最近不少设计师朋友打开Gmail的时候，是不是总觉得哪里怪怪的？甚至有不少人吐槽，翻了半天都找不到自己天天用的谷歌应用了。
这是因为谷歌刚刚对Gmail、文档、云端硬盘等10多款核心Workspace应用的图标，进行了一次全面的大改版。
作为产品“脸面”的图标集体换新，自然引来了用户和行业的两极评价。有人觉得新图标颜值更高，不同应用之间终于能一眼分清了；但也有批评声认为，这次改版丢掉了谷歌品牌独有的凝聚力和辨识度，更像是为了变而变，没有清晰的战略方向。
我觉得这次改版，其实是谷歌对“品牌一致性”和“可用性”长期矛盾的一次深刻反思，同时也藏着AI时代谷歌全新的品牌战略。
一起来看看新图标到底长什么样？谷歌这次的设计又藏着哪些小心思～
01 渐变色全面登场
四色原则曾是谷歌自2015年Material Design以来的强制规范，要求所有官方应用图标都需要包含品牌标志性的蓝 (#4285F4)、红 (#EA4335)、黄 (#FBBC05)、绿 (#34A853)，以强化统一品牌识别。
这次改版最直观的变化，就是谷歌坚持了多年的标志性“四色原则”被彻底抛弃，每一款应用都拥有了自己专属的主色调。这也是绝大多数用户认为可用性得到显著提升的核心原因。
之前的Workspace图标全都用同一套四色调色板，导致大家根本分不清谁是谁。而现在，Gmail有了专属的红色，谷歌日历回归经典蓝色，谷歌Meet则用上了明亮的黄色，每款产品终于找回了自己的个性。
在造型上，图标外围包裹的白色“背景容器”也全部被移除了。原来的白色背景容器限制了核心符号的尺寸，让所有图标都长得千篇一律。去掉容器之后，每个图标都得到了舒展，形成了更清晰的轮廓，不再是同一个框里的小元素，而是一个个独立可识别的视觉符号。
这次改版另一个贯穿始终的设计语言，就是渐变色的全面应用。所有新图标都采用了各自独特的渐变配色，这是谷歌为AI时代量身打造的视觉战略。例如下图就是重新设计的谷歌Gmail渐变图标效果。
也许谷歌正是通过这种分层渐变的视觉效果，向外界传递一个强烈的品牌信号：谷歌已经正式进入Gemini时代！
02 解决图标辨识度问题
那么谷歌为什么要在这个时间点，进行如此大规模的图标改版？核心原因是旧设计的可用性已经走到了瓶颈期——简单来说，就是用户根本分不清哪个图标对应哪个应用服务。
这次改版的核心背景，正是谷歌过去为了强行统一图标设计，导致不同应用之间难以区分。过去谷歌为了追求品牌美学，不惜牺牲可读性的做法一直饱受诟病，这次的更新可以说是一次迟来的、但绝对必要的可用性升级。
谷歌也在官方公告中明确表示：希望在保持整个产品家族一致性和凝聚力的同时，确保每一款独立应用在屏幕上都能保持现代感，并且被用户清晰、快速地识别。
这也说明提升视觉辨识度是这次改版的重点。
03 品牌一致性让位于可用性
谷歌这次的图标改版，也许给整个设计行业都上了一课：任何时候，可用性都应该优先于品牌一致性。
谷歌过去几年过于执着于“一致性”，结果反而导致用户无法区分不同的应用服务。“让产品看起来像一个系列”和“让所有产品长得一模一样”是完全两回事，在设计过程中我们也要避免这个认知误区。
这次改版也让我们重新思考了图标的本质和核心价值。图标本质上是导航工具，它的任务是让用户在大脑过载、同时开着20个标签页的情况下，也能下意识地立刻找到它。
所以哪怕新版图标在视觉和谐度差了一点，但只要它能解决问题，那它就是一个优秀的设计！
转载：微信公众号Clip设计夹
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
今天的主题是关于 AI 扫盲的，因为近期相关问题实在太多了，很多同学对它的理解非常的有限，导致走向不是过于吹捧就是完全抵制的两极分化。为了防止我们成为盲目（且天真）的二极管，就有必要具体认识 AI 的应用逻辑，以及在行业中的相关使用场景。
兰亭妙微UI设计公司：分享是入门扫盲，目标是以清晰简洁的方式来概述 AI 的行业应用框架，会使用尽量简单易懂的方式解释相关概念，不会涉及太多深奥的术语和理论。
所以不用担心看不懂，一起开始下面的阅读吧。
谈论 AI 就绕不开大模型，它是 AI 技术应用的核心。
简单解释 AI 大模型，就是一个通过特定方法和大量数据训练出来的 “自主化程序”，这个程序可以根据用户输入的指令自己做出 “判断和思考” 后再进行回复。
传统程序虽然也可以执行用户的指令，但回复的内容和方式不会超出一开始预设的范围，非常有限。
而 AI 大模型则大大拓展了这个边界，我们不用提前预设各种条件和逻辑，它就会自己去理解问题再决定给出什么结果。
当然，这个边界只是放大了但不是无限的。任何大模型都不是全知全能的，都有自己的局限性。所以针对不同的应用领域，就开发了不同的模型类型。
最基础的模型分类包含两种，一种是大语言模型 LLM，能实现文字的对话或文案、代码、数据的整理和输出。另一种则是多模态大模型，能在处理文字的基础上还处理图片、音频、视频等特殊对象。
比如深度求索开发的 DeepSeek 模型就是大语言模型，只能处理文字但不能生成图片(截止到2026年初)。而 Google 开发的 Gemini 大模型则是多模态模型，可以生成图片和视频等内容。
不同模型会有不同的表现和优劣，但因为大模型的开发需要尖端的技术和庞大的规模（训练），门槛极高，所以市面上主流的大模型数量并不多，可以简单分为国内和国外两个阵营。
国外的主流大模型包括 OpenAi 开发的 ChatGPT，Google 开发的 Gemini，Anthropic 开发的 Claude，xAI 的 Grok 等。
国内的主流大模型则包括字节开发的豆包，阿里开发的千问 Qwen，深度求索开发的 Deepseek，月之暗面开发的 Kimi 等。
因为前面说过大模型的局限性，所以为了应对不同的应用场景，团队就会将它们裂变出不同的版本。比如千问既有 Max 语言大模型，还有 Omni 全模态（文字、图片、音频、视频）大模型，针对处理问题的难易度又分成了 Max、Plus、Flash、Lite 等版本。
完整的大模型体积和参数都非常庞大，需要部署到专属的算力中心，并通过云服务来实现用户的访问和使用。也就是需要联网使用，但因为国内网络服务的限制（不可抗力），我们无法通过国内电信访问国外的主流大模型。
虽然说国内大模型的水平在这几年突飞猛进，但离国外的大模型还有一定的差距，在实际工作场景中多数应用的也是国外大模型，所以访问它们就需要大家自己发挥主观能动性解决了。
