兰亭妙微UI设计公司分享：很多产品经理认为，给产品塞进一个对话框就是“AI 化”了。但在 AI Center 的实践中，我们发现 LUI（对话交互）往往是产品设计的“懒惰表现”。
真正的 AI 原生交互，应该是让界面消失，让用户意图透明。
本人经过多年研究 AI 产品的交互，结合近期看到一篇 CHI 2026 最佳论文提名，推荐给做 AI 产品的小伙伴。
微软亚洲研究院 + 港科大提了个 IAI（Interaction-Augmented Instruction）模型。
核心一句话：AI 时代的交互不该只有“写 prompt”，而是“prompt + 各种交互形态”的混合体。
其实他们就做了三件事：
1、把 AI 时代的人机对话方式拆成了 6 个实体：人、文字、交互、增强指令(Aug)、AI、产物。
他们最关键的创新是把“增强指令 Aug”独立出来，作为 AI 真正消费的东西。
2、分析了 66 个 AI 工具，归纳出 12 种原子交互范式：点击改 prompt、画草图作指令、AI 给你做滑块挂在结果上随便调……每种都有对应的信息流图。
3、用模型推导出全新范式：比如“AI 主动发起 + 情境感知”（走进食堂，AR 眼镜直接问你吃肉还是菜并给个滑块）。
简单总结就是：专家技能正在从“Prompt Engineering”转向“Instruction Design”。前者是教用户写作文，后者是设计“工具+情境+控件”，让用户哪怕只点几下,也能合成出比 prompt 更精准的指令。
链接：https://www.microsoft.com/en-us/research/publication/interaction-augmented-instruction-modeling-the-synergy-of-prompts-and-interactions-in-human-genai-collaboration/
打开现在的 AI 应用，映入眼帘的几乎全是类似微信的聊天界面。
这种 LUI（Language User Interface）确实降低了开发门槛，但对用户来说，它存在两个致命的痛点：
1、“空白页恐惧症”：用户面对闪烁的光标，往往不知道该问什么。
2、高认知负荷：输入文字（或组织语言）本身就是一种高成本的体力与脑力活。
对话框只是 AI 交互的婴儿期。如果一个操作点击两次就能完成，强迫用户输入一句话就是设计的倒退。
传统 GUI（图形界面）的逻辑是：用户寻找功能。你想听歌，要先找音乐 App，再找搜索框，再打字。
AI 时代 UX 的底层逻辑是：系统识别意图。
未来的交互不再是等用户下指令，而是通过环境上下文（Context）捕捉意图。
案例：在智能座舱中，你视线看向窗外某个地标并问“那是什么？”，系统结合视线追踪（眼动）和高精地图，直接给出答案。这里没有复杂的菜单，只有自然发生的意图捕捉。
这是目前最前沿的方向。界面不再是预设好的死板组件，而是根据 AI 预测的意图实时生成的。
如果你在聊出差行程，界面自动弹出的不是聊天文字，而是一个包含航班、酒店和天气对比的定制化表格。
最好的交互是“不交互”。这就是我们正在卷的 “主动交付” 逻辑。
PM 的实战准则：判断一个 AI UX 好不好的标准，是看它减少了用户多少次不必要的决策。
1. 保留“逃生舱”：无论 AI 多么智能，其意图识别永远存在概率性的错误。界面上必须永远有一个显眼的、确定性的“手动干预”按钮，防止 AI 陷入逻辑闭环。
2. 拒绝“黑盒式”等待：AI 处理复杂任务需要时间。不要只给一个 Loading 转圈，要通过交互展现 AI 的“思考过程”（如逐步显示推理步骤），这能极大地缓解用户的焦虑感。
3. 不要为了 AI 而 AI：传统的进度条、开关掣、单选框，在特定场景下依然比对话更高效。顶级 PM 的功力，在于知道何时该给用户一个对话框，何时该给用户一个简单的物理按钮。
