准则概览

1. 【基础】明确能力边界：向用户展示该AI产品能做什么，不能做什么，以及AI做了什么；

2. 【基础】渐进式准则（当前阶段适用）：对用户当前行为进行无缝衔接；

3. 【基础】信息密度控制（移动端适用）：对生成式内容、多轮交互内容考虑分层展示，需避免信息过载；

4. 【智能】零摩擦交互：主动介入用户犹豫、困惑时机，自动修正内容；

5. 【智能】情境记忆：记住用户最近的行为，如面对同一话题帮用户追溯历史；

6. 【智能】解释可调：支持用户优化理解；

7. 【可控】控制权归属：用户可随时终止服务，删除数据；

8. 【可控】失败优雅性：反馈的内容给出关联答案、无法提供的同时告知边界；

9. 【可控】效率与响应速度：保证加载速度、给出预期结果的时间；

具体说明

以下设计案例基于常见产品实践与可实现的软件架构模式（分层缓存、权限分级、渐进式加载、用户可控隐私设置等），未包含未经验证的统计数据或夸大承诺。给出的性能目标（如首字节时间、详细答案时长）为工程常用建议范围，应根据具体产品规模与平台能力调整并通过性能测试验证。我们在实际应用中，是辅助设计了一套可用性监测指标用来检验原则的有效性。

1、【基础】明确能力边界

• 产品场景/案例：健康咨询助理（移动App内嵌）在打开界面显性卡片展示“本助手能做/不能做/已做过的事项”；减少误用与过度依赖，降低法律和信任风险；提升用户预期匹配，提高满意度。

• 适用场景：所有面向用户的生成式AI产品，尤其是涉及敏感领域（医疗、法律、财务），在正常的电商、生活服务等领域，也需要针对性进行产品能力边界告知。

• 关键设计要点：

  • 首次使用与设置页展示三栏：能做（明确功能）、不能做（列出禁止场景，如诊断、处方、紧急情况）、AI已做（每次生成输出在结果上方简短说明“由模型生成于 时间、基于输入 X”）。

  • 结果页内嵌“可信度/来源声明”按钮，点击展开模型依据与限制说明。

  • 提供“同意与继续”流程，要求用户确认已阅读边界后才进入深度交互（可免除频繁出现）。

• 示例流程：用户请求“帮我制定减脂计划”→顶部Banner显示能/不能/已做模板→用户确认→系统生成计划并在结果顶部标注“生成依据：用户身高体重+目标；本内容为一般建议，非医疗诊断”。

• 衡量指标：用户对边界声明的点击率、因误用导致的投诉率、首次任务完成率。

• 风险与缓解：文字太抽象导致忽视→用简单示例和视觉标签（绿/黄/红）协助理解。

2、【基础】渐进式准则（当前阶段适用）

• 产品场景/案例：写作辅助工具在用户从“草稿”到“定稿”不同阶段提供分级能力：建议—编辑—润色—生成引用素材；与用户当前行为无缝衔接，降低学习成本，提高效率与采纳率。

• 适用场景：多步骤工作流场景（编辑、学习、训练计划迭代等）。

• 关键设计要点：

  • 根据用户操作上下文自动切换提示级别（如检测到短句→提供扩写；检测到完成稿→提供润色/引用校验）。

  • 提供明显的“当前阶段指示器”（Draft / Revise / Finalize），并将推荐操作映射到该阶段。

  • 支持用户手动覆盖阶段并保存偏好。

• 示例流程：用户上传一段健身目标描述→系统识别为“初稿”并显示“需补充信息”提示，提供问答式补齐模板→用户补齐后自动切换到“编辑”并提供更细化输出。

• 衡量指标：阶段自动识别准确率、用户接受系统推荐率、阶段切换后的任务完成时间缩短。

• 风险与缓解：误判用户阶段→允许一键切换并记录用户反馈用于模型微调。

3、【基础】信息密度控制（移动端适用）

• 产品场景/案例：移动端问答界面对长答案采用“卡片+折叠”层级展示，首屏仅显示核心结论与3条行动建议，更多细节点按需展开；避免移动端信息过载，提高可读性和用户快速决策能力。