顺便再解释一个基础的问题，大模型除了远程访问以外，也可以在本地进行安装。部分团队（如千问）会在网上开源自己的大模型供其它人下载和使用，当我们下载到本地后就可以用 GPU 来运行它。但因为大模型对性能的要求极高（旗舰显卡起步），所以本地运行的效果要大打折扣。
而一些企业内部或行业专属的大模型，往往都是使用这些开源大模型进行二次训练和调试后的结果。还有一些针对特定硬件（如手机、眼镜）和特殊应用场景开发的小模型，就暂时不在我们的讨论范围之内。
前面讲过大模型可以类比成一种 “程序”，且它还是后端服务器上运行的程序。想要对这个程序实现命令的输入并返回它处理的结果，就需要应用前端的工具来实现。
比如我们打开豆包的官网，就可以使用这个网页对豆包大模型提出问题和要求，然后网页上就会返回它处理后的结果。这个网页就是使用大模型的工具，而这只是 AI 工具的其中一种形式，还可以是本地应用程序、手机 APP、小程序、硬件定制系统等等。
我们大多数人开始接触 AI 大模型，都是从这些官方的工具开始，它们最基本的功能就是根据指令返回文字或图片信息，我们会把它们当成是一种可以对话的人工智能客服。
但实际上它们可以发挥的作用远不止于此，比如帮你整理本地的文件夹清理重复的文件，帮你自动修图并完成动态相片的剪辑，帮你编写程序并自己运行和检测等等。想要实现对话以外的其它功能，就需要借助特定的工具才能实现。
所以除了最基础的对话工具外，行业还衍生出了很多激发大模型潜力的 AI 工具。它们可以借助大模型完成程序开发、视频剪辑、操作托管、热点整理、消息推送等等。
到这里我们就要清楚，AI 大模型是大模型，工具是工具，大模型是基座，而工具是大模型的具体表现和应用形式。
我们更进一步认识 AI 工具，就可以把AI工具分成官方工具和第三方工具两个种类。
官方工具就是 OpenAI、Google 等大模型企业自己开发并绑定自家大模型的产品，而第三方工具则是其它团队开发，再接入到大模型进行使用的工具。
比如本地聊天机器人 Cherry Studio，它本身只是个简单的聊天对话工具，可以自己创建对话角色/助手，但需要接入大模型以后才能进行对话。还有著名的AI编程工具 Cusror，只有接入大模型以后，它才可以实现 AI 编程和代码管理。还有前阵子火遍全球的龙虾 Openclaw，也只是个本地工具，需要接入大模型后才能识别本地的文件和执行命令。
官方能提供的 AI 工具与服务往往很有限，所以在真实项目流程中，我们就会混合使用多种工具来完成工作。就像以前做一套项目除了用 Figma以外，还要结合使用 Adobe PS、AI、C4D、AE 等软件。
而第三方工具和官方不同的是，官方工具默认连接自家的大模型，用户直接登录就能使用。而第三方工具要接入大模型，就需要进行额外的配置，也就是添加大模型的 —— API。
API 就是接口，是前端工具连接后端服务器的通道，而这个通道默认是上锁的，还需要提供对应的密钥（API Key）才能正常访问。
部分工具会自己接入各大模型的 API，用户只能选择它提供的模型，并只需要对这个工具进行付费即可。
另一部分工具则需要用户自己选择模型和配置 API，需要我们访问大模型的 API 开放平台进行申请，然后再将它们生成的 API Key 填入到工具中完成连接。
API Key 就像是一个电话号码，当我们申请完并进行使用，就会产生一定的 “流量”，而 AI 产生的流量用专业术语形容叫词元 Token。
使用 API 完成的任意 AI 服务，都会消耗 Token，且因为 AI 的计算成本极高，所以主流大模型都会针对 Token 消耗量进行收费。就像电信运营商一样，既有包月服务附带一部分流量，超出部分还要按量计费。
在实际的 AI 工具使用过程中，Token 的消耗是极其巨大的，往往会造成沉重的成本，而这个市场也遵循一分钱一分货的真理，越好的大模型价格就越贵。以最适合编程的大模型 Claude Opus 为例， 一个程序员高频使用消耗的 Token 账单可以从数千到数万元不等。所以我们也会从性价比的角度出发，来搭配不同的模型进行使用。
总结我们应用 AI 的本质，就是通过工具来操作大模型。而工具的作用不同，大模型本身的特性和价格也不同，就导致我们在面对一个复杂的任务时，需要选择多种 AI 工具和不同大模型来实现。
学习使用 AI，和传统的单一软件教学不同，不是只学会某个工具的功能和操作方法，而是了解不同的 AI 工具以及大模型的特性，通过组合它们来实现自己目标的方式。这不是设计或产品思维，而是工程思维的具体应用。
时间关系只更新了上半部分，和 UI 有关的内容我会放到下篇再输出。同时我们现在有准备录制一套入门的课程，应该周末到下周就会上线，大家有什么疑问和工作中遇到的需求都可以在评论区或社群里发给我们。
转载：优设酸梅干超人
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
回溯本账号首个系列文章——《AI 时代，人机交互即将消失？》，我们重访了 HCI 的演进史，探究当机器开始思考时所引发的人机交互变革。在此基础上，提出了面向未来的新生交互形态——人与智能体交互（Human-Agent Interaction Design）。
HAI 旨在以人为中心的前提下，深度整合智能体和服务，交付直观、优雅、简单的设计方案。目标既定，便需探索具体的抵达路径。
技术不断革新，重塑着人机交互的表象，但回归人机交互的第一性原理，人心深处的底层需求其实从未改变，变的只是技术赋能下信息交互的路径与形态。
基于这种“变与不变”的辩证洞察，我们将探索后的路径归纳为一套全新的设计方法模型——HAI 交互设计法。其核心在于：通过 「深度理解」 锚定不变的本质需求，并借由「自然交流设计」顺应变化的技术演进，最终以最自然的形态重塑人与数字世界的连接方式。具体而言：
深度理解
深度理解是 HAI 设计的原点。以人为中心的场景化认知框架，解析人在不同场景中的行为，直抵不变的底层需求与场景心智。教会 AI 读懂人心，为自然交流设计指明了北极星目标。
自然交流设计
自然交流设计是 HAI 设计的核心方法。致力于顺应技术的变革，以实现更加自然的交互、更加智能的服务、更加情感化的体验、以及更加安全的设计。
体验验证
聚焦用户对设计方案的体验与感受。既是对设计方案合理性的验证，也是对深度理解的补充与修正。当前阶段主要基于现行的成熟方法（量化数据与定性洞察等）进行验证，模型内将不再展开探讨
本次我们将聚焦「深度理解」。
我们在车上跟 AI 小助手说出目的地，助手在计算大量数据后迅速列出三条路线，用不同颜色标注了时间和拥堵情况，还贴心地推荐了从算法上看最快到达的那一条。
