21 GenAI UX Patterns 21種GenAI UX設計模式
生成式人工智慧（GenAI）為人機互動帶來新方式，核心是"基於意圖達成結果"。由於其機率性輸出涉及記憶、錯誤、幻覺和惡意使用等問題，設計可用、安全、可信的AI產品至關重要。
IBM指出，構建AI產品不僅是大語言模型（LLM）問題，而是多層次系統：包括記憶、編排、工具擴充套件、使用者體驗設計和代理式流程等要素。
1. 是否使用GenAI（GenAI or no GenAI）
在決定是否使用AI時，要考慮它能否真正改善使用者體驗，以及可能帶來的複雜問題。
適合使用GenAI的場景：
- 創意類任務：如寫作、筆記總結、起草回覆等。
- 複雜內容建立：如將草圖轉換成網站程式碼。
- 當使用者難以透過普通介面表達需求時。
不建議使用GenAI的場景：
- 需要準確無誤的結果：如報稅、法律檔案。
- 使用者需要固定一致的資訊：如軟體使用說明。
如何使用：
- 找出使用者使用產品時的困難點。
- 評估技術是否可行，以及投入是否值得。
- 確認使用者期望與AI系統是否匹配，參考後面的"增強vs自動化"和"心理模型"部分。
2. 把使用者需求轉為資料需求（Convert User Needs to Data Needs）
AI專案應從使用者真實需求出發，然後確定AI需要什麼資料。使用者關心的是目標和感受，而不是資料結構。
如何使用：
- 組建包含產品、設計和資料專家的團隊，共同定義使用者問題。
- 用多種方法瞭解使用者需求：
- 調查和訪談
- 行為觀察
- 使用者評論和社交媒體反饋
- 使用工具如任務分析、使用者畫像和價值主張分析。
- 確定AI模型需要哪些資料，分析現有資料是否足夠。
3. 增強（Augment）與自動化（Automate）
決定AI是幫助使用者做得更好，還是完全代替使用者完成任務。
- 適合自動化的情況：重複、費時或價值低的任務。例如：Intercom FinAI自動總結郵件。
- 適合增強的情況：使用者想保持控制權，提高效率或創意。例如：Magenta Studio輔助音樂創作。
如何使用：
- 用使用者分析工具瞭解使用者期望。
- 檢驗AI是否真的提升了體驗或反而破壞了信任。
4. 自動化程度定義（Define Level of Automation）
根據使用者需求和問題，決定讓AI控制到什麼程度。
三種自動化等級：
- 無自動化：AI只提建議，使用者做決定。例如：Grammarly語法檢查。
- 部分自動化（輔助模式）：AI提供初步方案，使用者可以修改。例如：GitHub Copilot程式碼助手。
- 完全自動化（代理模式）：AI自己完成任務。例如：Ema自動完成競爭分析和傳送郵件。
如何使用：
- 評估任務風險：低風險任務（如提醒、篩選）適合自動化；高風險任務（如金融交易）需要人工監督。
- 在介面中明確自動化控制選項，參考第15條。
5. 漸進式GenAI使用（Progressive GenAI Adoption）
逐步引導使用者使用AI功能，幫助他們理解系統能做什麼，避免恐懼和誤解。
如何使用：
- 強調AI帶來的好處，而不是技術細節。
- 先提供基礎功能，再引導使用者使用高階功能。例如：Adobe FireFly。
- 逐步提高自動化程度（結合第4條）。
- 提供錯誤處理和恢復方法（參考第16和17條）。
- 明確說明資料使用和隱私保護（參考第21條）。
6. 利用使用者心理模型（Leverage Mental Models）
當產品設計符合使用者已有的思維習慣時，使用者更容易接受和使用。
示例：
如何使用：
- 分析使用者行為和目標，找出他們已有的思維模式。
- 如果設計打破了使用者習慣，要透過清晰的引導、說明和視覺提示幫助使用者理解。
7. 表達產品限制（Convey Product Limits）
清晰地說明AI模型的能力邊界、知識覆蓋範圍以及潛在的限制，有助於建立信任並防止誤用。
示例：
- Claude會在知識超出其訓練範圍時，提示“知識截止日期”。
- Amazon Rufus當面對非購物相關問題時，會直接說明無法處理該類問題。
如何使用：
- 在產品中清楚表達模型限制：使用上下文提示、響應說明、工具提示等形式。
- 提供替代方案：當模型無法響應時，提供人工客服或其他渠道。
- 在營銷文案、使用者引導中明確能力邊界，防止使用者產生錯誤預期。
8. 展示思維鏈（Display Chain of Thought, CoT）