• 适用场景：移动端、通知面板、聊天机器人与多轮长回答场景。

• 关键设计要点：

  • 采取“摘要→关键点→详细展开”三层结构，首层控制在1–2行结论；第二层3–5条要点；第三层可无限展开的细节与引用。

  • 使用视觉优先级（字体大小、卡片、图标）区分层级。

  • 在多轮对话中显示“当前对话摘要”条，避免重复信息。

• 示例流程：用户问“如何减肚子”→首屏显示“结论：热量赤字+核心力量训练”；点开“关键点”显示饮食、训练、恢复三块建议；点“展开”看到具体食谱与训练动作。

• 衡量指标：平均首屏停留时间、展开详情率、用户投诉“信息过多”的比率。

• 风险与缓解：用户误以为摘要为全部内容→在摘要旁放“查看更多”明显入口并用短语提示“还有详细步骤”。

4、【智能】零摩擦交互

• 产品场景/案例：电商客服助理在用户在结账页停留超过一定时间未操作时，自动弹出简短帮助（如“需要帮忙选择配送方式或使用优惠吗？”）并可一键解决；降低用户犹豫导致的流失，提升转化率与体验流畅度。

• 适用场景：购物、表单填写、流程型任务（注册、预约、订餐）等易卡壳场景。

• 关键设计要点：

  • 触发条件明确：停留时间、输入错误、回退意图、重复点击等。

  • 提供一键修正操作而非仅提示（例如一键填充、自动纠错、智能推荐）。

  • 保留用户控制：提示可轻易关闭，不强制介入。

• 示例流程：用户填写健康问卷输入“身高=152cm, 体重=520kg（误输）”，系统自动检测异常并弹出纠正建议“体重是否为52.0 kg？一键修正”。

• 衡量指标：触发后完成率提升、人工干预减少率、用户对自动提示的点击/关闭比。

• 风险与缓解：过度打扰→使用频率阈值与个性化冷却时间，允许用户关闭智能提示。

5、【智能】情境记忆

• 产品场景/案例：学习助手记录用户最近5次关于“减脂训练”对话要点，后续在用户提问时自动引用并给出连续性建议（如进度、已用食谱、禁忌）；提高连续对话的连贯性与效率，减少重复输入，增强用户黏性。

• 适用场景：长周期任务跟踪（训练计划、长期项目、学习路径）。

• 关键设计要点：

  • 存储短期记忆（会话内）与中期记忆（最近N次会话的关键事实），并显示记忆摘要供用户确认。

  • 提供记忆管理界面：查看/编辑/删除记忆条目，用户可选择“忘记此事”。

  • 记忆内容与敏感性分级（如健康隐私信息放在受保护区，需额外确认方可再使用）。

• 示例流程：用户上次记录“早餐加了200 ml牛奶”，下次提问“我今天早餐还可以加什么蛋白？”系统回复“你已摄入200 ml 牛奶，建议在午餐补充约X g蛋白……”并引用上次记录。

• 衡量指标：基于记忆的回答被接受率、用户编辑/删除记忆的频率、长期任务完成率。

• 风险与缓解：隐私/误用风险→默认敏感记忆需显式授权保存，且提供易用的删除与导出功能。

6、【智能】解释可调

• 产品场景/案例：推荐引擎在给出个性化健身计划时，用户可选择“简洁解释/中等/深入技术说明”三档，系统据此展示不同深度的解释与来源；满足不同用户的知识需求，增强透明度与信任度，降低“黑箱”感觉。

• 适用场景：复杂决策场景与专业用户群体（开发者、专业人士或求知欲强的普通用户）。

• 关键设计要点：

  • 三档解释模板预先定义：简洁（核心结论+一行理由）、中等（要点+一两句话支持）、深入（完整推理链与参考来源）。

  • 允许用户对某次解释选择“为什么不够深”并请求更详细说明（即时扩展）。

  • 在深入模式下提供可导出的解释日志，用于复查或与专家讨论。

• 示例流程：系统给出“推荐每周3次力量训练”→用户点“解释”选择“深入”→系统返回训练量化依据、能量消耗估算、风险提示与参考练习。

• 衡量指标：不同解释等级的切换频率、用户满意度评分、减少误解或复问率。

• 风险与缓解：过度技术化让普通用户困惑→默认呈现“中等”并用直观语言与图表辅助。

7、【可控】控制权归属

• 产品场景/案例：用户设置页提供“我的数据”中心，支持查看、导出、按项删除会话/记忆与撤销授权；同时提供“一键停用并删除账户数据”流程并列出操作后果；尊重用户数据权利，符合法律与伦理预期，提升信任。

