第一时间捕获有价值的信号
整理自 Shape of AI 的 AI 产品设计模式，包括引导型模式、提示动作、调优器、治理与控制等多个维度的设计实践指南。
引导型模式
示例画廊（Example gallery）
通过展示示例生成结果、提示词与参数来教育并启发用户。
模式说明
当用户第一次打开一个新工具或创意产品时，最难的往往不是执行，而是不知道从哪里开始。示例画廊通过展示可浏览、可比较的样本生成结果，帮助用户跨过“空白画布”带来的迟疑。
它不仅适用于首次上手，也适用于持续 onboarding：一方面激发灵感，另一方面也让用户理解这个产品真正擅长什么、能做到什么。
页面还区分了精选画廊、社区画廊和动态画廊三种形态，它们分别在质量控制、真实感和内容新鲜度上有不同权衡。
设计建议
- 让浏览足够轻松：提供搜索、分类和过滤，让每个示例卡片都能成为进入创作的入口。
- 把元数据当成教学材料：公开提示词、模型、风格与关键参数，帮助用户反向理解结果是怎样产生的。
- 让画廊体现产品真正的长板，而不是只堆砌通用案例。
- 在精选内容与社区内容之间取得平衡：前者负责质量与品牌调性，后者负责真实感与参与度。
- 持续保持内容新鲜度，及时替换过时样本与主题。
- 做好审核与版权保护，避免有害或侵权内容直接进入前台。
- 把画廊当成新手引导：配合“试试这个”“查看提示词”“修改输入”等快捷动作。
- 提供收藏、保存、分享等能力，让画廊从展示区变成长期使用工具。
示例产品
追问（Follow up）
当初始提示不够清晰时，从用户处获取更多信息。
模式说明
追问用于帮助模型进一步理解用户意图，而不是让系统在一开始就盲猜。它可以是问题、提示或行内操作，用来细化、延展或澄清首轮交互。
合适的追问既能节省算力，也能让用户感觉 AI 是在“和我一起推进”，而不是每次都从头来过。
页面还强调，随着系统对用户上下文和偏好的了解增加，追问的必要性会下降，但个性化程度会提升。
设计建议
- 把追问锚定在刚刚发生的内容上，避免与上下文无关的通用建议。
- 说明为什么会给出这个追问，让用户理解它与上一轮内容的连接。
- 列表保持短小且易扫读，只在真正需要澄清或延展对话时出现。
- 同时提供“继续深入”和“切换视角”两类选项，兼顾深度与广度。
- 在视觉上把追问与主回答区分开，把它当成邀请而不是答案正文。
- 允许用户刷新或重生追问列表，探索新的后续方向。
初始行动入口（Initial CTA）
用一个大的开放式输入入口邀请用户发起第一次 AI 互动。
模式说明
初始行动入口是用户第一次与 AI 发生交互的主入口。页面强调，它通常不是孤立的输入框，而是一组显眼的输入与动作集合，周围会配合建议、示例、模板、附件和模式选择等脚手架，帮助用户更快表达真实意图。
它的目标不是逼用户一开始就写出完美提示，而是尽快理解上下文并降低表达成本。
设计建议
- 让首步足够宽容，用建议、示例、模板和附件降低提示门槛。
- 把模式、连接、附件和增强器放在入口周边，减少系统盲猜。
- 先展示能力范围，再要求更精确的输入。
- 当 AI 只是产品中的一个功能时，把入口放在最有杠杆的工作流节点。
轻推提示（Nudges）
提示用户可以采取哪些动作来用好 AI，尤其适合新手起步阶段。
模式说明
轻推提示通过渐进式披露来暴露 AI 能力，并给用户一个可以立即触发的起点。
它常见于生成式工具与知识管理工具中，用来提示用户如何基于现有内容创造价值、处理琐事或改写已有内容。
页面把 nudges 的应用分为应用内线索、参与度提示和功能引导等不同用法，本质上都是在“降低发现成本”。
设计建议
- 用渐进式披露来暴露能力，不要一次性把所有 AI 选项压到用户面前。
- 把 nudges 放在用户真正可能采取下一步动作的位置，让提示具有上下文关联而不是纯广告位。
- 把 nudges 设计成轻量触发器，既能降低焦虑，也不打断主任务流。
- 对高阶功能或需要更多上下文的数据型功能，适当延后触发时机，让提示出现得“有根据”。
提示细节（Prompt details）
让用户看到幕后究竟发生了什么。
模式说明
提示细节模式的核心，是让用户在作品、画廊、动态流或共享工作区里直接看到结果是如何产生的。
这能帮助旁观者学习提问方式、判断作品原创度，并决定是否要复制、复用或 remix 某个结果。
页面指出，提示细节可以显示为行内信息、侧栏信息或可展开区域，公开内容则可能包括原始提示词、负向提示、模型版本、seed、参数和附件等。
设计建议