但当我们下意识选择这条路开到一半后，发现不太对劲。
路窄得刚好只能通过一辆车，两旁是随时可能打开的车门和突然窜出的小孩。我们精神高度紧张，不停地抱怨，而助手不为所动。于我这个新手司机而言，AI 小助手推荐的这条最优的道路却成为了最远的路。
——来源：HAI Design《拨云见日：与智能体共建意图》
或许你还记得之前文章中的这个小故事，而它正是变与不变之间的一个矛盾缩影：技术向前，AI 似乎能算天算地，但却往往算不准人心。
那此次，我们延续这段小小旅程，深度探索其所属的场景——探索，这个大家日常鲜有提及的场景，去透视藏在行为背后的人心秘密，并正式开启「深度理解」的首文——《深度理解：探索》。
1911年，阿蒙森首次抵达南极点；1969年，阿姆斯特朗在月球踏下脚印；十多年前，“蛟龙号”在深海亮起光束。
提及“探索”，往往浮现出宏大的、甚至带有英雄主义色彩的画面。也正因如此，探索于我们而言显得如此遥远。
此次聚焦探索，你或许疑惑：“探索是我们日常生活场景的一环吗？”
婴孩时，你伸手抓碰悬挂的玩偶。少年时，放肆冲浪于互联网。如今的你在假期踏上旅行。也许你不自知，但其实这些行为皆为探索。
探索不仅是那些壮举，更是一种与生俱来的本能。它驱动着我们大量的日常行为，是构建完整生活必不可少的场景。
既如此，本次我们重新审视这个日常鲜有提及的场景，解构其定义，探寻底层的驱动因素，透视场景下人们不变的需求，并思考如何去建构 HAI 时代下的探索场景服务，以满足人们持续开展的或大或小的探索活动。
“探索：人类或其他动物在适应新环境时做出的动作。即使没有明显的奖励，探索行为也会发生。”
——来源：APA 美国心理学会词典
基于 APA 释义，探索是适应新环境所做出的主动行为，主要由内在本能而驱动。而基于探索行为领域的研究共识，其底层内在驱动力即为：好奇心。
好奇心并非单一维度的心理因素，根据心理学家丹尼尔·伯莱因（Daniel Berlyne）的分类，其主要可分为四种类型：
1. 感知型好奇心（Perceptual Curiousity）：这是一种由外界新奇刺激引起的直接反应（比如我们会被色彩强烈的画面所吸引），且这种刺激会随着持续接触而减弱；
2. 认知型好奇心（Epistemic Curiousity）：这是一种源于信息鸿沟的求知欲，是人们学习行为的核心驱动力；
3. 特定型好奇心（Specific Curiousity）：是指对特定信息的渴望，是对新奇刺激的详细调查；
4. 分散型好奇心（Diverse Curiousity）：是指对于知觉或认知刺激的普遍渴望。
基于上述分类，基本而言，探索行为是由物理和心理对象的“关联变量”引发的，例如新颖性、模糊性、复杂性以及这些对象在主体身上产生的客观不确定性。而人类满足好奇心的背后，一是为了消除不确定的焦虑与信息鸿沟，二则是受到刺激与愉悦所驱动。就此，也便引发了人们两类主要的探索行为：
1. 审视性探索（Inspective behavior）：该行为通常会包含收集、调查、分析与整合这样一个偏线形流程，有时最后还会包含效用评估的环节，最终以减少不确定性与获取新的特定的或广泛的认知。
通过 AI 入口搜寻资料，便是典型数字生活中的审视性探索
2. 多元性探索（Diversive behavior）：为了缓解无聊或提高兴奋度而寻求刺激/感觉的行为，因此该行为会更加分散与游离。
闲逛摄影扫街，便是典型的现实生活中的多元性探索
结合上述的心理与行为理论研究，可以给予“探索”一个更详尽的定义：探索行为主要是由好奇心所激发的，对环境或信息进行搜寻与交互的过程，以实现认知结构的适应性调整或边界的扩展。
与此同时，“好奇心害死猫”言犹在耳。好奇心所激发的探索行为天然面临大量的不确定性与未知性，甚至是真实的危险。那要如何构建起探索场景下的各类服务以更好地帮助用户开展探索行为呢？
面对探索的未知性，我们通过系统的介入将抽象的好奇心转化为确定性的、可执行的路径，在风险与能力之间建立平衡。
基于这种意图，我们构建了一个细分框架来承载探索活动。该框架包含：探索者、基础资源、工具。
我们将基础资源与工具这两大核心要素带入旅程这一典型的探索场景，去透视不变的人心。
Resfeber(瑞典语词汇)：
形容旅程开始前那种兴奋、期待和焦虑交织的复杂情绪。
关注出票状态、准备签证、银行卡、证照等，繁杂但又重要。渐渐地，焦虑与倦怠取代了最初的兴奋。这种对于资源确认的焦虑，正是阻碍探索的第一道门槛。
对此，数字产品已普遍采取集中式的资源中枢策略。以 Apple Wallet 为例，从 Passbook 演变至今，实现将卡券、证件、银行卡及旅行 ETA 等所有涉及许可与价值的资源尽数聚合。
Apple Wallet 对外传递的 Slogan
而这种底层逻辑，是帮助用户构建全局的资源视图。通过基础资源完备的确定性，满足用户对基础资源轻松掌控这一不变的需求。而这种确定性，正是迈出探索的底气。
环境混沌嘈杂。工具作为可信中介，将复杂信息抽象、简化，转化为能够轻松理解的信息，以消除未知，将不确定性转化为确定性。据此，我们可以更好地决策或采取行动。
如温度计，将我们对于气温的模糊体感凝练为了直观数字，辅助决策出行的各项事宜；地图，能理清自身定位与目的地之间路径等。
通过工具构建可信的连接
两位游客听信 AI 的旅行建议，满心期待地奔赴秘鲁安第斯山中「圣胡曼塔伊峡谷」，花了 160 美元车费，长途跋涉，来到了偏远山区地带，然后发现—-这个峡谷并不存在。
——来源：BBC 的一则报道
AI 旅行规划平台：圆周旅行
据早前统计 24% 的旅行者已在尝试借助智能工具规划探索，这使得探索场景下的信息与服务的获取门槛被大幅拉低。然而，如 BBC 所报，AI 的“胡说八道”却让本该为可信中介的工具成为了探索中最大的障碍。
技术推动着工具升级，但探索时所面对的外部环境始终复杂流动。而 AI 进一步加剧了信息爆炸与污染，让探索者面临着更高的风险。这引发了新的思考：探索场景下的工具应该如何建构，才能帮助探索者应对重重复杂性？
提供系统级实时精准服务，建立与外部环境的实时连接。如天气、地图、钱包等典型的探索场景工具，构建起聚焦的、持续更新的，以内容数据至上的窗口，让用户得以窥见并理解外部的动态数据流，指引当下的行动与后续的决策。HCI 时代，依托基础定位与网络能力，现行工具已初步实现了这种连接。而进入 HAI 时代，随着多模态感知能力的增强、世界模型的建立等，工具将更精准、更实时地感知并连接探索者当下的动态环境。这种演进回应了用户在探索场景下不变的需求——与环境建立可信连接。
Apple 部分探索场景工具
