AI 产品交互必修课！如何通过对话设计，让AI真正读懂用户？

一、AI Chat 为什么需要“Sug”？

其实在之前 《AI 交互高频问题汇总：UI 设计师必看的实战总结》这篇文章里，稍微介绍过关于预设提问/预设输入的功能设计，它们是 Sug 的一种应用，这里会更加详细的讲解。

在每一个 AI Chat 产品中，我们几乎都能看到在对话气泡下方或者输入框上方，布局着几个小小的按钮或提示。我们管它叫 “sug”—— Suggestions（建议/提示）。

它们形态各异，从开场提示（Onboarding Sug）、上下文追问（Contextual Sug）、相关推荐（Related Sug）等，不一而足。

1. 开场提示（Onboarding Sug）

开场提示也叫冷启动提示。这是用户与 AI Chat 产品交互的第一道门槛，也是解决“空白画布恐惧症”的核心武器。

想象一个初次使用的用户，满怀好奇地打开你的 AI 产品。他面对的是什么？一个空荡荡的输入框，一个闪烁的光标，和一句“你好，请问有什么可以帮你的吗？”。

然后，沉默发生了。

用户的大脑在飞速运转：“我该问什么？”、“它能做什么？”、“我问的问题会不会很蠢？”、“它能写代码吗？能总结文章吗？”。这种不确定性带来的认知摩擦力是巨大的，它往往导致用户在体验到产品的核心价值之前就选择退出。这正是无数 AI 产品“首次使用激活率”低下的根本原因。

对于 ChatGPT 而言，它的目标是通用性和灵活性。过多的开场提示可能会限制用户的想象力，更重要的是，ChatGPT 是行业标准和开创者，它敢于让用户自己定义对话。但随着产品功能的复杂化，即使是它，也开始回归到 Ob-Sug 的引导作用，以确保用户能充分利用所有新能力。对于非头部、新入场的 AI Chat 产品，Ob-Sug 依然是提高激活率和留存率的生命线。

因此，我的核心观点是： "Ob-Sug" 不是一个“锦上添花”的 UI 点缀，它是 AI 产品的核心“导航系统”。它在 AI 这个“新大陆”上为用户竖起了第一块路牌。它承载着教育用户、展示能力、降低摩擦、驱动留存的四重使命。一个好的 Ob-Sug 设计，能牵着用户的手，从“试一试”走向“离不开”。

① Ob-Sug设计场景：

用户首次打开对话框时。用户主动开启一个新的对话会话时。

② 设计目标：

展示广度： 简单来说就是“亮肌肉”，快速、全面地向用户展示 AI 产品的核心能力范围。如上图左边是支小宝，在 onboarding 页面展示了自己的数据打通能力，与支付宝生态数据互通（PS：最新版本已经无法打通数据了，可能跟产品方向调整有关）。

提供典型用例 ： 告诉用户“你可以用我来做这些事”。

③ 关键设计要点：

覆盖核心能力： 文案必须经过精心挑选，覆盖产品最主要且最具价值的 3-4 个能力象限（如：内容创作、信息总结、代码生成、数据分析等）。（PS：依然记得我们团队为了挑选文案从天亮讨论到天黑）

拒绝低价值文案： 坚决避免使用“你好”、“你是谁”等无法体现 AI 核心价值的低效提示，必须是可操作、有结果预期的指令。

醒目的 UI 形态： 适合采用卡片式，以吸引用户集中注意力，并清晰地将功能点分组展示。

目标： 确保用户在黄金 30 秒内，通过点击提示完成一次成功的交互，迅速获得 “Aha Moment”。

2. 上下文追问（Contextual Sug）

上下文追问也就是之前文章提到的智能追问(Smart Follow-up)，是指根据对话内容的上下文语义与意图，生成的追问选项。

Con-Sug 是 AI Chat 产品区别于传统搜索的核心交互模式，也是驱动对话深度和用户粘性的“永动机”。

① Con-Sug设计场景：

AI 完成一次回答，且用户尚未输入下一个问题时。

在实际的 UX 设计中，又分为两种关键类型：点击即发送(Click-to-Send) 和 点击即填充(Click-to-Fill)。这两种交互方式代表了设计中效率与控制之间的取舍。