- 根据用户经验和使用场景决定公开细节的深度；新手更需要可读性，进阶用户更需要可复用性。
- 优先考虑公开提示词本身，并视情况补充负向提示、模型名与版本、seed、尺寸比例、附件用途和风格标签。
- 把细节放在行内、侧栏或可展开区域中，既保证可见，也避免压迫主画面。
随机化（Randomize）
用低门槛、好玩的结果来启动提示体验。
模式说明
随机化给用户一个轻松、好玩的上手路径：点一下骰子，就自动生成一个 seed 或提示，用户再在此基础上调整。
这种模式尤其常见于图像、音频等媒体工具中，因为它可以把“不会写 prompt”的焦虑转化成“先试试看”的探索状态。
页面还强调了 seed 的作用：它控制生成的随机性，因此随机化不仅是娱乐功能，也是帮助用户理解生成参数的入口。
设计建议
- 给随机结果加边界，确保随机提示既有趣又不会产生有害内容。
- 把随机化设计成真正的一键上手动作，而不是还要用户额外配置一堆参数。
建议提示（Suggestions）
通过提供如何提问的线索，缓解“空白画布”困境。
模式说明
建议提示是 AI 交互中的“破冰器”。它告诉用户“你现在可以问什么”，并推动对话继续向前。
系统在新线程或首次打开产品时对用户几乎一无所知，因此建议提示还承担着收集初始上下文的作用，让模型更快进入个性化或适配化状态。
页面把它分成静态建议、上下文建议和自适应建议三类，它们分别对应首轮引导、情境感知与长期个性化。
设计建议
- 点击建议后应当真正触发提示，或者把提示填入输入框供用户继续编辑。
- 建议必须利用上下文线索，例如附件内容、当前页面内容、所选模式等。
- 不要到处展示建议，优先放在用户最需要方向感的时刻，例如首轮、换场景或长时间停顿后。
- 一次展示 3 到 6 条即可，并按相关性或表现排序。
- 把建议当作新手教学的一部分，让用户借此学会怎样写更有效的提示。
- 如果建议会触发数据访问、发布或高算力操作，应先给出轻量预览或确认。
示例产品
模板（Templates）
由用户填写或由 AI 预填的结构化模板。
模式说明
模板适合用来把复杂产品能力翻译成更容易上手的任务框架。
用户往往知道自己想做什么，但并不知道该如何写出长而精确的提示。模板通过结构化字段、参数与局部文本输入，替用户搭好了这层中间支架。
它特别适合那些原本需要很长 prompt 才能得到稳定结果的任务，例如 AI 写作、图像生成或结构化工作流。
设计建议
- 尽量减少手工填写成本，用变量、@提及和简单字段帮助用户快速构造高质量输入。
- 把模板串成工作流，让多个步骤像 madlib 一样接力组合，形成更稳定的生成链路。
- 保留对来源变量和参考材料的可见性，便于后续引用、验证和调试输出。
示例产品
提示动作
自动填充（Auto-fill）
将一个提示同时扩展到多个字段或输入中。
模式说明
将一个提示同时扩展到多个字段或输入中。
- 自动填充不再只是简单复制，而是借助 AI 在行、字段和模糊任务之间批量循环执行。
- 它适合电子表格、表单、结构化记录和批量内容生成等场景。
- 由于出错代价很高，页面建议先展示少量样本结果并完成确认，再大规模运行。
设计建议
- 自动填充不再只是简单复制，而是借助 AI 在行、字段和模糊任务之间批量循环执行。
- 它适合电子表格、表单、结构化记录和批量内容生成等场景。
- 由于出错代价很高，页面建议先展示少量样本结果并完成确认，再大规模运行。
链式动作（Chained action）
将多个生成或执行步骤串联为一个连续动作。
模式说明
链式动作把多个输入、参数和工具连接成同一条工作链路。页面强调它既可用于趋同型流程，也可用于发散型探索：在开放画布上，提示、参数和工具都可以成为节点，并通过连线组成可视化流程。
它特别适合需要变量注入、多工具协作和多路径比较的任务。
设计建议
- 把链条做成可视化节点与连线，而不是埋在聊天记录里。
- 同时支持线性链和分支链，兼顾新手与进阶用户。
- 允许变量、外部数据和 AI 步骤自然混用。
- 给每一步提供预览、修改和验证能力。
描述（Describe）
把内容拆解为基础 token 与建议提示词。
模式说明
Describe 是一种主动触发的拆解动作，用来查看一个结果背后的提示、参数、token 线索或重建后的 prompt。页面把它定位为“看引擎盖下面”的能力，适合在用户想理解高质量结果为何成立或排查生成失真时使用。
设计建议
- 只在系统确实能暴露运行细节时提供 Describe。