在大模型时代，我们对 UI 的理解正在经历一场从“人适应机器”到“机器适应人”的革命。
下一代 AI 产品的竞争，不在于谁的对话框更好看，而在于谁能让用户感知不到界面的存在，却能精准地交付结果。
从 LUI 走向 Intent-Centric（以意图为中心），这才是产品经理和研发人员真正该卷的战场。
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。
作为深耕界面视觉与品牌图标体系的设计团队，兰亭妙微持续关注全球大厂设计迭代思路。继 2018 年扁平化图标体系后，微软时隔多年全面更新 Word、Excel、PPT 等 Office 核心图标，柔和流线造型与鲜活渐变配色成为最大亮点。这场看似简单的颜值升级，实则藏着 AI 时代办公产品的设计底层逻辑，也为行业图标设计提供全新参考思路。
作为深耕 UI/UX 设计十六年的专业团队，兰亭妙微（蓝蓝设计）在日常项目对接中发现，大量新人设计师对移动端系统控件概念模糊，绘制界面时常出现规范错误。UI 控件是界面交互的基础单元，不同产品视觉风格虽有差异，但控件基础类型、交互逻辑具备统一标准。本文结合最新 iOS26 设计规范，梳理全套系统级控件分类与使用规则，帮助设计从业者快速建立标准化组件认知。
转载自优设网
最近在搭建一个需求分析 Skill，这个 skill 的运行逻辑是：我把一份需求文档交给 AI，希望它结合我提前整理设计理论和产品价值观等材料搭建出来的知识库内容，判断这个需求解决了什么问题、是否值得做、还存在哪些风险。
很快，一份有用户、有场景、有结论的分析生成了。只看结果的话，似乎方法已经跑通。但当遇到一些较为棘手的问题时，继续追问 AI，例如“这条判断用了哪项依据”、“为什么这项原则适用于当前需求”时，问题出现了：
这些答案不一定是错的。真正值得警惕的问题是：这一次看起来正确，究竟是方法可靠，还是 AI 恰好猜对了？这成为我持续思考迭代这个 Skill 的起点。比起让 AI 给出更多答案，更重要的是让判断的依据、过程和边界变得清晰。
体验设计经常从一份需求文档开始：
文档通常已经写明要增加什么功能、希望达到什么目标，有时还附带用户反馈和初步方案。我们很容易顺着它继续思考用户流程、信息架构和交互界面等等设计工作的开展，却忽略了一个前提：文档描述的往往是：“团队目前想做什么，不一定等于用户真正遇到了什么问题”。
假设，一份需求写着：
“用户面对的内容太多，希望增加自动摘要功能，帮助用户更快获取重点。”
这句话至少混合了四类信息：
“自动摘要”已经是一个方案。用户真正的困难可能是找不到关键信息、无法比较多份内容，或者不知道怎样做决定。
如果没有拆开这些信息，我们很容易把尚未验证的方案当成需求本身。后面无论把摘要长度、按钮位置和纠错机制讨论得多完整，都可能只是在认真解决一个没有被确认的问题。
因此，需求分析不是设计开始前的机械步骤，而是设计工作的本身。设计师需要继续确认：谁在什么场景下遇到了问题？真正的阻碍是什么？哪些内容已经被证实，哪些只是推测？
把需求拆解看成一座冰山，水面上是产品背景、产品逻辑、产品目标、功能描述；水面下还有用户场景、真实诉求、约束、风险、判断依据等等隐藏信息。设计师的工作不是立刻把水面上的内容做出来，而是先确认水面下的问题是否成立。
不过，看见水面下的信息，并不代表我们已经得到了答案。
接下来还需要判断：哪些信息足以支撑当前选择？已有的设计原则和经验是否适用于这个场景？当用户目标、业务诉求和使用风险发生冲突时，应该依据什么做出取舍？
这意味着，需求分析不仅需要把问题拆开，还需要一套能够被调用和核对的判断依据。公开规范、设计原则和历史经验，都是这些依据的重要来源。
