能的丰富以及其他引导区域的不断开辟，现在Web端的引导文案更加偏重更高级功能的引导，如快捷功能调起和换行等。

发送btn也是重要组成部分。可以帮用户区分“可用”和“不可用”状态（如多数AI助手设定为AI回答完毕前无法发送）。设计时可以通过颜色差异反馈给用户，如果是不可用状态，最好是通过反馈告知用户不可操作的原因。

受限于空间，移动端的发送btn通常默认隐藏、输入内容后才显示。

4）语音按钮

当前语音输入在移动端使用较多，受限于电脑的办公场景，语音录入在Web或桌面端较少。

百度云的云一朵也支持语音录入，并提供了两种语音输入方式：

1. 按住空格键录制、松手发送、esc取消发送。
2. 点击语音键录制、点击发送按钮发送、点击关闭按钮取消发送。

而移动端的语音按钮与IM语音输入大致一样，受限于篇幅不再赘述。

5）上传文件

AI助手的上传文件功能允许用户将本地文件上传到AI系统中，以便进行后续的处理、分析或存储。

在状态反馈方面，需要注意的是无论在Web端还是移动端都需要给用户提供清晰的反馈，包括：

• 进度反馈：提供实时的上传进度显示，让用户随时了解文件上传的进度。
• 状态反馈：显示上传成功或失败的信息，提供相应的操作引导。尤其是遇到错误时，要给用户提供清晰的提示信息，如文件格式不支持、文件大小超过限制等，并提供重新上传或取消上传的操作选项，以便用户根据提示进行相应的处理。当然，如果存在文件的上传限制，最好在操作前就给出提示反馈。

在布局方面，已上传的文件与输入框的位置关系需要灵活处理，既不可以影响文本输入，又需要考虑与输入框的邻近性与统一性；此外，还要考虑上传文件数量对于布局的影响。

6）槽位

在用户给的信息太少，不足以生成可用的答案时，通常需要用户补充一些结构化的信息。这些信息可以通过两种方式录入：答案气泡中或输入框。答案气泡的我们后文讨论，这里讨论下输入框。

在输入框中可以通过槽位来录入，槽位由一个或一组输入框组成，区别于字段化的表单，这些输入框之间往往由一句话或者自然语言来连接。

需要注意的是，槽位可能增加用户的操作复杂度，尤其是涉及到推荐指令修改时，将槽位误删等情况；可能占用过多空间导致页面局促，让本就不富裕的输入框雪上加霜，影响编辑体验。

考虑槽位适合哪些组件，交互过程不宜太复杂，建议只当「单选选择器」或「输入框」使用。

考虑容错性问题，如误删后挽回办法。

区分槽位与字段的关系，如增强差异化，提升用户的认知。

7）文本优化

文本优化功能是为了提升用户的输入效率、让AI更加准确地理解用户意图。

通常在用户输入文本内容后激活，点击可以对已输入的文本进行优化，比如纠正错别字、简化表达、补全提问的维度（比如背景、范围、要求、指令等）。

这其实是AI对于用户问题的一次“预理解”，生成的优化文本可供用户进行确认、修改，以此生成更准确的回答，提升对话效率和使用体验。

这里需要注意的是功能入口的可见性以及各状态和对应操作的设计，将会在后面业务案例部分与大家探讨。

8）清除/新对话按钮

当用户想开启新话题、避免历史信息干扰时，当对话信息过长影响性能时，或仅仅当用户希望界面更清爽时，都可以选择清除对话或开启新对话。

按钮应放置在用户容易找到且不会干扰到主要交互流程的地方。在Web AI助手中，这些按钮可以放在界面的底部或侧边栏中。需要注意的是，清除/新对话按钮通常与对话管理功能关联出现，用户可追溯之前的历史对话。

4. 回答消息体

在接收到用户的问题或指令后，AI会生成回答。回答可能是信息、指导、建议、拒绝、互动等，这需要丰富的消息体类型来支持。总体来说，回答消息体包括纯文本、链接、图片、视频、按钮/选项、输入框、编辑器等类型。

1）文本消息

包含纯文本和富文本两种。其中纯文本以直接的文字回复，简洁明了，适用于简单的问答。而富文本则包含链接、加粗、颜色等格式的文本，适合提供更详细的信息或引导用户进一步操作。

2）多媒体消息

图片、视频、音频、代码编辑器等，可以丰富用户体验，适合展示产品、提供多媒体内容等。

3）卡片式消息

包含标题、图片、按钮等元素的卡片，适合展示结构化信息，如新闻、商品、天气等。

4）交互式表单

类似于槽位，交互式表单也是收集用户结构化信息的一种方式，可以字段化的表单形式出现在回答区域，来获取用户的更详细的信息。

除了一些需要引导用户逐步填写信息的复杂场景（如预约、注册等），交互式表单通常以更轻量的按钮/选项、输入框的形式出现，用户可以快速选择或输入。用户操作后信息状态发生变化。