- 优先展示重建提示、关键参数和 token 线索，帮助用户学习与复现。
- 把入口放在结果回顾区、历史记录或侧栏中。
- 与提示增强器、提示细节联动，形成从理解到改写的闭环。
扩展（Expand）
扩写原始内容，增加深度与细节。
模式说明
Expand 用于在保留原始内容意图和形态的前提下，把一个片段向外延展。页面列举了图像扩边、视频续帧、音频加长、文本从提纲到成稿等场景。
它的本质是“从碎片到整体”，适合创意探索和逐步提纯。
设计建议
- 清楚说明哪些部分会保留、哪些部分会被继续发展。
- 允许用户限定扩展范围，而不是默认作用于整体。
- 保持起点与新内容之间的连续性。
- 把继续扩展、升级为正式版、比较版本做成快速闭环。
行内动作（Inline Action）
基于页面上现有内容，在上下文中直接向 AI 发起动作或交互。
模式说明
行内动作让用户只针对一小段内容或画布局部发起 AI 操作，而不必整段重生成。页面强调它是 AI 作为 copilot 的关键能力：回复、改写、插入、转换都可以在原位完成。
设计建议
- 提供少量高价值默认动作，如缩短、扩展、总结、翻译。
- 依赖上下文排序动作，而不是给出冗长万能菜单。
- 支持细粒度选区和作用范围。
- 对重要改动提供预览和验收。
局部重绘（Inpainting）
针对生成结果中的特定区域进行重生成或 remix。
模式说明
Inpainting 允许用户只让 AI 改动内容的一部分，而不是重做全部。这让人机协作更可控：重工更少，节奏更快，也更容易在已有成果上做精修。
设计建议
- 借用用户已经熟悉的局部编辑范式，如擦除、框选、高亮。
- 改写前后都保留用户控制，支持预览、撤销和选择性替换。
- 不同媒介使用不同 affordance：图像适合蒙版，文本适合高亮后动作。
- 与验证能力联动，避免误覆盖。
填空模板（Madlibs）
在不牺牲格式与准确性的前提下重复运行生成任务。
模式说明
Madlibs 通过把任务拆成结构化字段，让用户不必从零写完整提示。页面强调它适合已知任务、稳定输入和高重复场景，例如 PRD、发布说明和标准化外联邮件。
设计建议
- 根据任务决定刚性与灵活性的平衡。
- 考虑多步复用，让同一组变量可以沿 brief - outline - draft 继续传递。
- 把 Madlibs 当成教学工具，让用户学会什么是高质量 prompt。
- 允许接入外部来源与上下文变量。
开放输入（Open input）
可用于 AI 对话和其他自然语言提示的开放式输入。
模式说明
开放输入是交互式 AI 设计里最基础也最常见的模式：用户通过一个开放式输入框与模型展开自然语言对话或发起任务。
它之所以重要，是因为这种交互方式既熟悉又直接，能让 AI 看起来更像对话对象而不是复杂机器。
页面也提醒，开放输入并不天然友好，新手经常不知道该如何开口，因此它最好和模板、nudge、过滤器、参数等其他模式配合使用。
设计建议
- 把开放输入当成交互式 AI 的核心入口，但不要只给一个空白框就结束。
- 对新手，最好配合模板、提示建议、过滤器和参数等辅助结构，降低“我不知道怎么问”的压力。
- 根据场景选择聊天框、行内输入、带参数的命令式输入或侧栏输入器等不同形态。
示例产品
重新生成（Regenerate）
在不追加输入的情况下，让 AI 重新生成对同一提示的响应。
模式说明
Regenerate 在保持同一提示与上下文不变的情况下，要求系统重跑一次生成。页面指出它是一种快速但粗粒度的控制，适合草稿试错、创意探索，也适合在错误状态下重试。
设计建议
- 让用户清楚知道是覆盖旧结果还是生成新分支。
- 让历史结果可恢复、可回看、可复制。
- 保持一键快速，但允许在重跑前调整提示、附件或参数。
- 对随机性保持透明，特别是在支持 seed 的情况下。
重组（Restructure）
把已有内容作为提示起点重新组织。
模式说明
重组类动作改变的是内容的结构，而不是表层风格或模态。页面把它放在 Restyle 与 Transform 之间，典型动作包括压缩、扩写、重排和去除赘述。
设计建议
- 用清晰预设动作暴露能力，例如“更短”“去口头禅”。
- 支持强度或目标级别，而不是只有一次性改写。
- 把变化可视化，清楚显示新增、删除和重排内容。
- 允许用户审阅、选择版本或撤销。
重设风格（Restyle）
在不改变底层结构的情况下迁移生成结果的风格。
模式说明