• 适用场景：所有存储用户私人数据的产品，尤其涉及长期记忆或敏感信息的场景。

• 关键设计要点：

  • 提供可视化数据目录（会话、记忆条目、上传文件、模型使用历史）和逐项操作（查看/下载/删除）。

  • 删除操作有二次确认并告知不可恢复性；同时支持“软删除”与“硬删除”两档。

  • 明确数据保留期限与删除生效时间（例如“系统将在30天内完成从备份中清除”）。

  • 标注合规声明（遵守适用法律，例如GDPR对可移植性与删除权的要求），并在本地化实施时参照适用法规。

• 示例流程：用户在“我的数据”选择删除会话→弹窗显示影响→确认后显示删除排队状态与预计完成时间。

• 衡量指标：删除请求处理时长、用户对数据控制功能的满意度、合规审计通过率。

• 风险与缓解：删除导致功能降级→在删除前明确影响并允许用户导出数据做离线备份。

8、【可控】失败优雅性

• 产品场景/案例：问答系统无法回答用户问题时，返回结构化失败响应：简短说明（为什么无法回答）、可选择的替代操作（例如“我可以帮你查类似案例/连接人工/给出通用建议”）和边界提示；减少用户挫败感，保持信任并引导后续有效动作。

• 适用场景：任何可能出现知识盲区、接口错误、权限限制的系统。

• 关键设计要点：

  • 失败响应模板包含三要素：原因（模型/权限/输入不全）、可选替代动作（链接人工、数据采集问答、相关资源）、预计时长或下一步（如“稍后重试”）。

  • 在可能的情况下提供局部结果或相关信息而不是纯空响应（例如给出相关背景知识而非直接答案）。

  • 记录失败日志并将样本用于改进（匿名化处理）。

• 示例流程：用户请求“给我处方药建议”→系统返回：“抱歉，基于安全和法规我不能提供处方药建议。可否提供症状以便给出一般性非处方建议，或需联系专业医生？（一键联系）”

• 衡量指标：因失败触发的用户流失率、替代路径使用率、失败响应后的满意度评分。

• 风险与缓解：不明确导致用户继续追问高风险问题→在失败回应中明确禁止并提供安全替代。

9、【可控】效率与响应速度

• 产品场景/案例：聊天型搜索在移动端实现“渐进式加载”——先返回快速低成本摘要（<300 ms 本地缓存/轻量模型），后台持续生成高质量详细答案并在完成后自动替换/通知用户；改善感知延迟，提升交互流畅度，同时兼顾输出质量。

• 适用场景：实时交互服务、移动端带宽有限或对延迟敏感的场景。

• 关键设计要点：

  • 分层计算架构：快速层（缓存/检索/小模型）提供即时响应；精细层（大模型/外部API）负责深度生成并异步回写。

  • 明示进度或预期时间（例如“详细答案预计在5–8秒内更新”），避免用户无限等待。

  • 对长耗时任务提供后台通知与结果持久化（用户可稍后查看）。

  • 目标性能指标设定（例如首字节时间<300 ms、详细答案平均完成时间<5–10s，视应用复杂度调整）。

• 示例流程：用户请求复杂健身计划→界面立即显示简短框架（训练频率、总热量建议），进阶版本在几秒钟后替换为完整周计划与食谱。

• 衡量指标：首屏响应时间、详细答案完成时间、用户留存/满意度与用户对异步更新的接受度。

• 风险与缓解：快速层信息与详细层有冲突→在结果中标记来源与版本（例如“初步建议/详细建议”），并在替换时高亮差异点。

资料来源

people ai guiedbook https://pair.withgoogle.com/guidebook-v2/chapter/feedback-controls/

HAX Design Library https://www.microsoft.com/en-us/haxtoolkit/library/

grammly 2024 New Features & Product Releases | Grammarly