透過模擬人類逐步思考過程，讓使用者理解AI是如何得出答案的，增強透明度與信任。
示例：
- Perplexity會展示其推理步驟。
- Khanmigo教學AI以逐步指導方式幫助學生理解問題。
如何使用：
- 展示處理狀態（如“正在檢索”“分析中”），降低使用者焦慮。
- 採用“逐步展開”設計：先顯示摘要，使用者可點選檢視詳細推理過程。
- 明確顯示AI使用的工具或資料來源。
- 表示模型信心或不確定性，提示使用者是否應進一步核實資訊。
9. 利用多樣輸出（Leverage Multiple Outputs）
利用GenAI的機率性特性，提供多個輸出供使用者選擇，有助於激發創意或最佳化決策。
示例：
- Google Gemini提供多個回答選項供使用者比較選擇。
如何使用：
- 說明多樣輸出的目的：幫助使用者探索不同方向或理解問題的多種可能。
- 支援使用者編輯、評分或混合多個輸出。如Midjourney 提供“Remix”選項引導使用者細化生成內容。
10. 提供資料來源（Provide Data Sources）
展示AI輸出背後的資料依據，有助於提升資訊可信度，尤其在高風險領域（如醫療、金融、法律）尤為關鍵。
示例：
- Google NotebookLM為答案新增引用，連結至原始檔案內容。
- Adobe Firefly公佈其訓練資料來源為授權圖片或公共版權素材。
如何使用：
- 在回答中加入引用或可展開的資料來源連結。
- 解釋模型訓練資料的覆蓋範圍與排除項。
- 針對多個資料來源的情況，區分不同可信等級的資料並作出視覺區分。
11. 表達模型信心（Convey Model Confidence）
透過顯示AI模型對輸出的置信度，幫助使用者判斷資訊的可靠性，做出更合適的決策。
示例：
如何使用：
- 判斷場景是否需要信心提示：
- 高風險場景必須提示信心程度。
- 低風險場景（如生成藝術、故事）可避免幹擾體驗。
- 選擇合適的表達形式：
- 百分比、進度條或語言提示。
- 在低信心情況下提供後續建議，如“是否需要進一步確認？”或“檢視其他選項”。
12. 設計記憶與回憶功能（Design for Memory and Recall）
允許AI記住使用者的歷史資訊、偏好或任務進度，有助於提高個性化體驗，降低重複操作。
示例：
如何使用：
- 定義記憶場景與型別：
- 短期記憶：僅在當前會話中有效。
- 長期記憶：跨會話使用，如專案規劃、使用者偏好等。
- 在對話中自然呼叫記憶內容，例如：“你上次說希望語氣更輕鬆，要繼續這樣嗎？”
- 提供清晰的資料控制入口：使用者可以檢視、編輯或刪除記憶。ChatGPT 提供完整的記憶管理介面。
13. 提供上下文輸入引數（Provide Contextual Input Parameters）
透過自動填寫或建議使用者個性化設定，使互動更快捷精準，減少使用者認知負擔。
示例：
- ElevenLabs提供多個引數讓使用者自定義語音。
- Perplexity根據使用者當前查詢，智慧推薦後續問題。
如何使用：
- 自動填充歷史輸入或偏好設定（參考記憶模式）。
- 實時提示智慧補全建議。
- 根據使用者行為或場景，動態提供互動控制元件（如滑動條、核取方塊等）。
14. 協作式/共同編輯設計（Design for Co-Pilot / Co-Editing / Partial Automation）
AI作為助手存在，使用者保持決策權。這在創意、寫作、設計、程式設計等主觀性強的任務中尤為重要。
示例：
如何使用：
- 將AI建議嵌入上下文中，使用者可隨時修改。
- 允許使用者設定創作意圖，如目標、語調、示例。
- 保留使用者最終控制權，使AI成為靈感加速器而非取代者。
15. 自動化使用者控制設計（Design User Controls for Automation）
讓使用者透過介面控制AI的自動化程度，確保使用者在AI行為不符合預期時能及時幹預，避免失控。
示例：
如何使用：
- 漸進式展示控制：從簡單功能開始，引導使用者逐步解鎖更復雜的自動化能力。
- 提供明確的UI控制元件：如開關按鈕、滑塊、選擇項，讓使用者自行選擇AI自動化的時機與範圍。
- 錯誤恢復機制：當AI結果不準確時，提供“撤銷”“手動編輯”“人工協助”等備選路徑。
16. 使用者輸入錯誤處理設計（Design for User Input Error States）