Restyle 改变的是输出的表层风格，而不是其结构与含义。页面将其定义为在保持原意的前提下调整呈现方式，例如更换语气、画风或编曲风格。
设计建议
- 明确把风格与结构分离，避免改风格时顺带改事实。
- 提供快速可见的风格预设。
- 不要只有开关，最好提供强度层级。
- 同时支持简单默认样式和高级自定义。
摘要（Summary）
让 AI 将主题或资源提炼成核心内容。
模式说明
Summary 负责把信息压缩、整理成更易理解、记忆和行动的形式。页面强调它必须尽可能忠于原始材料，重点是抽出关键信息，而不是替用户加入新解释。
设计建议
- 优先做忠实压缩，而不是顺手加入模型自己的观点。
- 自动附上引用或回链，帮助用户回到源材料验证关键点。
- 在高精度场景中保留原句或提供“引用+压缩”模式。
- 定期评估遗漏偏差，避免系统性忽略关键观点。
综合提炼（Synthesis）
把复杂信息提炼或重组为更简单的结构。
模式说明
Synthesis 会把多个来源重新组织、抽取模式、总结主题，并形成更高层洞察。页面明确指出，它不同于纯摘要，因为它会引入模型解释和推理。
设计建议
- 把推理过程显性化，让用户看到系统怎样分组和得出结论。
- 把证据与解释区分开。
- 在证据不足或相互矛盾时公开不确定性。
- 对关键标签、主题或结论提供验证环节。
变换（Transform）
用 AI 改变内容的表达模态。
模式说明
Transform 指在保留意图、约束和保真度的前提下，把内容从一种模态转到另一种模态。页面列举了音频转文字、文本转图像、文档转幻灯片、代码转图示等常见形态。
设计建议
- 把转换入口放在用户最可能想到它的地方。
- 在跨模态转换时优先保留意图和约束。
- 从小草稿开始，再升级到完整转换。
- 与分支、草稿模式联动，让高成本转换先做低成本预演。
调优器
附件（Attachments）
给 AI 一个明确的参考物，以锚定它的回答。
模式说明
附件通过把具体资料交给模型参考，来塑造回答逻辑。页面强调它的核心价值是把 AI 锚定在更密、更可靠的上下文里，从而减少歧义和幻觉。
设计建议
- 允许用户给附件指定用途：风格参考、分析对象或两者兼有。
- 把指导型附件和主要来源附件在视觉上区分开。
- 引用附件内容时给出标注或回链。
- 默认保护组织数据，明确训练隔离与存储方式。
连接器（Connectors）
让 AI 能引用外部数据与上下文。
模式说明
连接器把 AI 与外部系统连接起来，让它能读取甚至操作 Drive、Slack、Jira、日历、CRM 或内部知识库中的数据。好的连接器会把权限边界、数据来源和读写能力说清楚。
设计建议
- 把连接内容当作不可信输入处理，先解析再行动。
- 给用户简单的风险控制开关，如排除来源和只读模式。
- 设计可见的防护栏，避免 prompt 注入。
- 提前规划失败模式，出问题先返回安全摘要。
过滤器（Filters）
按来源、类型、模态等约束 AI 的输入或输出。
模式说明
过滤器让用户告诉 AI：哪些来源、词元或输入应该被优先考虑，哪些应该被排除。
页面把它拆成两类：来源过滤用于限制 AI 从哪里取上下文，token 级过滤则用于压低某些词、风格或结果特征。
这类模式的价值在于为生成设置边界，但页面也明确提醒：过滤并不能消除 hallucination，最好与附件、引用等其他调优模式一起使用。
设计建议
- 让过滤条件显式可见，尤其是 token 级过滤时要让用户知道哪些约束正在生效。
- 尽量支持自然语言表达过滤意图，而不是只允许僵硬的菜单配置。
- 当过滤器过严导致无结果时，给出可恢复的空状态，而不是沉默失败。
- 可以记住用户偏好，但每轮都应智能校正，避免用户长期把有价值信息误过滤掉。
示例产品
模型管理（Model management）
让用户指定提示所使用的模型。
模式说明
模型管理模式的核心，是让用户能知道当前正在使用哪个模型，并在需要时主动切换。
页面指出，用户切换模型往往不是为了“折腾”，而是因为不同模型在准确性、知识时效、成本、风格、安全与基准测试上都有不同取舍。
同时，模型选择往往呈现出免费版、专业版、企业版和垂直专用模型等分层结构，因此界面必须帮助用户理解这些差异。
设计建议
- 在生成位置清楚显示当前激活的模型，让用户随时知道结果由谁生成。
- 用用户听得懂的语言解释模型差异，例如准确性、知识新鲜度、速度、成本与风格，而不是只报模型代号。
- 支持在不丢失上下文的前提下切换模型，避免为了换模型而重开会话或重传附件。
- 系统可以默认自动路由，但也要给高级用户和企业管理员手动覆盖能力。