相比于槽位，交互式表单的扩展性、可读性、状态显示与容错性会更好一些。

5. 对话气泡功能

在人与AI的对话中，内容通常以气泡的形式来显示，边界清晰，也便于添加功能。功能主要集中在对用户自己发送的指令和AI回答的内容做出反馈和操作。

1）展示方式

对话气泡的操作区域分为常驻和Hover两种：

1. 常驻：在Web端和移动端都有使用。Web端经常在全页面采用，因为有足够的空间展示，而且方便让用户及时操作；而移动端因为无法做出Hover效果，所以都采用常驻。
2. Hover：Web端中尺寸局促的浮窗或抽屉会使用Hover，但是Hover需要在设计时留出足够的预设空间，因此会造成气泡间的距离过大的问题。同时Hover的场景要考虑气泡间的排版问题，早期很多AI产品将浮层会出现的位置预留了空间，但是会造成未Hover时气泡的上下间距过大，浪费坪效。

现在很多产品都采用了从侧面出现的方式，解决间距问题，但是对气泡的长度有要求限制，不能满足空间较小的场景。个人认为最理想的解决方式是让反馈浮层卡在气泡边缘，尽可能的节约空间。

2）反馈操作

用户指令和AI回答有不同的反馈功能。

用户指令：包括复制、再次编辑和删除等能力，尤其是再次编辑，点击后可以将指令回显到输入框内，减少用户的操作成本。

AI回答：包括复制、重新生成、赞、踩、删除等常驻功能，不同产品间一定差异性，如文档类的支持将回答生成文档，从而促进转化。「重新生成」作为最高优的功能，往往放在最左侧，与其它操作相互区分。

3）中断操作

用户有想要终止对话的场景，此时需要「停止生成」按钮来结束对话气泡继续生成文字。

关于「停止生成」按钮的使用，不同设备的有一定差异：

• Web端：会在对话气泡下展示停止btn，但由于下滑位移btn会逐渐下移，不易操作，所以最保险的方式是输入框上方展示停止btn，并设定安全距离，保证视觉上的平滑。
• 移动端：屏幕的尺寸较小，会选择节省空间的方式，如将原本的发送Btn，变为停止btn。

6. 生成过程交互

AI助手工具的结果生成过程应注重用户的实时反馈、结果的清晰展示和优化建议的提供，同时确保生成过程的可中断性和停止后的资源清理等细节问题。这样可以提升用户的使用体验，提高AI助手工具的效率和可用性。

1）生成中

即时反馈：在生成过程中，AI助手工具应该提供即时的反馈，让用户了解当前的生成进度。例如：进度条、IP动画或文字提示。同时会反馈会拆分成两个阶段。首先是AI识别的过程，反馈AI正在识别用户问题，可以外显AI查询知识库的行为，如“参考了10篇文章”，提升答案的可信度。其次是结果反馈的过程，AI将生成的结果逐步反馈给用户。

可中断性：生成过程中应允许用户随时中断，满足用户发现不需要继续生成或想修改的诉求。

避免干扰：生成中的界面应避免过多的干扰元素，如输入框置灰不再支持输入新内容，让用户能够专注于生成过程和结果。

2）生成后

结果展示：生成完成后，AI助手应清晰、准确地展示生成结果。如文本类，考虑文字的可读性，如分段、关键文字加粗等要求，设计师要规划好文字场景下富文本的展示规范。或是图像类，考虑多图排版的策略，以及超出极限值的折叠或者分页展示策略。

操作反馈：对话气泡会展示操作区域，帮助用户对回复内容完成操作。

用户反馈：鼓励用户提供对生成结果的反馈，以便AI助手不断优化和改进生成效果。往往通过赞和踩的方式收集用户反馈，如果想收集更深入的内容，也可在操作后调起调查问卷。

优化建议：基于用户反馈和算法评估，AI助手可以给出优化建议，帮助用户改进输入条件或调整生成参数，以获得更好的生成效果，如上文提到的“猜你想问”或“你可以这么问”。