Apple 的 Human Interface Guidelines，就提供了一种组织这类判断依据的参考。它覆盖设计基础、常见模式、系统组件、输入方式和平台技术，帮助设计师理解平台行为与用户预期，再结合具体情境做出选择。
HIG 的价值不在于提供一个可以直接套用的标准答案，而在于说明一项设计原则为什么成立、通常适用于什么场景，以及使用时需要注意哪些条件。
同样，用于提供给 AI 进行需求分析的知识库，不仅仅只是单纯给出设计原则、规范或历史经验、产品价值观。还需要补充说明它们成立的支撑依据是什么、适用条件有哪些、使用的边界情况，等等额外信息。
第一版 Skill 已经包含提示词、判断的知识库资料和基本流程步骤，但没有太多的“约束”。告诉 AI 应该参考什么、输出什么，却没有规定怎样使用依据、哪些过程不能跳过，以及怎样证明检查真正发生过。
AI 很聪明，但也很会“偷懒和欺骗”。
这里的“偷懒和欺骗”，是指它擅长选择最短路径，尽快生成一个符合要求、看起来合理的结果。实践中，常见的偏差有四种：
需求和知识库内容一旦出现相似词语，AI 就把两者强关联起来。结果是不太关联的内容却被关联了起来，且没有确认原则、关联逻辑成立的条件。
AI 可以直接给出结论和理由，但未必说得清结论对应哪条需求信息，又是怎样从依据推导出来的。
AI 自行总结知识库里的内容，在后续输出结论的时候加上引号“”，变成仿佛是来自原文的直接表达。
当资料没有覆盖某个问题时，AI 更自然的选择是用常识继续完成答案，事实、经验和模型推测也因此混到了一起。这种看似可信但实际错误的内容通常被称为幻觉。OpenAI 的相关研究也指出，只奖励正确率的评测方式可能鼓励模型猜测，而不是承认不确定性。
AI 的捷径不一定让答案显得粗糙，反而可能让缺失的过程更难被发现。
第一版真正的问题不是 AI 不够聪明，恰恰是它太会给答案。即使缺少依据，也能把空白补成完整、合理的结果。
后来发现这些问题之后，我采取的一个处理方式是不断在 Skill 中增加提示：给出依据、区分事实和推测、不要编造、列出信息缺口、输出前自检。
但回想后发现，这些要求像一个个补丁，可以修复已经出现的问题，却很难保证下一个需求不会从别处出错。AI 也可以生成“我已检查”的文字，却不一定真的读取了资料；可以列出推理步骤，却可能是在结论之后反向补齐。
因此，真正需要调整的不是提示词长度，而是把判断依据、执行步骤和检查方式拆开，更系统性工程化的角度来重新构建 skill 的骨架。
一次输出看起来正确，只能说明这次结果可用；只有过程能够被重复检查，方法才开始变得可靠。
最初的目标，是想真正“教会”AI，让它理解我们判断需求的方式。
但 AI 不会因为读过一批资料，就像团队成员一样拥有共同经验和产品观。当前更现实的方式，是让它在明确的依据、步骤和边界内工作。
随着问题不断暴露，这个 Skill 的协作方式逐渐被整理成三个部分：
这个阶段聚焦在知识库里，知识库的内容如果按“来源”进行归档，适合保存，却未必适合判断。如果只把大量材料交给 AI，它可能找到相关观点，却不知道这条观点在回答什么问题、何时不适用。
因此，除了内容本身以外，还需要对内容进行“解析”处理：说明成立前提、适用边界、与当前需求的关系，以及如何回到原始来源核对。
原始材料与 AI 生成的摘要也需要分开。摘要可以帮助检索，却不能代替来源。尤其是引用，必须能够回到原文核对，不能把 AI 的概括伪装成原话。
如果只要求“认真分析”，AI 会选择自己最擅长也最省力的方式。所以，需要明确几个不能跳过的动作：
这些步骤不是为了让产出物变长变复杂，而是避免 AI 直接从输入跳到答案。
Skill 的角色也从“判决评审官”逐渐转向“思辨好伙伴”。只告诉设计师“不要做”并不会提高设计质量，团队还需要知道问题在哪里、原始诉求是否成立，以及还能怎样重新理解。