1. 点击即发送 (Click-to-Send)：用户点击 Con-Sug 气泡后，该提示文本会立即被视为一个新的用户输入，并自动发送给 AI，生成下一轮回答。这种类型的 sug 通常跟在对话气泡的下面，表示关联性。
2. 点击即填充 (Click-to-Fill)：用户点击 Con-Sug 气泡后，该提示文本会自动填充到输入框中，光标位于文本末尾。用户可以对文本进行修改、补充或添加额外上下文，然后手动点击发送。这种类型的 sug 通常跟输入组件绑在一起，核心目的是辅助用户快速生成输入内容，而非直接完成交互。

优秀的产品设计师会同时使用这两种类型，根据 Con-Sug 的内容和预期的用户行为来决定采用哪种交互：

1. 如果 Con-Sug 是 “更进一步”（例如：“帮我列出 5 个相关资料”），通常采用 点击即发送 以提高效率；
2. 如果 Con-Sug 是 “应用转化”（例如：“将这个大纲写成一篇文章”），由于用户很可能想修改文章的语气、字数或特定要求，最好采用 点击填充输入框，给予用户修改的机会。

② 设计目标（体验侧）：

展示深度： 引导用户对当前话题进行更深入的探索或延伸。
确保连贯性： 维持对话的流畅和逻辑，自然地增加对话轮次。

③ 关键设计要点（体验侧）：

相关性是生命线： 这类提示必须基于上一轮对话的内容和结果动态生成。如果提示与上下文无关，它就是干扰用户的“噪音”。

启发性与行动性： 文案应提供有价值的“下一步行动”，例如：深入探讨型-“用更简单的语言解释。”反向思考型- “反驳一下刚才的观点。”应用转化型-“帮我把这个总结写成一封邮件。”

克制且即时隐藏： 适合采用胶囊式的轻量级 UI，并且一旦检测到用户开始在输入框打字，必须立即自动隐藏，不给用户的输入造成任何阻碍。

3. 相关推荐（Related Sug）

虽然在实际应用中，相关推荐通常与上下文追问有所重叠，但从产品设计师的视角来看，它更侧重于跨越会话或跨领域的发现。

它区别于上下文追问的关键是相关推荐 sug 基于用户画像和历史偏好而非上下文。比如豆包，它打通了与 B 站和抖音的相关数据，才会在对话流里推荐个性化的视频内容。未来具有非常强的商业价值。

二、"sug"的价值：为用户和产品赋能

优秀的产品设计总是能实现用户价值和商业价值的统一，“sug”系统就是这种设计的完美体现。

三、“sug”的设计原则：从“有用”到“爱用”

平衡“引导”与“干扰”的边界，是设计师的“内功”。sug 的设计必须遵循以下四大原则：

1. 原则一：相关性> 一切

这是第一天条。一个上下文 sug 如果与当前话题无关，它就不是“建议”，而是“噪音”和垃圾信息”。这会迅速摧毁用户对 AI“智能”的信任。一款产品究竟是“人工智能”还是“人工智障”，相关性是第一判断基准。

2. 原则二：可操作性

sug 的文案必须是具体的“指令”，而不是模糊的“概念”。用户应该能一眼看懂点击后会发生什么。

反例 1： “你可以继续问我。” (废话)

反例 2： “关于这个话题的更多信息。” (模糊)

正例 1： “帮我把这个总结写成一封邮件。” (清晰、可操作)

正例 2： “用表格对比 A 和 B 的优缺点。” (清晰、可操作)

可点击 Sug = 需要完整 UI 体系，而 ChatGPT 与 Gemini 的目标不是“做一个超级 App”

