今天兰亭妙微UI设计公司分享的内容依然是关于“排版微调”的续集啦。这次内容主要是把纯文字信息转换编排为具有图形化的设计表现。特别是在电商类的海报设计中，单纯的文字往往缺乏吸引力，而将文字图形化，则是提升信息传达力和视觉表现力的重要手法之一。
所谓“图形化”，并不是让文字失去可读性，而是通过形式语言的转化，让文字具备图像特性，例如通过图标式、盖章式、对话框、爆炸等视觉图形化的形式进行编排，让文字自己“说话”。这样做不仅能提高阅读体验，还能强化设计的细节质感，避免一堆单纯文字堆叠带来的视觉疲劳。
所以，别忽略文字的可视化，把关键信息进行图形视觉化，能够让受众在一眼看过去，就可以快速读懂、记住促销的卖点，从而产生认同和购买的冲动。
那么，关于“排版微调”的系列案例，我会不定时更新这系列。希望今天的内容能给你带来灵感～
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。
适用场景：活动海报、公众号长图、短视频封面、节日营销物料
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。
claude plugin install figma@claude-plugins-official
npx skills add https://github.com/op7418/guizang-ppt-skill --skill guizang-ppt-skill
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。
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。
花3个月上了BI系统，BI大屏每天都跑，老板手机能看实时数据了——然后呢？
发现：看板只是让数据”看得见”，并没有让数据”说人话”。
去年豆芽君参与了一个航运企业的成本分析系统建设。上线后，大屏展示着船舶运营费用、航线成本对比、港口费用构成——数据很全，老板们看得很满意。
但过了几天，老板问了一句：“为什么上个月运费涨了15%？”
运营主管愣了5秒，然后说：“我回去查一下。”
这一查，就是半天。
从4个系统里导出数据，人工清洗，找口径差异，逐条核对……等他把结论整理出来，老板已经忘了问过这件事。
这不是BI的问题。是**”数据到洞察”之间，永远差着一层**——那一层，是人的判断。
所以豆芽君花了点时间，把BI和AI接在了一起。现在再有人问”为什么涨了”，我只需要1-2分钟。
下面说说，豆芽君是怎么做的。
先说说数据分析的发展历史。
Excel时代是多数企业的第一阶段。数据散在各个业务系统里，靠人工定时导出、清洗、汇总。我见过最夸张的团队，每周五下午花3小时手工整理，周会用的数据和业务系统里的真实数据已经差了2天。
BI时代解决了整理的问题。统一口径、实时同步、手机随时看、权限分部门。大概在2020年前后，很多中型以上的企业陆续上了帆软或者Power BI。老板们终于不用等到周五下午了，数据随时可以查。
但新的问题随之而来：看板越来越多，看到异常指标，不知道原因在哪？
一张大屏上几十个指标，看的人其实只扫自己关心的那几个。真正有价值的信号——比如某个航线成本突然偏离历史均值——看板不会告诉你，原因到底是油价上涨？还是船舶运营效率差？
这就是为什么，BI之后还需要一层AI。
以航运成本分析为例。BI大屏展示的核心指标通常是这样：
本月船舶运营总费用：¥2,380,000 环比上月：+12%
老板看到这里，下一步就是问你”为什么涨了”。
以前的流程：业务人员拉明细Excel，数据分析师清洗口径，产品经理对比历史数据，写成分析报告，提交给老板——通常需要1到2个工作日。
现在的流程：打开BI看板，底部已经嵌着AI的解读结论：
AI洞察摘要（2026年Q1） 本月费用环比上涨12%，主因：
①油料成本上升贡献+68%的涨幅；
②3号航线港口使费异常增加¥86,000，建议核查；
③整体费用在正常波动范围内，无需过度关注。