它不负责替设计师说“做”或“不做”，而是帮助设计师看见判断的前提和仍未回答的问题。
规则、要求、步骤写进 Skill，并不代表已经生效。真正的检查需要回答：
每次修改规则后，还要用历史案例和故意设置的错误样例重新运行。因为规则需要经过测试，而不是写完就算完成。反复打磨和验证，这也与 AI 应用中的评测思路相近：先定义行为标准，再用代表性数据验证输出。
当 AI 可以很快生成结论时，需求分析反而不应该只留下结论。如果仅只是输出一句“建议推进”或“需要重新考虑”会把判断过程压平。好的分析还应帮助团队看清四件事：
需求材料中能够确认的事实，例如用户反馈、使用场景、现有流程和明确约束。AI 可以帮助整理这些信息，但不能把自己的补充混进事实。
尚未被验证的判断，很多需求会把问题、目标和方案写在一起。分析需要把尚未验证的部分单独标出来。只有先看见假设，团队才能决定怎样验证。
一条条设计原则或历史经验不能只因为听起来相关，就成为结论依据。分析需要说明它解决的是什么问题、适用条件是什么，以及为什么能用于当前需求。
存在反面证据或不同观点时，也应该同时呈现。
还要向谁确认、补充什么证据、哪个假设的错误成本最高，以及哪些决策暂时不应推进。
需求分析不只交付结论，还要保留团队继续验证和讨论的入口。
AI 最自然的动作是补全，但需求分析有时最需要的动作恰恰是停下来。
“不知道”并不意味着分析失败。当不确定性被明确表达，它就从隐藏风险变成了团队可以处理的工作。
设计师在这里也不只是审核 AI 写得好不好，而是决定哪些问题值得追问、什么证据足以支撑判断、谁的体验被遗漏，以及不同价值与风险该如何取舍。
虽然，目前的 skill 还在搭建和打磨当中，仍不能确定这套基建思路是不是最终答案，它也会继续迭代。
但至少可以确认：让 AI 在明确的依据、步骤和边界内工作，比放任它凭通用能力自由生成，更容易发现偏差。这种约束不是为了让答案僵硬，而是让我们知道它为什么这样判断，也知道什么时候不该相信它。
这段实践逐渐形成了一套“做中学”的循环：从真实摩擦出发，选择一个最小任务试验，观察输出偏差，把有效方法固化下来，再用新旧案例重新验证。
这也符合当前常见的 AI 工程实践：先从简单方案开始，通过评测优化，只有在无法满足需求时，再增加系统复杂度。而且不同工具各有所长，重点不是寻找一个包办所有事情的工具，而是先判断当前环节需要什么能力，再用真实任务验证它。
每次试错也最好留下资产：一条问题记录、一个失败样例、一份模板、一张检查表，或一条被写进 Skill 的规则。工具会变化，但这些经验能让下一次探索不再从零开始。
工具会变化，但从问题出发、用实验验证、把经验留下来的能力可以持续积累。
这段实践得到的，不是一个能够自动评审需求的标准答案。
Skill 的意义，是把需求分析中相对稳定的步骤封装起来，让 AI 按同一套流程拆解信息、调用依据和检查结果；需求分析本身的意义，则是辅助设计师看清问题，而不是代替设计师下判断。
当 AI 越来越擅长生成内容，设计师仍然需要理解具体情境和真实的人，发现需求描述之外的问题，在不同目标之间做出取舍，并为最终选择承担责任。
AI 可以快速整理信息，却不知道哪一种产品体验更值得做；可以生成多种解释，却无法代替团队决定什么符合产品的长期方向。
因此，AI 时代的设计师更像问题的定义者、情境的解释者和价值的取舍者。我们不仅要会使用 AI，也要知道应该给它什么依据、在哪些地方停下来，以及哪些判断必须留在人手里。
当生成答案成为基础能力，设计师之间真正的差异，也许不在谁更快给出结论，而在谁能更早发现：哪些是事实，哪些是假设，我们究竟还缺少什么。
图片来自Behance
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。