- 鼓励先用低成本模型打草稿，再在关键时刻升级到高阶模型。
- 在选择前展示 token、延迟和计费影响，降低“用完才知道贵”的不信任感。
示例产品
模式（Modes）
让底层训练、约束与人格设定适配特定使用场景。
模式说明
模式让用户快速切换 AI 的行为方式、训练配置和可用能力，以适配当前任务。页面提到常见模式包括开放对话、深度研究、辅导模式、copilot、创意模式和 operator 模式。
设计建议
- 明确模式切换的继承规则，说明哪些上下文沿用、哪些重置。
- 用安全默认值和自动路由覆盖多数用户需求，同时保留手动切换。
- 让高价值模式易发现，但对高成本模式提前预告代价。
- 模式命名应贴近任务，而不是贴近模型内部实现。
参数（Parameters）
在提示中加入约束条件，供 AI 生成结果时参考。
模式说明
参数位于用户意图与模型生成过程之间，像旋钮一样调节 AI 的行为边界。页面从早期在 prompt 中硬写 flag 讲起，再到今天更常见的滑块、下拉框和快捷 chips，说明这个模式已经从专家玩法走向大众界面。
设计建议
- 默认值要有意义且可理解。
- 常用参数更前置，高级参数采用渐进披露。
- 对极端值提供 guardrail。
- 明确参数是否会跨会话保留。
预设风格（Preset styles）
提供默认选项来改变生成内容的质感、审美或语气。
模式说明
预设风格为创意控制提供一个低门槛入口。页面强调，它允许用户在不理解复杂提示或微调机制的情况下，直接把既定的视觉、语气或行为特征应用到生成结果上。
设计建议
- 用示例、名称和说明把风格变成可理解的选择。
- 支持保存、置顶、共享和版本信息。
- 让预设可组合、可微调，而不是完全覆盖用户表达。
- 提供强度或混合度控制。
提示增强器（Prompt enhancer）
自动增强或补全提示，使其更具体、更有效。
模式说明
提示增强器把模型暗中改写用户输入的过程搬到了台前。系统根据用户粗略意图，给出更清晰、更受约束、更适合模型理解的 prompt 草稿。
设计建议
- 增强结果必须显式可见、可审阅、可继续编辑。
- 用自然语言动作替代抽象提示工程。
- 如果需要最少上下文再增强，应给出清楚阈值提示。
- 增强时保留用户原意、约束和语气。
保存风格（Saved styles）
允许用户定义并复用自己的风格预设。
模式说明
保存风格让用户把自己训练出来的风格长期保存并反复调用。页面强调它能降低重复劳动，并帮助团队或个人稳定地产出符合品牌或个人偏好的结果。
设计建议
- 让风格提示、参考附件和负向约束保持可见、可编辑。
- 支持把自定义风格放入账户或团队画廊。
- 允许风格混合、强度调节和二次探索。
- 明确风格作用边界，区分语气、结构和品牌约束。
语气与文风（Voice and tone）
让输出以一致方式匹配你的语气、文风与偏好。
模式说明
语气与文风模式关注如何让 AI 输出在不同内容和渠道中保持一致。页面从营销团队、个人写作和跨团队协作三个层面说明：当输出需要长期保持“像同一个人/同一个品牌说话”时，简单预设不够。
设计建议
- 把可配置维度拆清楚，例如词汇、句式、详略、格式和区域化变体。
- 当个人声音与团队品牌声发生冲突时，显式标出当前生效来源。
- 始终提供一键重置到默认语气的能力。
- 把默认风格、保存风格和模型能力结合成可管理资产。
治理与控制
行动计划（Action plan）
让 AI 在执行前先展示将如何响应用户提示的步骤。
模式说明
当 AI 要执行高成本或高风险任务时，行动计划会先把准备采取的步骤展示给用户。它既可以是建议型，只供旁观；也可以是契约型，必须经过确认后才继续。
设计建议
- 在消耗算力或做出修改前先展示计划。
- 计划必须易扫读，必要时可展开更细颗粒度。
- 允许逐步修改计划，而不是整份重来。
- 对熟练用户允许折叠或跳过，但始终保留回看入口。
分支（Branches）
支持迭代式提示，同时保留回到原始上下文的轨迹与可见性。
模式说明
分支允许用户在不丢失原始路径的情况下，沿着多个生成方向同时探索。它适用于聊天线程、变体网格和工作流图，本质都是打破线性流程。
设计建议
- 保留与源提示的关系，清楚标出 parent/child 或回溯路径。
- 在消息动作、资产卡片和节点上把“分支”做成一等动作。
- 创建分支时显示继承的上下文，并允许去掉无关内容。
- 提供轻量级合并方式，把好结果带回主线。
引用（Citations）
