入门必读！超实用的AI基础知识科普系列（二）

往期回顾：

一、AI沟通语言的设计

当我们开始和生成式 AI 打交道时，最先接触到的不是那些复杂的算法，而是一个看起来简单却影响巨大的东西——Prompt，也叫“提示词”。你可以把它理解为：我们和 AI 之间的沟通语言。就像你在跟一个不太熟悉你工作习惯的新人说话，得说得清楚、具体、有逻辑，TA 才能帮你把事情办好。而“Prompt 工程”，就是围绕这门“语言艺术”所展开的一整套设计和技术方法。它不仅影响 AI 理解你说了什么，还直接决定它最后给你一个“哇好棒”还是“这啥啊”的结果。

1. Prompt 是“用户和 AI 之间的沟通语言”

Prompt 就是你对 AI 发出的“任务说明书”。比如你说“帮我写个介绍”，AI 可能胡乱输出一段；但如果你写得更具体，比如“用第一人称，控制在 300 字以内，语气亲切，突出这款耳机降噪功能”，那么结果就会立刻提升。这背后的原理很简单：AI 并不是会“猜”你在想什么的聪明生物，它只是基于你给的信息做出最可能的响应。所以你说得越清楚，它就越“聪明”。

2. Prompt 的质量直接决定输出好坏

在使用生成式 AI 的过程中，Prompt（提示词）就像是你和 AI 之间的“任务说明书”。你给出的说明越清楚，AI 理解得就越准确，产出的结果也就越符合你的预期。可以说，Prompt 的质量，直接决定了 AI 输出内容的质量。

很多人以为，Prompt 写得越长越好，或者词越专业越厉害，其实不然。一个好的 Prompt，追求的不是复杂，而是清晰、具体、有逻辑。要做好 Prompt，有三点特别关键：

1. 明确目标：你需要先清楚地告诉 AI：你希望它干什么？是写广告文案？做图？还是对一段内容进行总结？比如，你说“帮我写个文案”太笼统，而“请帮我写一段适合小红书的防晒霜推荐文案，限字 100 以内”就更容易获得好结果。
2. 提供上下文：上下文就像是背景信息，告诉 AI 你说话的“场景”在哪里。比如你希望文案面向年轻女性，语气要轻松、有网感，就可以写成：“请用适合小红书用户的风格，安利一款适合夏天用的清爽型防晒霜。”这样，AI 在生成内容时会自然调整用词和语气。
3. 避免歧义：模糊的指令会让 AI 无所适从。比如你说“帮我看看这个写得好不好”，AI 会不知道你是想看语法？结构？还是内容的逻辑？这就像你和同事开会时，需求讲不清楚，结果大家干的都不是一回事。

可以把写 Prompt 看作写“产品需求文档”。不需要堆砌术语，也不用追求华丽，最重要的是三点：目标明确、背景清晰、没有歧义。如果你把 Prompt 当成“对 AI 发任务”，那就要像管理一个实习生一样，把需求讲清楚、思路梳理好。只有这样，AI 才能“对症下药”，交出你想要的成果。

3. Few-shot vs Zero-shot 提示法

Zero-shot 提示法：一句话，直接上任务

Zero-shot：“啥都不告诉，直接上命令”。比如你跟 AI 说：“写一个标题，关于睡眠的重要性。”

它会根据内在训练的语料库理解任务，尽力输出最合理的结果。这个方法的好处是简单快捷，适合任务目标非常明确、风格要求不高的时候。

但是，如果你心里其实有一种想要的“味道”——比如你喜欢科普风？文艺风？小红书种草风？那 Zero-shot 可能就不太够用了。AI 会“发挥过头”，结果风格难以把控。

Few-shot 提示法：先讲几个例子，AI 更容易对味儿

Few-shot 的逻辑是：“你先看我想要的，再来模仿。”

你会先提供一两个范例，告诉 AI 你要什么样的风格、结构、节奏，然后再让它继续写。这种方法非常适合想要“控风格”的场景，比如写广告文案、社交平台种草、产品说明等等。

请仿照下列风格继续写一句话:

示例 1:早起三件事,喝水、晒太阳、整理心情。

示例 2:睡前三件事,泡脚、阅读、跟自己道晚安。

生成:下班后三件事,卸妆、放歌、打开窗看天。

类比一下：Prompt 就像产品冷启动的“种子内容”

尤其在 Few-shot 模式下，你就像是给 AI“预埋了一些优质种子”，它在这片风格土壤里继续生长，长出来的内容更容易贴合预期。就好比你做社区冷启动时，先写几篇种草文给用户看，后面大家就会照着写。