回看 Apple 之前的设计演变，即便 iOS 整体趋向扁平，天气、钱包与地图等工具却反其道而行，愈发趋近真实的物理世界。基于真实的动态数据，天气工具模拟雨滴、雷鸣和云层的流动等，直观地传递“探索旅程受阻”的信号。这种数据驱动的真实感无限地缩短用户与环境信息间的距离，同样也为了帮助用户与环境建立可信连接。
通过工具帮助专注探索
在探索活动中，用户时刻处于流动的、甚至高负荷的情境中（如行走、驾驶等）。无论是过地铁闸机时的“哔”声即过，还是锁屏上静候的航班信息，亦或是走错路时导航的即时重绘与提醒，探索工具将复杂的业务逻辑转化为近乎本能的自然动作，或是基于意图的主动服务。这便是由情境驱动的主动服务。
而当 AI 注入其中，工具将具备更敏锐的感官与意图捕捉能力。它能在系统层面根据情境更主动地服务用户与规避风险。只有工具不成为注意力的掠夺者，才能满足探索者专注探索本身这一不变的需求。
工具契合多样化探索模式
旅行之中，既有明确的打卡，也有无目的的闲逛探索。数字世界的探索亦然。这正是对应由好奇心驱动的两类天然行为模式——审视性探索与多元性探索。
构建工具服务的最后一环，便是思考如何承载这种多样性。浏览器、地图等服务的搜索框或 AI 超级入口，提供了精准搜寻路径，满足了前者；同时，基于内容间关联的自由跳转，则允许用户在信息间自由穿梭，满足了后者。本质上，这种以内容对象为中心的“内容驱动的信息架构”，正是对人们多样化探索这一不变的本能行为模式的回应。
我们既乐此不疲地在复杂世界中去探索普世的规律，同时，又人为地设定大量的边界或指导，让我们在框架内去开展探索。这背后便是最后一块隐形的特殊要素拼图——规则。
规则作为正式或非正式的指导与边界，塑造并约束着探索活动。它引导我们能更有效地构建意义或目标，并帮助我们规避风险——无论物理世界探索伴随的有形风险，还是数字世界的信息性或心理性风险。
《南极条约》划定的禁令，或“16 岁及以下无法访问社交媒体”的数字限制等规则，在探索开启前便直白地告知边界，限制或引导探索模式。
澳洲社交媒体 16 周岁限制
更多的规则往往被内化于工具之中，融入探索过程，自然地传递给用户。例如导航工具将限行政策（单双号禁行等）通过算法消化，自动生成可合规前行的探索路线。
基于车牌自动规避限行路段
而随着 AI 智能体作为工具逐步取代传统浏览器成为探索入口，规则的运作方式发生了微妙而深刻的逆转。
一次搜寻资料的典型对话
看似简单的探索行为，我们却不得不预先撰写详尽的指令，为 AI 制定需要遵守的规则。这个过程中，用户的身份逐渐从规则的遵守者，转变为了制定者。这使得原本应专注于探索本身的精力，被悄然转移到对工具交互过程的“管理”之上。
针对这一现状，未来的 HAI 设计还应致力于让工具真正理解并内化用户所制定的规则，精准响应其背后真实的探索意图与目标。让规则再次隐形，让用户能够回归到更纯粹、更专注的探索本身。
至此，我们便集齐了所有核心要素拼图，并解构透视了探索场景下的人们行为背后的本质需求——对资源的轻松掌控、与环境的可信连接、专注多样化探索本身。
最后，让我们回到原点的命题：在探索场景下，我们构建的服务究竟要为用户交付何种核心心智？
聚合的资源中枢、可信的工具与主动的服务、规则的自然传递乃至规则制定角色的再转变等，这一切策略最终的汇聚点，就是：从容。
这便是探索场景下，我们试图建立的核心心智。帮助探索者在面对未知多一分从容，能更加从容地与这个世界对话、互动。
个体的轨迹难以预判，我们也无法精准捕捉流动世界的每一个走向，但我们可以锚定那些深植人性、不会轻易变迁的底层需求。「深度理解」仅是 HAI 交互设计法的起点，它探究了「变与不变」中的那个”不变”。技术向前，人机交互的形态也正在经历改变。当 AI 赋予了机器更为强大的能力，我们应该如何顺应这种变化，并将这份「深度理解」转化为更契合用户本质需求的交互体验？
转载：人人都是产品经理
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
转载：人人都是产品经理
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
当AI战争在手机屏幕上如火如荼，一个更隐秘的战场正在方向盘后悄然成型。本文揭示了通勤场景中被忽视的认知红利——每天流失的碎片化思考如何通过一个简单的物理按钮转化为结构化资产，并深入解析字节跳动为何是最适合打造'车载语音工作台'的玩家。从交互范式革命到商业价值重构，这是一场关于AI如何真正融入物理世界的深度思考。
五一后的那个周末，我花了整整两天在研究一件事：怎么把豆包搞到 CarPlay 上。
起因很简单。我的 iPhone 刚升级到 iOS 26.5，这个版本对 CarPlay 的开放度明显提高了——ChatGPT 已经可以像一个原生 App 一样常驻在 CarPlay 界面上，方向盘语音键直接唤起，对话直接在中控屏上滚动。体验很流畅。
我的第一反应是：豆包行不行？
于是开始了各种折腾。查设置、找插件、搜教程。两天下来，结论很明确：不行。豆包在 CarPlay 上暂时无法完美适配，短时间内也不知道具体的适配规划。
但正是在这次折腾的过程中，我脑子里冒出来的，不是一个”功能缺失”的遗憾，而是一个更大的问题：就算豆包上了 CarPlay，又能怎样？
你想想看。开车的时候，我需要的真的是在屏幕上跟 AI 聊天吗？我需要在方向盘切歌和导航之间，再多一个”点击屏幕上的对话框”的动作吗？
当然不是。
我在车上真正需要的东西，比这原始得多：我希望有一个”容器”，能在我开车的 30 分钟里，把我脑子里正在流淌的那些东西——对昨天评审会的复盘、一个突然想通的产品逻辑、待会到公司要跟研发说的三件事——安全地、无摩擦地接住。
不需要屏幕，不需要打字，不需要任何视觉确认。
按一下，开始说。再按一下，结束。到停车场，一份整理好的文档已经在手机里了。
当前的 AI 战争，几乎都打在屏幕上。
字节的豆包、阿里的通义、腾讯的元宝、月之暗面的 Kimi——这些超级应用和 AI 助手，正在手机桌面和电脑任务栏里贴身肉搏。所有人都在追问同一个问题：用户什么时候打开我？每天开几次？
这是典型的 App 思维。它的假设是：交互必须发生在屏幕上，价值必须通过一个”超级入口”来捕获。
但我想提出一个反直觉的判断：最有价值的 AI 交互，多数可能恰恰发生在你根本看不到屏幕的时候。
证据就在你每天的方向盘后面。
汽车，尤其是私家车，是全世界最昂贵的”注意力占用空间”。对于知识工作者——产品经理、销售、创业者、咨询顾问——通勤的 30 到 60 分钟，是大脑高度活跃但眼睛和手被强制离线的”真空时间”——你在这段时间里复盘昨天的会议，推演接下来的提案，或者突然想通了某个产品逻辑。
