作者：vivo 互联网项目团队- Ding Junjie
目录
01. Chat 模式为什么让人感觉舒服？
02. 从AI的工作原理看Chat模式
03. 意图信息密度匹配的概念
04. 其他成功的交互模式也有类似特征
05. 为什么一键生成常常让人失望？
06. 成功的AI产品/功能在拉齐人和ai的共同认知
07. 什么场景适合"一键生成"？
08. 一些思考
09. 未来的方向
10. 回到最初的问题
本文从作者使用AI的实践经验出发，探讨了Chat模式作为AI交互范式的特点和优势。作者提出了"意图信息密度匹配"的核心概念，认为好的AI交互设计本质上都在解决人机意图信息密度匹配问题。通过分析Cursor Tab补全、Granola会议笔记等成功案例，以及对比一键生成模式的局限性，文章总结了不同AI交互模式的适用场景和设计原则。作者认为Chat模式虽然不是唯一的最佳交互范式，但它体现了高密度意图交互的重要原则，关键是要根据用户意图的复杂程度设计合适密度的交互方式。
1分钟看图掌握核心观点👇
左右滑动查看
图1 VS 图2，您更倾向于哪张图来辅助理解全文呢？
欢迎在评论区留言，我们将在评论区精选1位精彩留言作者送上礼品1份。
我从 GPT-3.5 发布第一个月就开始用 AI，也尝试写过各种demo项目，参与过早期的NextChat开源项目，现在每天都离不开各类AI工具。最近在想一个问题：Chat模式是和AI最好的交互范式吗？
图片来源于 TOP 50 GEN AI WEB PRODUCTS
01
Chat 模式为什么让人感觉舒服？
用ChatGPT的时候，我经常有种感觉：就像在和一个很聪明的朋友聊天。我说一句，它回一句，我们慢慢把问题聊清楚。
这种感觉和用其他AI功能很不一样。比如一些"一键生成"的功能，我点一下，它哗啦啦输出一大堆，我看着就头大。
想了想，发现Chat模式有个特点：你一句，我一句，每次交换的信息都是小块的。
02
从AI的工作原理看Chat模式
大模型本质上是预测下一个token。它需要基于前面的内容来预测后面的内容。
这让我想到一个角度：Chat模式中，每次用户的一句话，其实都是对AI预测下一段token的调整。
或者用更技术的语言说：每次人的输入都在减少AI理解用户意图的熵。
Chat交互模式：
用户: "我想写个用户管理功能"AI: "好的，你需要哪些具体功能？增删改查？还是..."用户: "主要是查询和编辑，要支持分页"AI: "明白了，你用的是什么技术栈？数据库是..."用户: "React + Node.js，MongoDB"AI: "好的，我来帮你写一个基于这个技术栈的用户管理..."
每一轮对话，AI对用户意图的理解都更精确一些。
03
意图信息密度匹配的概念
从这个观察中，我想到一个概念：意图信息密度匹配。
用户的意图信息密度：
┌─────────────────────┐
│ 具体目标 + 使用场景 │
│ + 个人偏好 + 约束条件 │
└─────────────────────┘
AI理解的意图信息密度：
┌─────────────────────┐
│ 从对话中提取的 │
│ 用户真实意图程度 │
└─────────────────────┘
当两者匹配度高时，AI输出就符合期望；当差距过大时，AI输出就会偏离预期。
无论是AI理解不了人，还是人不再能够理解AI输出的内容，都不是一个好的体验。
Chat模式的本质就是：它能和AI进行高密度的意图交互。
04
其他成功的交互模式也有类似特征
想到这里，我开始观察其他好用的AI功能，发现它们虽然不是Chat模式，但本质上也在做类似的事情。
Cursor Tab补全：另一种"你一句我一句"
我: function calculatePrice(AI: items: Product[], discount: number): number {我: ↵ (采纳) const basePrice =AI: items.reduce((sum, item) => sum + item.price, 0);我: ↵ (采纳) return basePrice *AI: (1 - discount);
这也是人一下，AI一下的模式。我写前几个单词，AI预测后面的，我选择是否采纳。整个过程协同密度足够高，每一步都在对齐认知。
Granola会议笔记：并行理解，AI往人靠
会议进行中：
（1）我手动记录：
[重要决定] 下周发布新功能
[风险点] 数据库性能
[行动项] 张三负责测试
（2）AI同时记录：
完整的会议转录内容
（3）结合阶段：
AI基于我的重点标记来组织它记录的详细内容
这个设计很有意思：它没有采取"你一句我一句"，而是采取并行理解相同的内容，然后AI往人的理解上靠。
本质也是在减少熵增，拉齐认知，并且以人为主导。
图片来源于granola（www.granola.ai/）
05
为什么一键生成常常让人失望？
对比一下一键生成的模式：
一键生成模式：
用户: "帮我写个电商网站"AI: [生成大量代码和文档]用户: [需要花很多时间理解和修改，最后发现根本用不了！！！]
问题在于：
用户一次性描述很难传达完整意图
AI大量输出让用户认知负荷爆炸
缺乏中间的意图校准过程
06
成功的AI产品/功能都在不断拉齐人和ai的共同认知
观察一些真正好用的AI产品：
GitHub Copilot：在代码编写过程中实时预测，保持高频意图同步
Notion AI：基于已有文档内容进行续写，上下文丰富
Figma AI：在现有设计基础上调整，意图边界清晰
它们的共同点：都在用户提供丰富意图上下文的基础上进行AI增强，同时保持人和AI一致性理解。
07
什么场景适合"一键生成"？
当然，也有一些场景适合大颗粒度生成：
意图简单明确的场景
翻译：意图就是转换语言
格式转换：规则清晰，没有歧义
模板生成：标准化程度高
容错度高的场景
头脑风暴：随便生成想法，错了也无所谓
快速原型：只要能跑起来就行
这些场景的特点是：用户意图相对简单，或者对结果要求不高。
比如飞书的会议总结就是好的应用场景
图片来源于飞书app（feishu.cn）
08
一些思考
基于这些观察，我觉得设计AI功能时可以考虑：
评估意图复杂度
用户意图是否容易一次性描述清楚？
个性化需求有多强？
对结果的精确度要求如何？
选择合适的交互密度
复杂意图：高频交互，保持同步（像Chat、Tab补全、Granola这种后置拉齐ai和人协同的认知）
简单意图：可以支持一键生成
设计意图校准机制
如何让用户轻松提供上下文？
如何及时发现意图理解偏差？
如何保持以人为主导？
09
未来的方向
从技术发展看，可能的优化方向：
更长的上下文窗口：能处理更丰富的意图信息
更好的意图推断：从少量输入中理解更多意图
多模态意图捕获：结合语音、手势、视觉等
个性化记忆：记住用户的习惯和偏好
但核心还是：人机意图信息密度匹配。
10
回到最初的问题
Chat模式是和AI最好的交互范式吗？
我觉得不是唯一的，但它确实体现了一个重要原则：高密度的意图交互。
好的AI交互设计，本质上都在解决人机意图信息密度匹配问题。Chat模式是一种很好的实现方式，但不是唯一的方式。
关键是要理解你的用户意图有多复杂，然后设计合适密度的交互方式。
这是我作为重度AI用户的一些观察和思考。
你在用AI时有什么感受？有没有发现其他有趣的交互模式？欢迎交流~！
本文仅分享作者基于个人技术实践的思考和主观观点，不构成决策依据。
END
猜你喜欢