打开各类软件不难发现，如今几乎所有 AI 功能图标都带有菱形十字星元素，自带闪光、科技的氛围感。从谷歌 Gemini、Figma AI、ChatGPT Plus，到 PS 智能填充、钉钉 AI 助理、百度 AI 搜索，这一图形已经成为行业通用视觉语言。自 2022 年 ChatGPT 引爆生成式 AI 浪潮后，菱形十字星快速统一各大产品的 AI 标识，背后是流行文化、软件发展史与用户认知共同推动的结果。
一、设计执行逻辑已经被重构
在工作里经常遇到一个很现实的问题：团队采用敏捷开发，2周一个迭代，而设计真正能拿来做需求分析、方案设计的时间，往往只有三四天。
时间一紧，设计师最先牺牲掉的，往往不是“交付”，而是“思考”。
需求来得快、上线压得急，设计师能把方案做出来就已经不错了，更别说反复推敲体验、补足细节、沉淀方法。对团队来说，设计很容易变成一个高速运转的执行环节；对设计师个人来说，也很难有真正的成长空间。
所以那时候，我们开始把 AI 加进设计工作流里，目的很简单：先提效，再谈优化。
到了2026年，AI 对设计的影响已经完全不是两年前的样子了。
前段时间，Claude 的设计总监提到一个判断：我们曾经奉为圭臬的设计流程，现在基本已经死了。
这话我认同一半。
因为现实里，确实有越来越多的环节被 AI 接管了。
调研整理、方案发散、页面生成、数据分析，很多过去要靠设计师一点点做的事，现在 AI 都能很快完成。
但我觉得，真正死掉的不是流程， 而是那种把设计理解成执行工作的旧方式。
流程没死，变的是分工。
AI 越来越像一个超级执行者，而设计师如果还停留在“把页面画好、把流程做顺”，其实很快就会被推着走。
真正变化的，不是设计有没有流程，而是流程里的工作内容变了，人和 AI 的分工变了，设计师的价值重心也变了。
流程框架还在，但执行逻辑已经被彻底重构。
虽然 AI 正在深度介入设计工作，但我认为，体验设计最底层的框架并没有消失。
1）四阶段的底层逻辑，依然成立
无论 AI 自动化程度有多高，设计本质上仍然要回答四个问题
先分析问题，明确业务目标和用户需求
再构思方案，寻找可能的解决路径
然后落地实现，把想法变成可用的设计成果
最后评估优化，持续修正体验问题
这套逻辑，本质上就是设计思维的骨架。
它不会因为工具升级就消失，变得只是每一环具体怎么做、谁来做、做多深。
2）设计的核心价值，始终要由人来把控
设计不是单纯做界面，也不是把信息排整齐。设计的本质，始终是在解决“人”的问题。而只要是和“人”相关的问题，就一定不只是效率问题，还包括：
这些东西，AI 能辅助，但很难替代。
它可以根据数据总结规律，也可以根据已有模式生成方案，但它很难真正理解用户那些没有被明说出来的需求，也很难真正理解品牌想传递的温度和语境。
所以，需求定义、价值判断、创意取舍、体验把控，这些事情，依然是设计师最核心的工作。
如果说前两三年的 AI 更像是设计辅助工具，那到了 2026 年，AI 已经开始接管大量重复、标准、流程化的工作。
这也意味着，设计师的角色正在发生变化。
过去，设计师往往要亲自完成大量具体执行工作：整理信息、梳理逻辑、画页面、补文案、出规范、跟落地。很多时间花在“把东西做出来”这件事上。
但现在，越来越多这类工作，AI 都能先做一轮。
它可以快速整理资料、生成结构、输出方案、补齐文案，甚至直接生成初版页面。很多过去需要设计师一点点堆起来的内容，现在几分钟就能得到一个“看起来已经差不多”的结果。
当执行层的工作越来越容易被加速，设计师的价值又是什么呢？
这也让我想到《设计师跃迁路线图：从战术到战略》里提到的方向：“设计需要从侧重于执行与交付的战术设计，转向精于战略规划。”
设计师真正要完成的，不只是技能升级，而是一次认知跃迁——从战术执行走向更高层级的判断、协同与推动。