4. Prompt 模板设计：把提示“模块化”

要提高 Prompt（提示词）的效率和可控性，最常见的方法之一就是 “模板化设计”。这其实跟写产品文案、设计对话脚本很像：你不能每次都靠灵感，而是需要一套好用、可复制的结构。咱们来用通俗的方式讲讲这个逻辑。

为什么要模板化？

你可以把 AI 想象成一个特别能干、但“非常听话”的实习生。你不告诉他具体怎么做，他就乱猜，写出来的内容就很可能偏题、跑调。而模板化的 Prompt，就像给实习生准备了一套标准 SOP（操作手册），让他每次都按“套路”出活，既高效又不容易出错。

模板化的 Prompt 是什么样？

它其实就是提前设计好 格式、语气、结构，把 AI 的“任务环境”交代清楚。比如：

你是一位营养学专家，现在有用户问你：“如何科学减脂？”请用简洁但专业的方式，分 3 点回答，语气友好但不啰嗦。

再比如：

请模仿小红书博主的文风，写一段关于这款新防晒喷雾的推荐文案，强调“清爽不粘腻”“防晒力强”“适合敏感肌”。

这类模板就明确了：你要扮演的角色（谁）；要完成的任务（做什么）；语气风格（怎么说）；输出重点（说什么）

模板化带来的好处：

1. 效率提升：不用每次都从头写提示，套模板就行。特别适合做内容批量生成的团队，比如社媒、运营、电商。
2. 质量更稳：格式统一、信息完整，减少“AI 发挥过头”带来的偏差。
3. 易于协作：设计好几个常用 Prompt 模板，团队成员之间共享，一说“用那个爆款文案模板”，大家都懂怎么做。
4. 更易调优：当输出不理想时，调整的是模板，而不是每次 Prompt 都重写，省力又清晰。

5. Prompt 工程的用户体验责任：不只是技术活

我们常说 Prompt 是“AI 的指令语言”，但在真正落地的产品里，它不仅是程序员的“技术活”，更是设计师的“体验活”。尤其在让用户亲自写 Prompt 的场景中，你就会发现——写 Prompt 其实并不轻松。很多人会卡壳，不知道怎么表达自己的意图；即便写出来了，也经常得不到满意的回应。这时候，UX 设计的责任就来了：

帮助用户“说人话”

用户不是工程师，他们脑子里不会想着“Tokens”“采样温度”这些术语。他们只想完成任务。因此设计师需要做的是，把“专业术语”翻译成人能看懂的话，比如把“提高温度”变成“让回答更有创意”，把“zero-shot”变成“你只要给出一个简洁的问题即可”。

降低用户的创造负担

有时候，真正让用户卡住的不是不会用 AI，而是不知道怎么开口。这就像面对一张空白页要写一封邮件——没头绪。这时设计师可以提供一些“起手式”：比如预设好的Prompt模板、可选语气风格、场景示例，甚至是一两句半成品，用户只要修改个别字段就能用了。

让技术选项更易选

如果一个 AI 产品的设置页面全是参数，比如“Top-P”、“Token 限制”、“Context Size”，那基本只有工程师能用。设计师的任务就是把这些复杂的选项变成有意义的选择，比如“希望回答更简短还是更详细？”、“语气要正式还是轻松？”——背后是技术逻辑，前端是用户语言。

Prompt 是界面语言，不只是接口参数

尤其在 Agent 类产品出现之后，Prompt 已经不仅是后台的调试工具，它本身就是“人与 AI 沟通的界面”。就像图形界面之于鼠标操作一样，Prompt 是未来 AI 产品的重要“对话界面”。它的表达逻辑、结构、语言风格，都值得像设计交互一样去思考、测试和优化。

总之，Prompt 工程的用户体验，不能只靠工程师拍脑袋写参数。它需要设计师参与，一起让“跟 AI 说话”这件事，变得更自然、更轻松、更有信心。在未来，这可能是 UX 设计的新战场。

二、AI人机交互系统的三大支柱

1. 模型能力与局限

在设计 AI 产品时，我们需要理解这些边界，并通过产品策略、系统设计来弥补它的短板，让它在合适的边界内，释放最大的能力。所以理解模型的能力边界是非常关键的一步。我们不能对它“过高期待”，也不能“低估可用性”。这一部分我们来聊聊模型到底能理解多少，它擅长什么，又有哪些局限。