这不是科幻，这是BI+AI API对接，跑通之后的标准输出。
整体方案分为三步，数据从BI流出，经AI解读，再回到BI展示，全流程不需要数据离开企业内网。
第一步：BI开放数据接口
多数BI软件支持通过API接口输出看板数据。你可以选择需要分析的指标，通过接口导出为结构化的JSON数据。
第二步：用WorkBuddy企业版AI解读
把JSON数据发给内部部署的WorkBuddy（数据不出企业网络）。这是关键：不用公有云AI，企业敏感数据不需要外传。
Prompt模板可以直接用：
你是一个资深航运成本分析师。基于以下数据，给出分析结论： [粘贴JSON数据]
请按以下格式输出：
核心异常：环比变化最大的指标TOP3，说明可能原因
趋势判断：过去3个月的变化方向（上升/下降/波动）
行动建议：建议优先关注哪个指标、排查什么数据
质量提示：如果发现口径不一致或数据缺失，请标注
这里有个经验：Prompt要具体，不要泛泛说”分析一下”。 你问得越清楚，AI的结论越可用。“按航线拆解费用变化”和”分析一下”，输出质量差一个量级。
注：涉及数据隐私，图片仅为效果参考
第三步：洞察结果嵌回BI看板
用BI工具的”插入HTML”组件，把WorkBuddy返回的分析结论以文字形式展示在大屏底部，与原始数据同步更新。
这一步的好处是：用户不需要切换工具，在看数据的同时就能看到AI的解读。
注：涉及数据隐私，图片仅为效果参考
纯BI阶段BI+AI阶段老板看到费用上涨开始问原因，安排人查AI已标注主因和关联因素分析师回复细节1-2个工作日后AI当场给出初步结论月度分析报告手动写初稿，人工润色AI生成初稿，人工审核数据异常发现靠人工盯着，或者客户先发现系统自动标注
上面的方法跑通2到3个月之后，你会发现有些分析模式是固定重复的——每周一早上，各航线成本对比每月费用异常预警（环比超过某个阈值）特定船型超过预算时的提醒
这些场景触发条件明确，分析逻辑固化，每次都是同一套结论。那就不需要人去找AI了，让AI主动来找人。
这就是AI定时任务，主动推送洞察。每天早上 9:00 → WorkBuddy读取BI关键指标 → 发现异常（环比变化超过阈值） → 通过企业微信/邮件推送洞察报告
这一步做起来也简单，因为分析规则已经固化了——上一步的产出，就是这一步的规则来源。
建议的顺序：先跑通BI+AI API对接，等积累了足够的分析案例，再上AI定时任务，主动推送洞察。
不要一上来就做主动推送，那样分析规则不成熟，推出来的内容质量不可控。
经过这个项目的验证，我总结了一套”三段论”：
第一阶段：BI打通数据 统一数据口径、实时监控、权限管控。这是大多数企业已经完成的事情。
第二阶段：AI解读数据 用企业在用的WorkBuddy等AI智能体对BI导出的JSON做分析，输出可读的洞察结论。这是现在最值得投入的环节。
第三阶段：AI主动推送 固化分析规则，用定时任务替代人工触发，从”人找数据”变成”数据找人”。这是下一阶段的目标。
两个注意点：
1. 数据安全是底线 企业内数据不要上传公有云AI。WorkBuddy企业版是内部部署，数据不出域，这是基本前提。你可能会觉得”只是一些费用数据”，但对于贸易型企业，一条成本数据就是谈判筹码。
2. AI结论需要人确认 AI做分析辅助，但最终结论需要业务负责人确认后再使用。六、写在最后
写这篇文章的时候，我回想了一下过去十年做数据分析的历程。
Excel时代，我们学会了”怎么把数据整理干净”。 BI时代，我们学会了”怎么让数据被看见”。 AI时代，我们才开始思考”数据背后的业务问题是什么”。
工具变了，但有一件事没变：数据本身不会说话，说服人的永远是数据背后的分析和洞察。AI做的，是帮我们发现背后隐藏的信息，人再做综合判断。
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。
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。
蓝蓝设计的小编 http://www.lanlanwork.com