这和今天 AI 进入设计流程后的变化，其实非常吻合：当执行层的工作越来越容易被加速，甚至被替代，设计师的价值就会越来越集中在判断、整合与推动上。
于是，设计师的重点不再只是“亲手完成”，而是转向另外几件更重要的事：
换句话说，设计师正在从执行者，转向体验架构师。
你不一定还需要亲手完成每一步，但你必须更清楚整件事该怎么被拆解、被推进、被验证，以及最后如何变成一个真正有效的体验方案。
今天再看设计流程，会发现分析、构思、实现、评估这些环节依然存在，只是每一环里，人和 AI 的分工已经变了。
1）在分析阶段，AI 更像信息处理器
过去，设计师要花很多时间看反馈、整理问题、归纳共性、拉齐信息。
现在，这些工作 AI 可以先快速完成一轮。你只需要清楚每个阶段要做什么，它就能帮助我们更快地发现高频问题、提炼用户反馈、归纳流程中的主要障碍，把原本分散的信息整理成一个相对清晰的输入。
但设计师真正要做的，不再是信息搬运，而是继续追问：
也就是说，AI 负责更快地收拢信息，人负责更准确地定义问题。
2）在构思阶段，AI 更像方案生成器
以前很多方案需要设计师从零开始搭结构、想路径、排优先级。
现在 AI 可以很快给出多种思路：流程怎么拆、页面怎么组织、字段怎么安排、提示怎么补充。
这大大降低了“从 0 到 1”的成本。
但真正关键的，已经不是“AI 能不能给出方案”，而是设计师要判断：
AI 可以提供备选答案，但决定“哪个答案适合现在这个场景”的，依然是人。
3）在实现阶段，AI 更像自动化生产搭子
当方向明确之后，AI 已经可以继续帮我们生成页面、补充文案、整理交互状态，甚至辅助还原前端细节。
效率提升非常明显。
但问题也同样明显：AI 生成的内容，通常“看起来合理”，却不一定“真正可用”。
因为真实产品里，很多体验问题并不会出现在表面结构上，而会暴露在细节里：
所以在这一阶段，设计师真正重要的工作，不再只是产出页面，而是校验、修正、补足，把 AI 的初稿变成一个能够被开发实现、被用户理解、被业务接受的真实方案。
4）在评估阶段，AI 更像体验雷达
以前一个方案上线之后，很多问题只能靠数据复盘、团队反馈、用户吐槽，再慢慢修。
现在 AI 可以更快地帮助我们发现异常、识别模式、提示风险，帮团队更早看到问题。
但设计师不能停在表层数据上。
因为数据只能告诉你“哪里出了问题”，却不一定能告诉你“为什么会这样”，更不能自动判断“这个问题值不值得改、应该怎么改”。
所以到了评估阶段，AI 负责更快发现问题，人负责更深理解问题。
说到底，2026 年的设计工作流可以概括成一句话：
AI 负责标准化、重复性、数据化的部分，人类负责情境化、判断和价值把控。
AI 的价值当然很大。
它能帮助设计师更快整理问题、更快生成方案、更快输出结果，也更快发现上线后的体验风险。
但 AI 的局限也同样明显。
它很擅长做“合理”的设计，却不一定能做“真正适合”的设计。
因为它给出的往往是基于已有规律的标准答案，而真实的产品场景，很多时候并不需要一个“最标准”的答案，而需要一个“最适合当下”的答案。
这也是为什么我越来越觉得：
AI 越强，设计师的价值反而越清晰。
因为 AI 能告诉你“通常怎么做”，但设计师要判断的是：
在你这个业务里、这类用户面前、这个具体场景下，到底该怎么做。
在 AI 深度参与之后，设计师不再只是会画图、会做原型、会写规范的执行者，而会越来越像一个体验架构师。
也就是说，你不再需要亲手完成每一步，而是要更清楚地决定：
我觉得接下来，设计师至少要补这四种能力：
1）会定义 AI 的边界
知道哪些事情适合交给 AI，哪些事情必须自己判断。不是为了证明自己“还不能被替代”，而是为了让协作更有效率。
2）会验证 AI 的结论
不是直接接受，而是继续追问：这个结论对不对？完整不完整？是不是只在表面上成立？适不适合当前场景？