使用者輸入可能含糊不清或不完整，AI需要有策略應對，以維持互動流暢性。
示例：
- ChatGPT 面對不明確問題（如“首都是哪？”）時，會主動提出澄清問題，而不是武斷回答。
如何使用：
- 自動糾錯：當模型識別拼寫錯誤且信心較高時，使用拼寫檢查或模糊匹配自動糾正常見輸入錯誤，並巧妙地顯示更正
- 提問澄清：當使用者輸入模糊、上下文不足時，引導使用者補充資訊，瞭解更多關於實體和意圖的資訊。而非直接推測答案。
- 提供快速修正方式：例如顯示“編輯”按鈕，便於使用者快速修改原始輸入。
17. AI系統錯誤處理設計（Design for AI System Error States）
AI系統出錯是不可避免的，需設計適當機制幫助使用者識別問題並恢復操作。
常見錯誤型別：
- 系統失敗（如虛假輸出）：可能由幻覺或偏差導致。
- 系統侷限（無響應）：例如因訓練資料不足無法回答。
- 語境錯誤（使用者誤解）：輸出雖然技術上正確，但使用者不理解或被誤導。
示例：
- CitiBank 的金融風控系統如出現錯誤判斷，會提示“如為本人交易，請驗證身份”。
如何使用：
- 使用模糊語句降低信任風險：“這可能不完全準確”“我們正在改進答案質量”。
- 提供恢復路徑：比如“嘗試不同的問題”“聯絡客服”等。
- 收集反饋：讓使用者標記錯誤內容，有助於模型迭代最佳化（詳見第18條）。
18. 設計使用者反饋機制（Design to Capture User Feedback）
使用者行為和反饋是提升模型效能與產品體驗的重要依據。需要建立反饋閉環。
示例：
- ChatGPT 允許使用者對回答點贊、點踩或發表評論，用於訓練改進。
如何使用：
- 捕捉隱性反饋：如跳過、刪除、修改建議、使用頻率等行為訊號。
- 收集顯性反饋：透過評分、問卷、評價按鈕直接獲取意見。
- 告知使用者反饋用途：例如“你的反饋有助於提升回答質量”，增強參與意願與信任。
19. 模型評估機制設計（Design for Model Evaluation）
GenAI系統需在訓練階段和部署後持續評估，確保準確性、安全性和使用者契合度。
評估方法：Beyond vibe checks: A PM’s complete guide to evals
- LLM 自動評估（LLM-as-a-Judge）：由獨立模型判定輸出是否合理。
- 程式碼級測試：透過已知輸入輸出資料驗證模型正確性。
- 人工評估：使用者透過介面直接標註輸出質量。
示例：
如何使用：
- 在產品中嵌入簡便的使用者評估入口，記錄哪些輸出有幫助、哪些有害。
20. AI安全機制設計（Design for AI Guardrails）
設定安全防線，防止生成有害、不實、帶偏見或不適當的內容，保障使用者特別是未成年人的使用安全。
其核心目標包括：
- 保護使用者尤其是兒童群體：防止暴力、辱罵性語言、虛假內容或有偏見的資訊影響使用者。
- 例如防止模型生成種族歧視、性別歧視、政治煽動或性暗示內容。
- AI系統應主動過濾或引導使用者遠離此類內容。
- 構建信任與促進使用：當使用者知道系統具備識別並阻止仇恨言論和假資訊的能力時，會更願意長期使用該產品。
- 安全感和可控性是推動AI普及和長期留存的關鍵。
- 遵守倫理與法律合規：
- 例如《歐盟AI法案》（EU AI Act）等新興法規要求企業設計“可控、安全、可解釋”的AI系統。
- 違規可能導致嚴重法律責任和聲譽風險。
示例：
- Miko機器人遇到髒話會回應：“我不能使用這種語言”。
如何使用：
- 引導使用者輸入：對於潛在危險的提問，引導使用者改寫語句。
- 實時輸出審查與修改：在模型生成內容前後進行篩查或替換，並提示“此回答已根據安全政策調整”。
- 提示使用者注意風險：如“這不是醫療建議，僅供參考”。
- 鼓勵反饋：提供標記不當內容的入口，持續最佳化模型表現。
- 多重驗證高風險資訊：如結合權威資料庫驗證結果（參見第10條資料來源設計）。
21. 資料隱私與控制透明化（Communicate Data Privacy and Controls）
AI系統常依賴敏感或行為資料，需明確告知使用者資料如何被收集、使用、儲存與保護。
示例：
如何使用：
- 提供明確的資料說明：使用者使用某項AI功能時，說明訪問哪些資料以及用途。
- 支援資料許可權選擇：使用者可自由開啟或關閉資料採集、使用偏好。
- 提供資料管理功能：允許使用者檢視、下載或刪除其歷史資料。