让 AI 通过行内标注引用其来源。
模式说明
引用模式把 AI 的回答重新连回到底层材料，例如 PDF、访谈转录、网页或内部数据库。
它不只是为了“显得更可信”，更是为了让用户能够核验、追溯并发现模型是否在夸大或误读来源。
页面还区分了行内高亮、直接引文、多源引用和轻量链接等几种形态，它们适合不同的核验深度。
设计建议
- 让引用粒度与论断粒度匹配：越具体的事实，越应指向具体段落、时间点或素材位置。
- 把引用放在用户预期的位置：句内主张适合行内引用，长文探索更适合侧栏或抽屉。
- 支持轻量预览与深度跳转两种模式，兼顾快速核验与深入阅读。
- 当引用失效或缺失时应明确告知，而不是悄悄隐藏。
- 用标题、站点名、favicon 等简短元数据帮助快速判断来源相关性。
- 让用户可以在生成后重设引用范围，例如改域名、删弱源或增补附件。
示例产品
控制项（Controls）
管理信息流，或在处理中途暂停请求以调整提示。
模式说明
控制项通过停止、暂停、快进、继续等动作，把用户重新放回驾驶位。页面出发点很直接：如果用户只能等到任务跑完再修正，就会同时浪费时间和成本。
设计建议
- 停止按钮必须一键可达，并在任务完成前始终有效。
- 对长任务提供优雅的暂停与恢复。
- 允许用户在流程进行中继续排队或规划后续任务。
- 如果某个控制会触发重跑，尽量保留为新版本。
成本估算（Cost estimates）
通过透明的动作成本估算，帮助用户主动调节算力消耗。
模式说明
成本估算把隐藏在后台的生成成本显性化。页面指出，把不同提示、模型和参数组合对应的成本提前展示出来，能帮助用户在运行前做取舍。
设计建议
- 明确估算单位，例如 token、秒数、字符数或 credits。
- 用用户熟悉的单位呈现成本，并解释与金钱的映射。
- 在模型选择、关键参数和多步流程层面同时展示相对成本。
- 与草稿模式联动，先走低成本路径探索。
草稿模式（Draft mode）
在最终定稿前，以更低成本支持探索与迭代式提示。
模式说明
草稿模式让用户先用更少细节或更低算力拿到预览，再决定是否升级到高保真正式生成。它的关键价值不只是省钱，而是把高成本生成拆成快速试错回路。
设计建议
- 明确告诉用户草稿模式牺牲了什么。
- 从草稿升级到正式版时，尽量保留 seed、prompt 和关键参数。
- 把升级、复制为正式版、比较结果做成一键操作。
- 不要悄悄把高成本任务降级到草稿质量。
记忆（Memory）
控制 AI 知道你哪些细节。
模式说明
记忆让 AI 能跨会话保留并复用关于用户的上下文、偏好和事实，从而把系统从一次性工具变成持续助手。页面同时强调了误记、泛化错误和无关信息累积的风险。
设计建议
- 记忆绝不能是黑盒，新增了什么、为什么影响当前结果都应可见。
- 区分偏好与事实记忆。
- 支持不同范围的记忆映射，例如个人、项目和当前会话。
- 允许用户编辑、删除、补充和主动保存关键记忆。
参考来源（References）
查看并管理 AI 在生成回答时引用的额外来源。
模式说明
参考来源模式让用户看到 AI 为了生成回答到底引用了哪些外部材料。
它的价值在于把“黑箱”里的检索结果显性化，让用户知道结论是站在哪些网页、文件、代码或资料之上的。
页面强调，参考来源既要容易找到，也要与任务的重要性匹配：有时需要详细元数据，有时只需要一个轻量入口。
设计建议
- 让参考来源容易找到，但不要用过多元数据打断主流程。
- 根据任务重要性决定信息密度：验证型任务更需要显式来源，轻量对话则可以折叠展示。
- 允许用户在生成后重新管理引用来源，例如移除弱来源、补充新来源或切换域范围。
样本响应（Sample response）
用样本结果来确认复杂提示是否符合用户意图。
模式说明
样本响应是在正式执行前先生成一个轻量级样本，让用户预览系统大致会做什么。它可以显著减少误跑、错跑和大规模重试。
设计建议
- 样本应该代表最终意图与质量方向。
- 允许用户按需跳过样本。
- 在样本阶段就展示扩展到全量运行时的时间和成本。
- 当风险或影响面很大时，默认先给样本再允许放大执行。
共享视图（Shared vision）
在共享画布或工作区中实时可见 AI 的动作。
模式说明
共享视图让人类在 AI 自主执行任务时，能够被动观察其正在看什么、做什么，并在必要时介入。它可能是一块共享浏览器窗口、一个实时更新画布或一些持续存在的状态提示。
设计建议
- 只有当介入摩擦有价值时才增加人为停顿。
