作者：vivo 互聯網項目團隊- Ding Junjie
本文從作者使用AI的實踐經驗出發，探討了Chat模式作為AI交互範式的特點和優勢。作者提出了"意圖信息密度匹配"的核心概念，認為好的AI交互設計本質上都在解決人機意圖信息密度匹配問題。通過分析Cursor Tab補全、Granola會議筆記等成功案例，以及對比一鍵生成模式的侷限性，文章總結了不同AI交互模式的適用場景和設計原則。作者認為Chat模式雖然不是唯一的最佳交互範式，但它體現了高密度意圖交互的重要原則，關鍵是要根據用户意圖的複雜程度設計合適密度的交互方式。
1分鐘看圖掌握核心觀點👇
圖1 VS 圖2，您更傾向於哪張圖來輔助理解全文呢？歡迎在評論區留言。
我從 GPT-3.5 發佈第一個月就開始用 AI，也嘗試寫過各種demo項目，參與過早期的NextChat開源項目，現在每天都離不開各類AI工具。最近在想一個問題：Chat模式是和AI最好的交互範式嗎？
圖片來源於 TOP 50 GEN AI WEB PRODUCTS
一、Chat 模式為什麼讓人感覺舒服？
用ChatGPT的時候，我經常有種感覺：就像在和一個很聰明的朋友聊天。我説一句，它回一句，我們慢慢把問題聊清楚。
這種感覺和用其他AI功能很不一樣。比如一些"一鍵生成"的功能，我點一下，它嘩啦啦輸出一大堆，我看着就頭大。
想了想，發現Chat模式有個特點：你一句，我一句，每次交換的信息都是小塊的。
二、從AI的工作原理看Chat模式
大模型本質上是預測下一個token。它需要基於前面的內容來預測後面的內容。
這讓我想到一個角度：Chat模式中，每次用户的一句話，其實都是對AI預測下一段token的調整。
或者用更技術的語言説：每次人的輸入都在減少AI理解用户意圖的熵。
Chat交互模式：
用户: "我想寫個用户管理功能"
AI: "好的，你需要哪些具體功能？增刪改查？還是..."
用户: "主要是查詢和編輯，要支持分頁"
AI: "明白了，你用的是什麼技術棧？數據庫是..."
用户: "React + Node.js，MongoDB"
AI: "好的，我來幫你寫一個基於這個技術棧的用户管理..."每一輪對話，AI對用户意圖的理解都更精確一些
三、意圖信息密度匹配的概念
從這個觀察中，我想到一個概念：意圖信息密度匹配。
用户的意圖信息密度：
┌─────────────────────┐
│ 具體目標 + 使用場景 │
│ + 個人偏好 + 約束條件 │
└─────────────────────┘
AI理解的意圖信息密度：
┌─────────────────────┐
│ 從對話中提取的 │
│ 用户真實意圖程度 │
└─────────────────────┘
當兩者匹配度高時，AI輸出就符合期望；當差距過大時，AI輸出就會偏離預期。
無論是AI理解不了人，還是人不再能夠理解AI輸出的內容，都不是一個好的體驗。
Chat模式的本質就是：它能和AI進行高密度的意圖交互。
四、其他成功的交互模式也有類似特徵
想到這裏，我開始觀察其他好用的AI功能，發現它們雖然不是Chat模式，但本質上也在做類似的事情。
4.1 Cursor Tab補全：另一種"你一句我一句"
我: function calculatePrice(
AI: items: Product[], discount: number): number {
我: ↵ (採納) const basePrice =
AI: items.reduce((sum, item) => sum + item.price, 0);
我: ↵ (採納) return basePrice *
AI: (1 - discount);這也是人一下，AI一下的模式。我寫前幾個單詞，AI預測後面的，我選擇是否採納。整個過程協同密度足夠高，每一步都在對齊認知。
4.2 Granola會議筆記：並行理解，AI往人靠
會議進行中：
（1）我手動記錄：
[重要決定] 下週發佈新功能
[風險點] 數據庫性能
[行動項] 張三負責測試
（2）AI同時記錄：
完整的會議轉錄內容
（3）結合階段：
AI基於我的重點標記來組織它記錄的詳細內容
這個設計很有意思：它沒有采取"你一句我一句"，而是採取並行理解相同的內容，然後AI往人的理解上靠。
本質也是在減少熵增，拉齊認知，並且以人為主導。
圖片來源於granola（www.granola.ai/）
五、為什麼一鍵生成常常讓人失望？
對比一下一鍵生成的模式：
一鍵生成模式：
用户: "幫我寫個電商網站"
AI: [生成大量代碼和文檔]
用户: [需要花很多時間理解和修改，最後發現根本用不了！！！]問題在於：
- 用户一次性描述很難傳達完整意圖
- AI大量輸出讓用户認知負荷爆炸
- 缺乏中間的意圖校準過程
六、成功的AI產品/功能都在不斷拉齊人和AI的共同認知
觀察一些真正好用的AI產品：
- GitHub Copilot：在代碼編寫過程中實時預測，保持高頻意圖同步
- Notion AI：基於已有文檔內容進行續寫，上下文豐富
- Figma AI：在現有設計基礎上調整，意圖邊界清晰
它們的共同點：都在用户提供豐富意圖上下文的基礎上進行AI增強，同時保持人和AI一致性理解。
七、什麼場景適合"一鍵生成"？
當然，也有一些場景適合大顆粒度生成：
7.1 意圖簡單明確的場景
- 翻譯：意圖就是轉換語言
- 格式轉換：規則清晰，沒有歧義
- 模板生成：標準化程度高
7.2 容錯度高的場景
- 頭腦風暴：隨便生成想法，錯了也無所謂
- 快速原型：只要能跑起來就行
這些場景的特點是：用户意圖相對簡單，或者對結果要求不高。
比如飛書的會議總結就是好的應用場景
圖片來源於飛書app（feishu.cn）
八、一些思考
基於這些觀察，我覺得設計AI功能時可以考慮：
8.1 評估意圖複雜度
- 用户意圖是否容易一次性描述清楚？
- 個性化需求有多強？
- 對結果的精確度要求如何？
8.2 選擇合適的交互密度
- 複雜意圖：高頻交互，保持同步（像Chat、Tab補全、Granola這種後置拉齊ai和人協同的認知）
- 簡單意圖：可以支持一鍵生成
8.3 設計意圖校準機制
- 如何讓用户輕鬆提供上下文？
- 如何及時發現意圖理解偏差？
- 如何保持以人為主導？
九、未來的方向
從技術發展看，可能的優化方向：
- 更長的上下文窗口：能處理更豐富的意圖信息
- 更好的意圖推斷：從少量輸入中理解更多意圖
- 多模態意圖捕獲：結合語音、手勢、視覺等
- 個性化記憶：記住用户的習慣和偏好
但核心還是：人機意圖信息密度匹配。
十、回到最初的問題
Chat模式是和AI最好的交互範式嗎？
我覺得不是唯一的，但它確實體現了一個重要原則：高密度的意圖交互。
好的AI交互設計，本質上都在解決人機意圖信息密度匹配問題。Chat模式是一種很好的實現方式，但不是唯一的方式。
關鍵是要理解你的用户意圖有多複雜，然後設計合適密度的交互方式。
這是作者作為重度AI用户的一些觀察和思考。
你在用AI時有什麼感受？有沒有發現其他有趣的交互模式？歡迎交流~！
本文僅分享作者基於個人技術實踐的思考和主觀觀點，不構成決策依據。