你注意一下国内 App：智谱清言、腾讯元宝、百度文心、夸克 AI、豆包、阿里灵光、小米澎湃 OS 内置大模型等，他们极度依赖“智能建议按钮”，因为：他们要做的是“带有模型能力的产品”，而 ChatGPT 和 Gemini 做的是“让模型自己成为产品”。

这两件事完全不一样。

ChatGPT 不做可交互 Sug 不是做不到，而是“不愿意做”，而国内大部分 AI App 走的是降低学习成本 → 强引导式可点击 Sug → 提升留存与任务完成率这条路，所以它们会把 Sug 做成可交互组件。

两条产品路线，本质目标不同。

3. 原则三：克制与时机

这是最考验 UX 细节的地方。

1. UI 形态： 是气泡还是卡片？气泡更轻量，卡片更醒目。根据场景的干扰程度来选择。
2. 出现时机：AI 回答一结束就立刻出现？还是等 AI 回答完全“打字”完毕后再淡入？或者等用户滚动到底部才出现？（推荐 AI 回答完毕后 0.5 秒淡入，给用户阅读的间隙）。
3. 消失时机： 这个需要根据产品定位和实际场景来判断。

① Onboarding Sug = 用户第一次使用的教学项 → 输入框弹起就隐藏，这个没什么争议，不再赘述。

② con-sug有两种流派。流派A：强调“强上下文导向型 Sug”，即Sug = 当前对话下一步的推荐操作，所以只要你发新消息，整个上下文“下一步任务空间”就重塑，旧 Sug 就失效，体验感更“线性”，像流程助手。比如豆包，缺点是不便快速多方向尝试。

豆包

流派 B：强调“低摩擦、可复用”，即把预设 prompt + 当前上下文一起提交但不改变 Sug 状态，用户常常想尝试多个追问方向（A/B/C），点击一个得到结果后可能还想试另一个——消失反而增加摩擦，比如腾讯元宝，缺点是可能抢占注意力。

③相关推荐Sug：强调引流，由于具有非常强的商业价值，因此是常驻，不隐藏。

4. 原则四：多样性与惊喜感

如果 AI 每次生成的 sug 都是“总结一下”、“举个例子”、“还有什么问题吗？”，用户会迅速感到厌倦。我们必须利用 LLM 的能力，生成一些用户自己可能都想不到、但一点就通的“Aha Moment”sug。例如：“将这个故事改编成一个儿童睡前故事”、“用苏格拉底的风格来反驳这个论点”。这种“惊喜感”是 AI 产品魅力的核心来源。

四、如何衡量“sug”策略是否有效？

作为产品设计师，我们不能只谈体验，更要懂数据。我们必须量化 "sug" 的成功。在设计功能前，PM 通常都会进行埋点，而产品上线后如何进行产品体验上的优化，主要是要看这些埋点数据，设计师也要会看，这样才能帮助你根据数据分析用户行为从而判断下期的优化点。

核心指标（看当下）：

1. sug 点击率： 这是最直接的衡量标准，有多少sug被点击了？
2. sug 采纳率： 点击sug的用户数 / 总活跃用户数。（看功能的渗透率）

北极星指标（看长远）：

1. 对话轮次（关键指标） 那些点击了sug的用户，他们的平均对话轮次是否显著高于未点击的用户？
2. 次日留存 ： 那些在首次使用中就点击了sug的新用户，他们的次日留存率是否更高？（验证sug对“激活”的价值）
3. A/B 测试："sug" 是A/B测试的最佳场域。文案、数量（3个还是4个？）、UI形态、生成算法……每一个微小的改动都可以，也应该被充分测试，持续迭代。

五、回到最初的问题，“sug”到底是什么？

它不再是简单的功能按钮，它是 AI 产品“同理心”的具象化体现。一个没有 sug 的 AI，是在被动地“等待指令”；而一个拥有优秀 sug 的 AI，是在主动地“预测和理解”——它在主动思考“根据你刚才说的，我猜你下一步可能需要这个”，并且抢先一步，把它递到你的手中。

这种“被预判”、“被理解”的体验，正是 AI 产品最迷人的地方。