但问题随之而来：这些高质量的思想，此刻正以最原始的形态在你的大脑里流淌，却没有一个”容器”可以接住它。你无法打字，不敢看屏幕，传统车机语音助手只会回答”今天天气怎么样”或者”导航去公司”。
于是，一个隐秘的认知红利被所有人忽视：通勤路上的碎片化思考，其实是知识工作者尚未被编码的”脑力资产”。它是一种每天流失、从未被结构化的信息原油。
谁能捕获它，谁就凭空创造了一块新的信息增量。 更重要的是，这背后藏着一个交互范式的转移机遇——这个机遇，至今未被任何一个大厂真正抓住。
这个机遇，可能长成一个”按钮”。
别急着觉得它简陋。在车载场景里，按钮恰恰是最被低估的交互形态。
过去十年，车机行业一直在做加法：屏幕越来越大，语音唤醒词越来越花哨，菜单层级越来越深。但一个核心问题始终没解决：驾驶时最可靠的交互，不是语音唤醒词，也不是复杂触屏，而是一个可以盲操作、有触觉反馈、动作路径极短、不需要视觉确认的实体按键。
我们用一个真实场景来推演。
你刚见完客户，坐上驾驶位，发动引擎。趁记忆还滚烫，你按了一下方向盘旁边的实体 AI 按钮，说：“豆包，记录一下刚才拜访 XX 客户的情况。客户主要关心三个问题：价格、交付周期和售后。他们现在用竞品 A，但对稳定性不满意……”
AI 只做了极轻的回应：“收到。到公司后帮你整理成纪要。”
到停车场，你熄火下车。手机推送来了：一份结构完整的客户拜访纪要，包含客户背景、核心异议、商机阶段、下一步跟进话术，甚至一封写好的回访邮件草稿。
整个过程中，你没看过一眼屏幕，没打过一个字。
这就是”按钮”交互模型的魅力。它不是把 AI 助手搬进车机，而是创造了一个全新的交互范式：按下即工作，松开即结束；思考在驾驶中完成，结果在停车后交付。
这背后是一套完全不同于传统语音助手的交互逻辑。传统车载语音是”命令-响应”式的：你说“打开空调”，它执行一个动作。而这个 AI 按钮是“会话-沉淀”式的：你陷入一段思考，它持续收音、理解、追问、整理，最后生成一份可交付的结构化资产。
换句话说，它不是帮你“控车”的工具，而是一个车内的语音工作台。
有人可能会问：为什么这个按钮不能只是 App 里的一个“车载模式”？为什么必须是硬件？
这个问题问得很好。答案在于：驾驶场景里，信任和确定性比功能更重要。
现有的语音助手都有一个盲点——你永远不确定它“什么时候在听”。唤醒词也好，屏幕点击也好，都有摩擦和误判：你喊了没反应，或者没喊它却亮了。这种不确定性在办公场景尚可容忍，但在驾驶场景是致命的。它会消耗驾驶员的注意力，更会制造一种“被持续监听”的心理不适。
实体按钮解决的就是这个问题。
当你的手指触到那个按钮的瞬间，一种清晰的心理契约就建立了：“我现在开始工作了，我的想法正在被记录。”松开，契约终止。它不是在全天候收集你的数据，而是在响应你的工作意图。
这一点在隐私层面极为重要。车内对话可能包含客户信息、商业机密、个人隐私。一个明确的物理开关动作，比任何隐私条款都更能建立信任——你清楚地知道“我刚才说了什么被记录了”，而不是“它刚才是不是听到了什么”。
这也是为什么我认为：敢在交互上“做减法”的硬件，反而可能成为 AI 时代最重要的入口。
如果只是讲一个车载硬件的产品故事，那这篇文章到此就可以结束了。但真正让我兴奋的，不是这个产品本身存不存在，而是放眼望去，有一家公司几乎已经凑齐了做这件事的所有拼图。
这家公司叫字节跳动。
让我们做一个推演。如果你现在要启动“车载 AI 按钮”这个项目，你需要什么？
第一，你需要一个能解决复杂声学环境下定向收音的硬件能力。 车里不是安静的办公室——它有胎噪、风噪、空调声、音乐声、导航播报、乘客说话。你需要麦克风阵列、降噪算法、主驾声源区分能力。这些不是软件能解决的。
字节在 2026 年 4 月和影石 Insta360 做了一件事：TRAE SOLO 上线语音输入功能，同时推出了一个联名套装，搭配 Insta360 Mic Air 麦克风。官方宣传是“Voice Working 硬件”，主打办公场景，让用户通过语音输入快速让 AI 主导任务。
Insta360 有什么？消费级音频硬件设计能力、复杂环境降噪经验、小型化和低功耗能力、对户外和移动场景的深度理解。这些东西，正好是车载场景最需要的。
第二，你需要一个能把语音流变成结构化工作流的 AI Agent 能力。 用户口述的是一段乱糟糟的口语，输出的必须是一份会议纪要、一个 PRD 草稿、一条 CRM 跟进记录。这需要多轮对话理解、意图识别、模板匹配、长上下文管理。
TRAE 在做的事情——AI Coding、Vibe Coding、从自然语言到结构化输出的 Agent 工作流——恰好就是这块能力。它的底层逻辑就是让用户说”我想要什么”，AI 负责拆解、推理、生成可用的交付物。这件事从代码领域外溢到通用办公领域，几乎是一条直线。
第三，你需要一个 C 端用户愿意张嘴说话的 AI 品牌。 产品经理和销售不需要知道 TRAE是什么，但他们大概率听说过豆包。豆包目前的品牌心智是“能聊天、能问答的 AI 助手”，从聊天到“帮我整理会议纪要”，再到“开车时我说你记”，迁移路径非常顺滑。
第四，你需要 B 端的云基础设施和行业解决方案。 ASR、TTS、RTC、大模型 API、数据安全、企业知识库、飞书/CRM/邮箱的接口打通——这些是火山引擎的阵地。
把这几块拼在一起：Insta360 做物理收音入口，TRAE 沉淀 Agent 工作流能力，豆包做 C 端交互品牌，火山引擎做 B 端技术底座和车企渠道。
一套完整的”移动语音 Agent 工作流”闭环，每一块都有现成的积木。
这不是我幻想出来的路径，而是从他们已有动作中自然浮现的战略延伸。如果字节内部有人能看到这几块资源之间的引力，这个产品不需要从零开始——它只需要把已经散落在各处的拼图对起来。
那么，第一枪应该从哪里打响？
我给出的判断可能和很多人不一样：不是“驾驶中和 AI 长聊”，而是”路上复盘”。
“开车时和 AI 深度辩论 30 分钟”听起来很酷，但它有两个致命伤：一是安全风险，长时间沉浸在复杂对话中必然分散驾驶注意力；二是用户习惯——大多数人在驾驶时并没有那么强的“讨论欲”，但复盘欲、记录欲，每个人都有。
销售刚见完客户，上车。产品经理刚开完评审会，上路。咨询顾问做完客户访谈，返程。此刻他们的脑子里装满了滚烫的信息，这些信息如果不立刻记录下来，几小时内就会衰减、变形、甚至消失。