- 在开始前预告权限和可能的介入点。
- 不要把“看得见”误当成“绝对安全”。
- 给用户明显的 takeover 入口。
思路流（Stream of Thought）
展示 AI 的逻辑过程、工具使用与决策，以便监督与审计。
模式说明
思路流展示了 AI 从输入到结果的可见轨迹，包括计划、工具调用、执行日志和关键决策。它的意义不在于炫耀模型，而在于把原本黑盒的过程变成可检查、可审计、可停止的工作流。
设计建议
- 先给出将要执行的短计划，便于低成本阶段纠偏。
- 明确区分计划、执行和证据三层信息。
- 按任务复杂度控制默认展开程度，并提供渐进披露。
- 把步骤设计成清晰状态，如排队中、运行中、等待批准、失败、重试、完成。
变体（Variations）
浏览多个结果变体，从中选出最合适的一版。
模式说明
变体模式让用户一次比较多个可能输出，从中选择最接近意图或意外更好的版本。它适合图像、文本、代码等多种场景，本质上是在探索空间和收敛效率之间取得平衡。
设计建议
- 同时展示多个变体时，保持来源关系和参数信息可见。
- 允许用户控制变体数量、差异强度和 seed 一致性。
- 不要在未确认的情况下覆盖原结果。
- 在适合的产品中，把变体与分支、重生成结合。
确认验证（Verification）
在继续之前允许用户确认 AI 的决策与动作。
模式说明
当 AI 以代理或工作流形式替用户行动时，验证模式是控制风险的必要闸门。页面强调，它不应对所有动作一视同仁，而应在高影响操作前默认介入，在低风险动作中尽量轻量。
设计建议
- 对高风险、高成本、涉及敏感信息或可能覆盖数据的动作，默认要求验证。
- 把验证做成轻量的 go/no-go，而不是冗长表单。
- 对重复且低风险的流程，允许通过设置或规则降低验证频率。
- 在验证界面清楚展示将要更改什么、成本多少、会影响哪些对象。
信任构建
注意事项（Caveat）
向用户说明模型或整体技术的局限与风险。
模式说明
注意事项用于提醒用户 AI 可能出错、不完整或带有偏差。页面也坦率指出：虽然这个模式几乎无处不在，但它到底能否真正培养用户的怀疑精神，其实仍然存疑。
设计建议
- 让提醒在关键决策点可见，但不要埋进页脚或开屏。
- 使用直白语言，并在需要时链接到更深入说明。
- 让提醒贴合上下文，例如提醒核对日期、来源或数值。
- 不要把 caveat 当成唯一防线，应与引导、引用和足迹一起工作。
同意（Consent）
只有在他人知情并同意的前提下采集其数据。
模式说明
同意模式用于在 AI 记录、分析、训练或处理他人数据之前，显式取得许可。页面特别强调语音、肖像和会议记录等场景的伦理与法律敏感性。
设计建议
- 把同意设计得清晰可见，不能依赖埋藏文字或模糊图标。
- 默认采用 opt-in，而不是假设沉默即同意。
- 区分记录、分析、训练和肖像/声音复制等不同授权。
- 在持续录制或分析场景中使用持续可见的状态提示。
数据所有权（Data ownership）
控制模型如何记忆并使用你的数据。
模式说明
数据所有权关注用户与平台之间对数据保留、训练和使用边界的界定。页面批评了很多产品默认开启训练、甚至只在付费版开放退出选项的做法。
设计建议
- 以隐私为默认值，用户不应事后才发现数据会被拿去训练。
- 把训练权限与数据保留权限分开。
- 在 UI 里明确默认状态，而不是只藏在政策里。
- 清楚解释数据采集、保留和训练之间的差别。
AI 披露（Disclosure）
清楚标记哪些内容和互动是由 AI 引导或生成的。
模式说明
披露模式的目的是明确告诉用户：什么时候是在和 AI 互动，哪些内容是由 AI 生成、编辑或驱动的。
页面指出，披露不是单一做法，而要根据产品形态来选：纯 AI 产品可以更轻，人与 AI 混合的产品则必须更显式。
它的本质，是让用户在知情前提下决定是否接受这种体验，从而建立更稳固的信任。
设计建议
- 每次都明确指出“是谁在说话”：AI 消息应有清晰的发送者标识和稳定的视觉身份。
- 不仅要标记功能，更要标记动作，例如“由 AI 总结”“由 AI 改写”，这样用户才知道哪些内容需要核验。
- 在人机混合场景中，要让用户清楚区分 AI 生成、AI 编辑与人工改写过的内容。
- 披露应建立知情信任，而不是制造额外摩擦；在纯 AI 产品里可以适当简化，在混合产品里要更明确。
足迹（Footprints）
让用户能够追踪 AI 从提示到结果的路径。
模式说明