3）停止生成

保存进度：在停止生成时，AI助手应能够保存当前的生成进度和结果，以便用户后续继续生成或编辑。

提示信息：停止生成后，AI助手可以给出相应的提示信息，如“生成已停止”、“结果已保存”等，以便用户了解当前状态。

操作引导：停止生成后，应该反馈下一步的操作，如「重新生成」。

7. 语音通话

除了以文本为主的对话界面，很多AI助手都上线了语音通话功能，可以更便捷地满足一些化的场景。

1）通话流程

这个功能来源于手机语音通话，功能使用流程大同小异，可以拆解大概为：①启动-②连接-③人输出-④AI识别-⑤AI输出-⑥结束。

语音通话功能一般独立于对话界面，通常以电话icon的形式作为入口，点击启动语音通话。

连接是功能初始化的过程，AI识别则用于信息处理和回答生成，识别速度越快越接近真人语音通话体验。

一个完整通话通常是③④⑤往复循环，至于接听后是人先说还是AI先说，因产品而异。

2）关键要素

相比真人语音通话，对话对象真人变成了AI助手，带来两个明显的特征：

1. AI不会抢话。所以在人输出的时候，需要告诉AI“我说完了”。这个“我说完了”可以是AI自动识别的（通常根据用户停顿时间识别），也可以是用户手动操作的（通常是点按发送）。
2. 人也无法抢话。也就是说人无法在AI输出的时候同时说话。目前不确定是技术限制还是产品设定，总之即使要和AI吵架也要等对方说完再说，文明了许多（笑）。当然，各产品还是设计了“打断”功能，可以立即让AI闭嘴，换用户自己说。

无论是“我说完了”还是“打断”（尤其是“打断”），都造成了与真人通话显著的体验差异，使本可以解放双手的功能变得有些鸡肋。期待各AI厂商早日优化。

同样基于上述两点，界面状态与提示就变得更为重要，以下是一些示例：

• 状态提示：连接初始化时、信号不良时。
• 人说话前：引导用户说话，如果有IP则作出期待的动作，同时提示“请说，我在听呢”。
• 人说话时：主要是声波动效，如果有IP则作出倾听的动作，或者提示“我正在听”或“点按可发送”。
• 人说话停顿时：主要是声波消失，同时提示自动发送或点按发送。
• AI识别时：若识别时间长会带来体验的间断，需要给用户明确的反馈和提示，降低这种感觉，同时允许用户退出，提示可中断此过程。
• AI说话时：AI发出声音就是最直接的反馈，如有IP则作出说话的状态，同时给出用户提示“可点击打断”。

对于整个语音通话功能，还有必备的挂断键（点击结束通话）、暂停/继续键（通话中止/继续），以及通话结束后的对话文本详情。不同的产品还有些特色功能，如使用IP形象拟真（豆包）、实时字幕（文心一言）、角色选择（讯飞星火）等。

总体来说，各家产品设计都大同小异。在交互细节上有些差异，也还有提升空间。比如状态动效的表意性、状态动效与提示的对应性、语义的简洁与易理解性等。

二、设计原则

基于AI助手的特点和概念设计要素，可归纳出生成式AI助手产品的八条设计原则，对于其他AI助手产品也同样适用。

1. 自然语言处理能力的可视化

原则：确保用户清楚地知道AI助手对他们的指令有所回应，并展示出理解能力。

实现：当用户输入后，AI助手立即给出回应，即使未生成答案，也会显示运行状态，例如显示“意图分析中…”、“正在联网查询…”等信息。

2. 上下文感知和连贯性

原则：AI助手需要保持对话的上下文，确保回复的连贯性和相关性。

实现：在对话框中，显示上下文历史或关键对话节点，让用户可以随时回顾并理解AI的连续回应。例如，显示过去几轮对话的摘要，或者提供“你刚才提到…”的提示。

3. 多模态交互

原则：支持多种输入输出形式，满足不同用户需求和使用场景。

实现：在同一个对话框中，允许用户切换或组合使用语音、文本、图片等多种输入方式，AI助手也能以文字、语音、图片、视频、地图等形式回复。例如，在文本对话中插入地图卡片或视频播放窗口。

4. 即时反馈与确认

原则：在AI助手执行操作或提供信息前后，及时给予用户反馈和确认。

实现：用户发出语音指令时，显示即时的文本转换和理解反馈。例如，输入框中实时显示语音转文字的内容，并在理解后用不同颜色或下划线标注关键词。

5. 个性化与定制化

原则：根据用户历史行为和偏好，提供个性化的建议和回复。

实现：在对话中显示个性化选项或快捷回复，基于用户的历史使用情况和偏好进行调整。例如，“根据你过去的选择，我推荐你这次也选择这个选项”。

6. 透明性与可解释性

原则：让用户了解AI助手的工作原理，增加信任度。

实现：提供解释功能，当AI助手给出复杂的建议或决策时，用户可以点击查看详细的解释或背后的逻辑。例如，在提供健康建议时，AI助手可以解释数据来源和分析方法。

7. 误差处理与纠错机制

原则：有效处理误解或错误，并允许用户轻松纠正。

实现：在对话中嵌入纠错按钮或指令，让用户可以快速更正AI的误解。例如，当AI助手误解用户的指令时，提供“重新生成”按钮，让AI助手重新理解，或提供问题文本复制按钮，让用户修改问题。

8. 情感理解与反馈

原则：通过情感识别技术，使AI助手更具人性化和情感关怀。

实现：在对话中，AI助手可以识别并响应用户的情感，例如在用户表达沮丧时提供安慰或鼓励。界面上可以显示情感标识或提示，帮助用户感知AI的理解。