认知心理学有一个概念叫“短时记忆的脆弱窗口”——人脑的临时记忆在没有复述和编码的情况下，15 到 30 分钟内就会显著衰退。对于知识工作者来说，这意味着每次通勤的前 15 分钟，是一天中信息密度最高、也最容易被浪费的时间。
这个场景下，他们不需要 AI 和他们深度辩论，只需要一个不会丢东西的“容器”。
按一下按钮，花 3 分钟口述，AI 自动分类、整理、结构化，停车后一份文档生成完毕。
这才是真正的刚需。 它的价值不是“让驾驶更有趣”，而是把人类最短的短时记忆，无损转化为可检索、可复用、可协作的结构化资产。
这也是为什么我认为这个产品的第一批用户，不是“所有车主”，而是高频知识工作者：产品经理、销售、创业者、咨询顾问、律师、投资人、管理者。这群人在驾驶时有大量的“想法流”，但今天这些想法很大一部分流进了黑洞。
谁先堵上这个黑洞，谁就创造了一个新的信息增量。 而这个增量，正是飞书、CRM、知识库这些企业系统最渴望的“元数据”——未经过滤、未经组织、最接近真实认知的第一手输入。
当然，任何产品构想最终都要面对“落地”的问题。
我的判断是，五步走，而不是一步到位。
第一步：桌面语音工作流。 就是 TRAE + Insta360 现在在做的事。先验证用户愿不愿意对 AI 说正经事，专用麦克风体验是否显著优于手机收音，语音输入能否真正提升 AI Agent 的任务完成质量。
第二步：手机 App 移动办公。 豆包或相关 App 支持外接麦克风，实现长语音连续记录、一键总结、多种模板输出（产品方案、销售纪要、日报、会议复盘）。这一步不需要和车厂发生任何关系，只需要手机 + 蓝牙 + 麦克风。但这一步已经可以验证“移动语音工作流”的核心价值。
第三步：驾驶模式。 App 内推出一个极简的“通勤模式”——大按钮、少视觉元素、简明语音确认、不长篇播报、驾驶结束后推送摘要和文档。这一步依然不依赖车机，但开始真正切入车载场景。
第四步：独立车载硬件。 如果前三步验证通过，独立硬件就会出现：方向盘附近的实体按钮、主驾定向麦克风、车载供电、蓝牙连接手机、一键唤醒、停车同步。这才是最接近“车载 AI 按钮”的完整形态。
第五步：车厂前装合作。 车机原生的方向盘 AI 键、座舱麦克风阵列、车机账号打通、企业系统同步。这是终局，也是壁垒。
我认为，这件事不会一步到位，但它大概率会发生。因为它满足了一个新技术范式落地的所有必要条件：有明确的高频场景、有清晰的用户价值、有现成的技术拼图、有合理的落地路径。
最后，回到标题。
“杀死 App”当然是一个夸张的修辞。App 不会被杀死，就像网站没有被 App 杀死一样。但交互的重心，正在从“屏幕里的那个方框”向“物理世界的各种锚点”转移。
当我们看到一个产品经理在车里按下按钮、口述了一个 PRD 草稿，到公司打开飞书文档直接编辑；当我们看到一个销售在返程路上复盘完客户拜访，CRM 里已经多了一条跟进记录——在这些时刻，“打开 App”这个动作本身被消灭了。
交互的起点，从屏幕上的一个图标，变成了物理空间中的一个按钮、一句话、一次触碰。
而能定义这个按钮的人，定义的不只是一个硬件，而是下一代 AI 交互的接入范式。
现在回到那个假期后的周末，当我折腾了两天 CarPlay，终于意识到豆包上不上 CarPlay 根本不重要的时候，我脑子里想的其实是另一件事：
最重要的战场，可能根本不在那个屏幕上。
它在每一个手脚被占用、大脑却高速运转的时刻。在驾驶座，在厨房，在跑步机，在流水线。在每一个你“想和大模型互动但却腾不出手”的瞬间。
谁先在这一刻按下一个按钮，谁就拿下了通向物理世界 AI 交互的入场券。
而在我看来，最接近这张入场券的玩家，车牌号已经能看清楚了。
转载：人人都是产品经理
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
短信验证码看似简单的6位数字，实则暗藏复杂业务链路与风控挑战。从游戏行业的账号体系保护，到黑灰产攻防的成本平衡，短信防控需要在体验、安全与通道稳定性间寻找微妙的平衡点。本文将深度拆解短信风控的三层防御体系，揭秘那些隐藏在发送按钮背后的业务逻辑与产品设计哲学。
最近 vibe coding 很火，一句话可能就能生成一个登录框。输入手机号、点击获取验证码、填验证码、完成注册，看起来非常顺滑。但真正做过账号体系的人都知道，登录框只是冰山露出来的一角。它下面藏着短信通道、验证码校验、账号注册、设备识别、渠道投诉、供应商评级、黑名单联动等一整套业务链路。
游戏行业尤其明显。游戏是典型的大 ToC 业务，用户规模大、账号价值高、充值场景多、权益体系复杂，只要一个手机号能注册账号，背后就可能对应礼包、首充、拉新返利、渠道结算、虚拟资产交易等利益。利益足够大，黑灰产自然会围上来。
短信验证码本身又是一个很特殊的入口。正常用户收不到验证码，会影响注册转化；异常请求大量消耗短信，会带来直接费用；更严重的是，如果某个短信签名短时间内投诉过多，运营商和通道商可能会对签名降频、拦截，甚至封禁。到这个时候，受影响的就不是几个异常手机号，而是整条正常业务链路。
我之前做过一段时间短信产品经理，对短信下发机制有一些了解。最近在账号风控治理中又重新接触短信相关防控，发现短信这件事看似基础，但真正要做好并不简单。它不是单纯“加一个验证码”或者“限制一分钟一次”就能解决的问题，而是要在成本、体验、识别能力和处置策略之间不断平衡。
这篇文章不讲短信供应商商务选型，也不讲具体攻击脚本。这里我只从产品和风控落地视角，聊一聊比较通用的短信防控实践。
很多团队做短信防控，第一反应是卡“发送验证码”这个动作。这个方向没错，但不够。一条验证码短信从用户点击按钮开始，至少会经过五个关键环节：用户请求、基础频控、风险决策、短信网关、验证码提交。短信发送成功也不是终点，后面还要看验证码是否被提交、是否注册成功、是否触发投诉。
如果只看发送动作，就会漏掉很多重要信号。比如某批请求发送频率并不高，但验证码提交几乎都是秒过；某批手机号分散在不同 IP 上，但设备指纹高度相似；某批请求没有造成注册成功，却造成大量短信投诉。这些都不是单点频控能发现的。
所以短信风控的目标不是“让短信少发”，而是让该发的短信稳定发出去，让不该发的请求在合适的位置被拦下或被二次验证。
这句话听起来像废话，但它决定了产品设计方向：不能只追求拦截率，也不能只追求用户体验。规则太紧，正常用户注册会受影响；规则太松，短信通道和账号体系都会暴露在风险里。
我会把短信防控拆成三层：成本门槛层、行为识别层、分级处置层。