3）会在标准答案上继续做体验升级
未来很多“能用”的方案，AI 都能很快生成。但设计师真正拉开差距的地方，在于能不能在标准方案之上，把体验做得更顺手、更清晰、更低沟通成本。
4）会把 AI 产出真正变成可落地的产品能力
谁能把 AI 给出的内容，真正转化为团队可协作、开发可实现、用户可感知的成果，谁就不是会被替代的人，而是最能放大 AI 价值的人。
所以回到最开始那个问题：2026 年，设计流程真的死了吗？我觉得没有。
死掉的，其实不是流程本身，而是那种把设计理解成“按部就班走流程、主要靠手工执行”的旧工作方式。
分析、构思、实现、评估，这些环节依然存在。只是今天，每一环里的工作内容、人机分工和价值重点，都已经被 AI 重新改写了。
AI 可以更快地处理信息、生成方案、输出结果、监测问题；而设计师的价值，则越来越集中在那些 AI 还做不到、或者暂时做不好的地方：
真正重要的，已经不是和 AI 比谁做得更快。
而是学会把 AI 放到对的位置，也把自己的价值放到更高的位置。
因为设计从来都不只是“如何做”。
更重要的是：做什么，为什么做，以及这件事到底有没有在帮助真实的人。
图片来自Behance
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。
最近在平台的用户观察中，我们发现一个典型现象：用户对左侧的“节点库”几乎不感兴趣。
而在传统设计软件中，图层/画板列表是高频操作区——设计师几乎每分钟都要点开它。
为什么？
因为用户变了。AI 工具的用户，不再是“会用 Photoshop 的专业人士”，而是“有创意想法但不想学软件的大众”。
认知模型对比：从“实现模型”到“心理模型”
表层的行为差异背后，是深层认知模型的根本不同。
传统设计软件用户被迫理解软件的“实现模型”（Implementation Model）——即软件如何工作的内部逻辑，如图层堆叠、节点连接。而AI工具新用户则遵循更自然的“心理模型”（Mental Model）——他们只关心目标状态（“我想要一张海报”），而非实现路径。
AI 产品设计，正是将界面呈现模型无限贴近用户的心理模型，从而消除不必要的认知复杂度。
三、设计范式的三次变革
从“图层思维”到“任务思维”的转变，并非孤立现象，而是人机交互设计范式演进中的关键一跃。
传统软件设计遵循“专家路径”：功能齐全、可定制、高效，但学习曲线陡峭。
要让“新大众”用户形成稳固的产品心智，需系统性构建三个维度的价值感知：
未来的 AI 原生应用，可能需要两套并行的交互体系：一套为人优化的 GUI（图形用户界面），一套为 AI Agent 优化的 CLI（命令行界面）或 API。如同钉钉的 RealDoc 系统，文件操作、版本管理、原子化读写都将为 AI 的高效调用而设计，实现从“为人操作的文件系统”到“为 AI 操作的工作台”的转变。这预示着，软件的价值层正在从炫酷的界面，转向高效、精准的任务理解与执行能力
基于上述认知差异，产品设计应从单点的界面优化，升级为系统性的响应层级设计。
在评审任何 AI 功能特性时，可迅速通过以下问题检验其是否符合“任务思维”：
AI 正在把“专业能力”变成“通用能力”。未来的工具，不再是为“会用 Photoshop 的人”设计的，而是为“有想法的人”设计的。
作为产品经理与设计师，我们需要忘记自己“懂设计软件”的背景，蹲下来，用新用户的视角重新审视每一个界面元素：
最终的哲学转向是：当工具足够聪明，用户不需要“学会”它，只需要“想要”什么。从图层到任务，我们正见证设计从“赋能专业”到“释放本能”的终极回归。
图片来自Behance
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