面向终端用户的LLM工具设计：洞察用户认知与情感的多维框架

我最近参与了一系列围绕终端用户设计大型语言模型工具的有趣讨论，其中一个核心的产品设计命题逐渐浮现：“人们对人工智能究竟了解多少？”这个问题的答案至关重要——正如每一位资深产品设计师都会强调的那样，没有对用户的深度理解，就不可能打造出真正可用的产品。试想一下：当你耗费心力搭建一个网站，假设所有访客都精通普通话，于是你用中文撰写了全部界面，却发现实际用户全是西语使用者。你的产品再精美、功能再完善，这一致命的前提错误都会使成功的可能性大打折扣。

因此，当我们着手为用户构建基于LLM的工具时，必须退后一步，认真审视用户对LLM的真实认知图景。例如：

• 他们可能对大型语言模型的底层机制一无所知，甚至从未听闻
• 他们可能根本没有意识到，自己日常使用的某些工具背后已经有LLM在默默支撑
• 他们可能因为接触过一些演示性极强的强大应用，而对LLM的能力抱有不切实际的幻想
• 他们可能对人工智能技术持有系统性的不信任甚至敌意，源于对隐私、伦理或失业的担忧
• 他们对LLM生成内容的信赖程度，会因个体过往的交互经验而产生巨大差异
• 他们可能期待计算机给出确定性的唯一答案，而LLM本质上是概率性的，无法提供这种确定性

用户研究一直是产品设计中不可逾越的基石，而在构建基于大型语言模型的工具时，跳过这一环节无异于盲人摸象。我们绝不能想当然地认为，自己对特定受众过往使用LLM的经历了然于心，更不能把自己的体验直接投射到用户身上——这种自以为是往往是产品失败的起点。

用户类型的重新划分

综合来看，可以将用户大致归纳为以下四个类别：

无意识使用者（不知情/不关心）

这类用户几乎从不主动思考人工智能的话题，也不认为AI与自己的日常生活存在交集。他们对底层技术自然知之甚少，且缺乏探索的好奇心。对他们而言，AI就像自来水一样——用到了却从未深究其来源。

回避型用户（AI即威胁）

该群体对人工智能整体持负面预设，他们在接触任何AI相关功能时都会戴上一副“怀疑的眼镜”。对于这些用户来说，强行嵌入AI元素可能对品牌形象造成难以修复的伤害，甚至引发强烈的抵制情绪。

人工智能爱好者（AI即万能灵药）

这些用户对人工智能怀有极高的热忱，但期望往往远超技术实际所能。他们期待AI接管一切繁琐事务，完美回答任何问题——这种不切实际的“魔法思维”一旦落空，便会迅速转化为巨大的失望与批评。

知情的人工智能用户（赋能导向）

此类用户拥有相对现实的技术视角，信息素养通常较高。他们信奉“信任但核实”的原则，对LLM提供的引用来源和证据质量十分敏感。正如原作者所言，这类用户只在AI确能提升特定任务效率时才会主动调用它，而非盲目依赖。

基于这一框架，我认为过度乐观与过度悲观的观点往往都源于技术知识的缺失，但两类用户的动机和应对策略截然不同。信息水平与情感倾向（包括情感强度与性质）的交织共同构成了鲜活的用户画像。我与作者的分歧在于：我坚持认为，许多“人工智能爱好者”对能力的过度期待恰恰源于知识匮乏或信息摄入失衡，而非真正的信息富足。

这一认知为我们设计新的大型语言模型解决方案打开了广阔的思考空间。产品开发者时常陷入一种惯性陷阱，以为“信息水平”是唯一的用户分群维度，却忽略了社会对这项新兴技术的态度光谱极其宽广——这种态度层面的差异，同样会深刻影响用户如何接收、解读和评价我们的产品。

情感极化的根源探析

为什么偏偏是生成式人工智能引发了如此两极分化的用户画像？我们日常接触的其他技术很少激起同等强度的情感波澜。生成式人工智能及其他生成式AI技术的“新”固然是原因之一，但更深层的原因或许藏在其几个独特的质性特征中。

非确定性

过去几十年，计算技术已成为我们生活的一部分，我们逐渐习惯了一种不言自明的契约：计算机的输出是可重复的。同样的按键、同样的指令，总会得到大致相同的回应。这种一致性赋予了我们掌控感——只要学会正确的操作模式，就能稳定达成目标。生成式人工智能打破了这份默契。它的输出天然具备非确定性，相同的问题可能带来截然不同的答案。对于习惯了确定性反馈的普通用户而言，这种“按下葫芦浮起瓢”的体验极易动摇他们原本可能持有的信任。非确定性当然是技术演进的自然产物，一旦理解了概率模型的本质，它便是值得珍视的特性；但对于信息尚不充分的用户阶段，它更可能成为认知摩擦的源头。