第一层是成本门槛层，用低成本规则挡住最明显的异常请求。第二层是行为识别层，通过设备、请求、提交行为、黑名单等多维数据识别复杂机器流量。第三层是分级处置层，对疑似风险请求不简单误杀，而是通过上行短信、扫脸、人机挑战等方式进一步确认。
短信风控最基础的能力一定是频控。不要嫌它简单，很多线上事故就是因为最基础的频控没做好。
频控通常围绕手机号、IP、设备、账号、业务场景展开。比如同一手机号 1 分钟内最多发送 1 次，1 小时最多发送 5 次，24 小时最多发送 10 次；同一 IP、同一设备或同一浏览器指纹也要有对应阈值。
这里有一个容易被忽略的问题：自然时间和滚动时间。
自然时间是按照固定时间边界计数，比如“今天 0 点到 24 点最多 10 次”。滚动时间是从当前请求向前回看，比如“过去 24 小时最多 10 次”。对于短信风控来说，最佳实践通常是滚动计数。
为什么？因为自然时间存在边界漏洞。假设系统按自然日计数，攻击者可以在 23:58 打满当天额度，0:01 之后额度清零，又继续请求一轮。规则看起来没问题，实际防控被时间边界绕开了。
滚动时间实现成本更高，尤其在数据量大时会涉及缓存、滑动窗口、聚合统计，但它更符合风控场景。产品经理在写需求时，不要只写“24 小时最多 X 次”，最好明确口径：是自然日还是过去 24 小时；是按手机号计数，还是手机号 + IP + 设备组合计数；命中阈值后是直接拦截，还是延长冷却时间。
除了频控，图形验证码也是成本门槛层的重要工具。很多人觉得图形验证码很基础，但从攻防视角看，它贯穿整个短信盗刷防控过程。
常见的图形验证码包括滑动拼图、文字点选、图标点选、语序选词、空间推理、障碍躲避等。验证码的价值不只是“让用户做一道题”，而是提升机器请求成本，并给系统提供行为数据，比如轨迹是否自然、完成时间是否异常、同一设备是否高频通过。
当然，验证码不是越难越好。注册登录是高转化场景，如果一上来就给所有用户弹复杂验证码，正常用户会被一起惩罚。更合理的方式是分层触发：低风险用户无感通过，中风险用户触发轻量验证码，高风险用户触发更强验证。
号段识别也属于基础能力。比如 170、171、165 等虚拟运营商号段在某些业务里风险更高，可以根据业务情况做更严格的策略。但不建议把虚拟号段简单等同于黑名单，直接全量拦截会带来误伤。更稳妥的做法是提高验证等级、降低发送频次、叠加设备和 IP 风险判断。
成本门槛层解决的是“别让明显异常请求轻松进来”。它不追求特别聪明，但必须稳定、清晰、可解释。
第一层规则可以挡住一部分粗糙流量，但挡不住更成熟的黑灰产。成熟黑产不会只用一个 IP、一个手机号、一个设备猛冲，它会拆散请求，分布式地试探系统阈值。这时候就需要进入行为识别层。
行为识别层的核心是多维数据。产品上至少要能拿到手机号、IP、设备指纹、账号、渠道、业务场景、验证码生成时间、验证码提交时间、提交结果、失败次数、请求来源、前端环境等信息。没有这些埋点，风控就只能靠猜。
设备指纹是这里的关键能力。它不是单纯拿一个设备 ID，而是综合浏览器、系统、分辨率、时区、字体、Canvas、网络环境、客户端版本等信息，生成相对稳定的设备标识，用来识别“换手机号、换 IP，但设备特征高度相似”的请求。
前端请求加密和参数校验也很重要。它不能从根本上防住所有攻击，但可以提高脚本化请求门槛。比如短信发送接口不应该裸奔，前后端需要对关键参数、时间戳、随机串、业务场景进行校验，避免接口被直接复用。注意，这类能力的定位是提高成本，不是绝对安全，真正的风控仍然要靠服务端决策。
验证码提交行为同样值得关注。正常用户收到短信后，通常会有一个阅读和输入过程。如果大量验证码都在极短时间内提交成功，就要怀疑是否存在接口自动化、短信接收平台、批量控制设备等风险。这里不用把规则写死成“多少秒一定异常”，而是结合业务基线做分层判断。
黑名单库是行为识别层的另一个基础设施。它不应该只是一个静态表，而应该是动态更新的风险资产库，至少包含以下几类：
黑名单最怕两个问题：一是更新慢，等运营手动导入时风险已经过去；二是没有过期机制，半年以前的风险数据一直影响正常用户。比较好的方式是给名单设置来源、等级、命中原因、过期时间和复核机制。
行为识别层的重点不是把规则写得多复杂，而是把原本分散的数据串起来。手机号、IP、设备单独看都正常，组合起来可能就不正常。风控能力的差距，很多时候就在这个“组合判断”里。
短信风控最难的地方，不是拦截黑产，而是不误伤正常用户。尤其在游戏业务里，用户注册和登录往往发生在高情绪场景：新游开服、活动领取、好友邀请、充值回流。这个时候如果正常用户收不到验证码，或者被连续拦截，很容易直接流失。
所以对疑似风险请求，不一定要直接拦截。更好的方式是分级处置。
低风险请求直接放行；中风险请求增加轻量验证，比如图形验证码或冷却时间；高风险但不确定的请求增加强验证，比如上行短信、人脸识别、实名校验；已确认风险请求再直接拦截。
上行短信是一个特别值得重视的能力。所谓上行短信，就是用户主动发送指定内容到指定号码，系统收到后完成验证。它本身不复杂，但在实践中并不是所有短信供应商都能稳定支持上行能力，而且接入、解析、回调、状态同步都需要额外建设。
为什么它有效？因为它把验证动作从“企业给用户发短信”变成“用户主动发短信给企业”。对正常用户来说，虽然多了一步，但能完成；对批量盗刷来说，成本会明显上升。尤其在疑似风险但不敢直接拦截的场景，上行短信是一个不错的中间态。
扫脸、人脸识别、实名校验也属于强验证手段，但要谨慎使用。它们的验证强度高，用户打扰也高，不适合放在短信发送前的常规链路里。更合理的触发场景是：高价值账号、疑似批量设备、异常领取权益、异常充值返利、账号找回等风险更高的业务节点。
把这些动作放在一起看，可以整理成一张风险分级处置矩阵。它的价值不是给所有业务一个固定答案，而是帮助产品、风控、研发和客服对齐“什么情况该怎么处理”。
这里有个产品细节：强验证的提示文案要解释清楚。不要只弹一句“请求异常”，可以写成“当前环境存在安全风险，为保护账号安全，请完成验证后继续”。这类文案不是为了好看，而是为了减少用户的不确定感和客服压力。
分级处置层的本质是把风险决策从“是/否”变成“放行/观察/验证/拦截”。这会让系统更复杂，但也更符合真实业务。
如果要把短信风控真正跑起来，前台策略只是其中一部分，后台能力更重要。
第一套是规则配置后台。产品和风控同学需要能按业务场景配置规则，比如注册、登录、换绑、找回密码、领取礼包分别使用不同阈值。不要把所有场景套一套规则，注册场景可以更严格，登录场景要更重视老用户体验，找回密码则要更重视账号安全。