足迹是指那些让人看见“AI 参与过什么、怎么参与的”的可见与机器可读痕迹。它帮助用户回溯来源、帮助团队审计结果，也帮助组织满足政策和监管要求。
设计建议
- 同时考虑界面层和系统层足迹。
- 让足迹入口可发现且一致。
- 把参数、引用、思路流、水印等信息串成可回溯链条。
- 注意那些非刻意足迹，它们同样会影响可信度。
无痕模式（Incognito Mode）
在不被 AI 记忆的前提下进行交互。
模式说明
无痕模式让用户在不访问或改变长期记忆的前提下与 AI 交互。页面列举了避免偏好污染回答、隔离企业敏感信息、让他人临时试用设备等多种动机。
设计建议
- 在私密模式下收紧连接器和外部集成的作用域，并把受限项说清楚。
- 用清晰图标和视觉变化让用户一眼分辨当前是否处于无痕状态。
- 解释什么会被保留、什么不会被保留。
- 在个人隐私与企业合规之间找到边界。
水印（Watermark）
附在 AI 生成内容上的可被人或程序读取的标识。
模式说明
水印模式用于帮助人和平台识别哪些内容由模型生成。页面把覆盖式水印、统计式水印和基于内容溯源的做法放在一起讨论，并指出任何单一方案都不够完美。
设计建议
- 根据场景选择可见水印、统计水印和元数据溯源的组合。
- 对用户讲清楚水印的能力边界。
- 尽量与内容溯源标准对齐，例如 C2PA。
- 在产品文案和 caveat 中帮助用户理解水印能做什么、不能做什么。
识别符
头像（Avatar）
AI 本体的视觉标识，帮助它更易识别、更易记忆并符合品牌调性。
模式说明
头像是 AI 与用户交互时所采取的“形体”。页面指出它至少承担三项职责：传达状态、锚定身份、调节信任。越拟人，越容易激发陪伴感，也越容易带来误导风险。
设计建议
- 明确展示状态变化，让用户知道 AI 正在听、在想还是在等待。
- 让头像成为 UI 的一部分，在处理中承担轻量反馈。
- 在语音模式中，把声音本身也当作头像来设计。
- 在品牌辨识与抽象克制之间取得平衡。
颜色（Color）
帮助用户识别 AI 功能或内容的视觉线索。
模式说明
颜色是 AI 功能最常见的识别性线索之一。页面观察到，目前紫色和绿色在 AI 产品中最常见，但这更像一种行业趋势，而不是正式标准。
设计建议
- 把颜色当作提示线索，而不是唯一信号。
- 不必盲从紫绿配色趋势，应优先考虑品牌一致性与可区分性。
- 让颜色服务状态与内容类型区分，而不是只服务营销视觉。
- 对对比度、渐变和饱和度保持克制。
图标体系（Iconography）
在整个界面中代表 AI 能力动作的图形符号。
模式说明
图标体系用熟悉的视觉符号替代文字，帮助用户快速识别 AI 行为。页面指出，sparkles、魔杖、带闪光的铅笔、骰子等都很常见，但含义并不总是一致。
设计建议
- 只有在语义相对稳定的动作上才主要依赖图标。
- 为 generate、edit、summarize、enhance 等核心动作建立清楚且一致的隐喻。
- 不要把 sparkles 滥用于一切 AI 场景。
- 在产品内部保持一致性，比追求行业感更重要。
名称（Name）
产品内及整体用户旅程中，AI 被如何命名和称呼。
模式说明
名称模式处理的是一个非常基础但影响极大的问题：我们到底该怎么称呼这个 AI？
名称不仅影响理解，也会影响预期。它可以把 AI 塑造成工具、伙伴、品牌角色或抽象技术能力中的一种。
页面指出，行业里常见的命名路径主要有四类：人格化名称、品牌直连名称、角色型名称和纯技术型名称。
设计建议
- 无论名字多有品牌感，都不能让用户误以为自己在和真人互动，必须配合 badge、上下文文案或 onboarding 说明。
- 名称应该服务品牌定位，例如强调陪伴、协作、专业或工具属性。
- 当个性化命名确实有价值时，可以允许用户自定义，但不能破坏披露与防冒充边界。
- 避免名字过度拟人化到超出模型能力，否则一旦表现不符就会反噬信任。
- 从聊天标题、通知、语音提示到 API 文档，都要确保名称跨界面、跨语言保持一致。
示例产品
人格气质（Personality）
区分 AI 个性与气质的特征。
模式说明
人格气质不是贴在模型外面的皮肤，而是由预训练分布、指令调优、系统提示、过滤器和运行时路由共同形成的行为倾向。它会直接影响用户感受到的友好程度、纠错方式、保守程度和边界感。
设计建议
- 承认人格不可避免，不要假装存在完全中性的模型人格。
- 在一致性与适配性之间平衡。
- 把共情和权威区分开，友好不应削弱事实准确性。
- 当路由或模型切换导致人格变化时，给用户可见信号。