不可理解性

这其实就是“黑箱”的另一种表述。生成式人工智能所依赖的神经网络规模之庞大、交互之复杂，使得即便是直接参与技术开发的专业人士，也无法完整解释一个输出“为何如此”。我们无法逐一检视网络层中数以亿计神经元的权重配置——那太复杂了，变量数目早已超出人类认知的可整合边界。诚然，当前已有许多富有价值的可解释性工具，帮助我们理解影响某次预测的关键杠杆，但对模型工作原理进行全景式的、直觉化的解释仍然遥不可及。这意味着，我们不得不接纳某种程度的不可知性，而这种“知其然不知其所以然”的状态，对科学家思维者乃至普通好奇者都是不小的挑战。

自治权

当前业界正积极推动生成式人工智能向半自主智能体演进，这无异于赋予工具在越来越少的监督下自行决策和执行的能力。某些场景下这确实令人兴奋，却也滋生了新的焦虑。考虑到我们已经意识到这些模型是非确定性的，且无法在全局层面被解释，赋予它们自主性难免显得危险。如果用户无法预知模型将要做什么，也无法全然理解它为何这样做，那么声称该技术可以在无人监管的环境中安全运行，自然会引起部分用户的警觉。我们当然在持续开发评估与测试策略以遏制不良输出，但风险无法彻底归零——任何概率性技术都是如此。而生成式人工智能自主性的另一面是，它可能在用户毫无察觉的情况下“隐身”完成任务：AI在幕后默默运作，用户甚至不知道自己正与人工智能交互。这种“无标记”使用情境，连同AI输出与人类创作愈发难以区分的趋势，共同构成了公众忧虑的重要来源。

对产品设计的具体启示

以上讨论绝不意味着构建基于生成式人工智能的产品与工具是不可能的。它意味着，我们需要比以往更审慎地判断：生成式人工智能是否真正适配眼前的问题或任务，并同等严肃地权衡风险与收益。这始终是决策的第一步——确保AI是恰当的技术选择，且组织愿意承担随之而来的不确定性。

在此基础上，我给产品设计师的建议如下：

开展扎实的用户调研。清晰描绘上述四类用户在你目标人群中的分布比例，并针对这一分布规划产品的容纳策略。如果回避型用户占相当比重，应提前设计信息宣导与采纳促进方案，考虑渐进式推广以避免对用户群体造成冲击。反之，若爱好者用户高度集中，则务必明确框定产品的能力边界，防止“你的AI怎么这么笨”之类的失望反馈。一旦用户期待生成式AI创造奇迹，而产品受制于安全、责任、功能范围等现实约束无法兑现，体验落差便不可避免。

为真实用户构建，而非为想象中的用户构建：这句话看似显而易见，但其内核是：用户研究的结论应深刻塑造生成式AI产品的外在体验，更应影响产品的内在构建逻辑与功能取舍。我们应从实证证据出发定义工程目标，洞察产品需要具备哪些能力、适配哪些交互路径。

将用户教育置于优先级顶端。如前文所述，无论用户的情感底色是热烈拥抱还是冷眼旁观，对其进行审慎的解决方案教育都至关重要。我们有时会不自觉地假设“他们自己慢慢就会懂”，于是省略了必要的引导——这是危险的。必须通过清晰的沟通，现实地锚定期望，并提前回答怀疑者可能提出的质疑，才能为积极用户体验奠定基础。

勿强制，勿绑架。近期的产业动向显示，一些过去备受喜爱的软件产品正在强制嵌入生成式人工智能功能，用户无法选择退出。我们必须正视：总有那么一部分用户群体，无论规模大小，可能坚决拒绝使用生成式人工智能工具。原因可能是批判性态度、安全合规要求，或仅仅是缺乏兴趣。尊重这种拒绝，是维护品牌声誉与用户关系的底线智慧。如果你的解决方案确实有用、有据、经过充分测试且沟通得体，随着时间推移，你或许能够逐渐提升工具的接纳度——但“强扭的瓜”永远无法孕育真诚的采用。

结语

归根结底，上述建议对于几乎所有技术产品设计工作都具有普适价值。但我必须再次强调：生成式人工智能正在从根本上改写用户与技术互动的方式，它对我们习以为常的设计假设提出了根本性质疑。因此，在推出这类产品之前，我们比历史上任何一个时刻都更需要俯身审视用户——审视他们的认知起点、情感坐标与语境脉络。许多组织和企业已经从惨痛经历中认识到，新产品是留下深刻印象的绝佳契机，但这一印象可以是天堂，也可以是地狱。你的产品有极大的机会在用户心智中刻下烙印，但它同样可能一刀斩断你与用户之间辛苦建立的信任纽带，并将品牌拖入棘手的危机管理泥潭。所以，起步请轻缓，途中请竭诚，始终怀抱谦逊与审慎。