规则配置后台最小要支持“业务场景、统计维度、时间窗口、处置动作”四类配置。配置粒度太粗，规则会互相误伤；配置粒度太细，又会难以维护。比较稳妥的方式，是先搭一个能覆盖 80% 场景的基础模型。
第二套是监控看板。短信风控必须看数据，至少包括发送请求量、发送成功率、验证码提交率、注册转化率、拦截量、强验证通过率、短信成本、供应商失败率、投诉量、签名状态等。只看拦截量没有意义，拦截量升高可能代表风控有效，也可能代表正常用户被误伤。
监控看板的核心不是把指标堆满，而是同时回答三件事：黑产有没有变多、正常用户有没有受伤、短信通道有没有变差。
第三套是应急开关。短信通道一旦异常，影响会非常快。比如某个供应商失败率升高，要能快速切换通道；某个规则误伤，要能快速降级；某个签名投诉异常，要能暂停对应场景或切换备用签名。没有应急开关，风控系统本身也会变成风险源。
我个人建议，每一条核心规则都至少配三样东西：命中原因、处置结果、回滚方式。命中原因用于排查，处置结果用于复盘，回滚方式用于止损。
还有一个容易被忽略的点：短信风控需要和客服对齐。用户收不到验证码时，第一反应通常是找客服。如果客服后台看不到用户为什么被拦截，只能回复“请稍后再试”，体验会非常差。
第一个坑，是把短信成本当成唯一目标。短信确实有成本，但短信风控不是省钱项目。它的核心价值是保护账号体系、保护通道稳定性、保护正常用户体验。如果只盯着短信费用，很容易把规则收得过紧，最后省了短信费，丢了注册转化。
第二个坑，是只做发送频控，不做提交校验。短信发出去以后，验证码是否提交、提交是否成功、多久提交、失败几次，都是重要信号。只管发送不管提交，就像只看门口排队，不看进店以后发生了什么。
第三个坑，是规则没有分场景。注册、登录、换绑、找回密码、支付确认的风险完全不同，规则必须和业务语义绑定。
第四个坑，是黑名单只进不出。风控名单不是垃圾桶，不能什么都往里扔。没有过期、没有降级、没有复核，时间久了必然误伤。
第五个坑，是把图形验证码当万能药。验证码能提高攻击成本，但也会提高用户成本。它应该是动态策略的一部分，而不是所有用户都必须跨过的一堵墙。
短信本身是个很简单的服务：生成验证码、调用供应商、用户收到、输入校验。简单到很多人会觉得这不就是一个接口吗？
但在真实业务里，短信又一点都不简单。它连接着账号注册、用户体验、营销成本、通道稳定、投诉治理和黑灰产攻防。尤其在游戏这种高用户量、高利益密度的行业里，短信入口做不好，后面会牵出一串问题。
我理解的短信防控，不是单纯把黑产挡在门外，而是建立一套可持续的平衡机制：前面用成本门槛层挡住明显异常，中间用行为识别层判断复杂风险，后面用分级处置层减少误伤。再配合规则后台、监控看板、应急开关和客服可解释能力，整个体系才算真正能跑起来。
回到开头说的 vibe coding。AI 可以很快帮你做出一个登录框，但登录框之下的业务，不会因为页面生成得快就自动消失。短信风控就是这类“看起来不起眼，但出了事很疼”的底层能力。
产品经理真正要补的，往往不是某个按钮怎么画，而是按钮按下去之后，系统如何判断、如何保护、如何兜底。
短信验证码只有 6 位，但它背后的产品设计，远不止 6 位。
转载：人人都是产品经理
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
转载：优设
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
X 上看到一个 Codex 的使用案例，将 Codex 内置一个图片标注工具，这样修改标注工具里的图，Codex 就能读取数据进行重新生成，案例分享给大家
通过内嵌浏览器 + Codex Image 2 + 无限画布（Excalidraw / tldraw），构建一个多模态画布系统，让 Codex 直接读取画布的 Base64 标注图，实现“看图理解 + 生成”。
这样 Excalidraw / tldraw 就不只是白板，而是变成前端的 Multi-modal Canvas，用来拼一个低配但可控的生图工作流。
其他在线白板工具：
此想法的原帖： https://x.com/zhongerxin/status/2068027614300893383
原作者 Cowart：Codex + 无限画布工具插件开源： https://github.com/zhongerxin/cowart#
换白板工具原帖： https://x.com/cellinlab/status/2068193900570046502
操作步骤原帖： https://x.com/liyue_ai/status/2068545434818400526
标签页分组功能允许您在 Figma 桌面应用程序中对标签页进行分组、着色、展开和折叠。保持井然有序，再也不用担心找不到要查找的文件。
网址：https://www.figma.com/release-notes/
FigmaEX 客户端已经更新到 126.6.8 版本，可自行下载安装。
展示收藏了非常多 iOS 的经典应用图标，并支持搜索，非常喜欢被精心设计的图标包围的充实感，后续会开放 macOS 应用图标库。
网站收集了一波应用商店的优化图片和用户引导流程的设计案例。
App Store 截图库包含，350 万+ 截图 、40 万+ 应用，永久免费
网址：https://screenshotsclub.xyz/
每个应用程序都需要矩阵加载器，55+个免费且开源的加载器，基于 React、TypeScript、Tailwind CSS 和 shadcn 构建。安装一个，复制代码，然后将其变成属于你自己的作品。
网址：https://dotmatrix.zzzzshawn.cloud/
精选 X 中设计、交互的最佳设计，每日更新，并且还有应用截图和应用图标等信息，AI 时代提升"看"的能力
umanmade 是一个由真人创作的数字作品精选目录，收录优秀的设计灵感和交互案例
免费的、随时可用的 Figma UI 块库。 复制任意组件，将其粘贴到你的文件中，即可立即开始构建。 非常适合着陆页、布局和 UI 部分。
网址：https://blocks.lander.studio/
转载：优设
兰亭妙微（蓝蓝设计）www.lanlanwork.com 是一家专注而深入的界面设计公司，为期望卓越的国内外企业提供卓越的大数据可视化界面设计、B端界面设计、桌面端界面设计、APP界面设计、图标定制、用户体验设计、交互设计、UI咨询、高端网站设计、平面设计，以及相关的软件开发服务，咨询电话：01063334945。
蓝蓝设计的小编 http://www.lanlanwork.com