多轮对话理解

当你和一个 AI 连续对话时，可能会感受到它“似乎记得你刚才说的话”。这就是模型的上下文理解能力在起作用。大语言模型（如 GPT 系列）可以处理一定数量的“对话轮次”，这取决于其上下文窗口长度。比如 GPT-4 可以处理 8k 甚至 32k 的 token，但这并不等于“记住所有内容”。它其实是依赖“短期记忆”，只在输入文本的范围内“阅读”上下文，而没有真正的“长时记忆”。因此，如果你的 Agent 需要长期保持用户状态（比如偏好、历史问题），就需要额外设计记忆机制，比如借助数据库或知识库保存用户信息。

图文理解能力

随着图文多模态模型（如 GPT-4V、Gemini、Claude 3）的发展，AI 现在确实具备了一定的“图文协同理解”能力。简单来说，它可以识别图片中的物体、读取图中文字、描述场景，甚至回答你关于图片的问题（Visual Question Answering）。这背后往往是 CLIP 等模型的加持，它们可以把图片和文字映射到一个“共享语义空间”，从而实现“跨模态理解”。

但我们也要承认，它的图文理解仍然不如专业人类那样准确。例如，它可能描述一张图大致没错，但在细节上出现偏差，或者识别图中文字时受到字体、背景干扰，产生误读。你可以把它理解为“一个识图能力还不错、但注意力容易跑偏的助理”。

知识事实 vs 推理能力

AI 会“自信地胡说八道”。这也是目前生成式模型最让人纠结的地方。大语言模型对知识事实的“掌握”，是来自大规模的训练语料。它能根据提示，复现类似知识结构，但并不代表它“真正理解”。它“看起来像懂”，是因为语言上表现得很流畅，但当你深入一点，比如问它“2024 年有哪些国家进入欧盟？”、“请用三段论推理这个问题”，它可能答得模棱两可，甚至出现事实错误。

尤其在数学推理、逻辑演绎方面，模型容易出错。比如做数学题，它可能算错；做归纳推理，它可能忽略前提条件。这是因为大语言模型并不是“逻辑机器”，它不是通过规则和算法推演得到结果，而是通过“语言概率”来预测最可能出现的句子。

2. 人机交互机制：不只是界面，更是智能系统交互

多模态输入、反馈机制、意图确认，是生成式 AI 产品中不可忽视的三大交互设计要点。它们共同构建起一个“协作式”的用户体验——用户与AI像搭档一样完成任务，而不是单向使用工具。

多模态输入：从“输入框”走向“感官入口”

在传统的数字产品中，用户与系统的交互几乎都以文字输入为主。但在生成式 AI 产品中，输入的形式变得更加多样：文本、语音、图像，甚至视频、手势都可能成为用户的表达方式。

举个例子，一个儿童教育应用的用户可以上传一张孩子画的画，并说：“请帮我给这幅画配一个童话故事。”这是一个典型的多模态输入场景：系统需要同时理解图像（孩子的画）和语音/文本（用户的指令），才能生成符合预期的输出。

设计启示：

1. 界面要明确引导用户支持哪些输入方式（比如语音按钮、图像上传提示、摄像头权限说明等）。
2. 输入后的反馈要及时，比如展示缩略图或转文字预览，让用户感到“被理解”。

输出反馈机制：系统是“对话者”，不是“答题机”

生成式 AI 不再是一次性输出结果的工具，而是进入了“交互式反馈循环”的新阶段。用户说一句，系统生成一段内容，用户又可能基于这个结果再追问或修改，这种来回的节奏构成了“反馈循环”。

举个例子：你让 AI 写一封请假邮件，第一版可能不满意，你继续说“语气再委婉一些”，AI 就再生成。整个过程像一场合作写作。

设计启示：

1. 保留历史：要保留上下文，展示用户每一次输入与 AI 的响应。
2. 响应机制清晰：系统是否“懂你了”要可感知，比如通过高亮关键词、总结用户意图、逐条生成内容。
3. 可修改性强：支持用户点击内容片段进行微调，比如“这段语气不对”或“换个例子”。

意图确认机制：AI 理解你了吗？

用户在与 AI 交互时，常常带有含糊的表达、不完整的命令，甚至上下文切换。而 AI 是否真正“听懂了你说的话”，就是一个意图建模与确认机制的问题。

比如用户说：“把这张图做成简历风格的封面。”这句指令中有很多潜在模糊点：

1. 哪张图？（需要前文或上传内容）
2. 简历风格是正式简约，还是创意设计？
3. 是需要封面图片，还是含文字的完整设计？

解决方式是设计意图确认机制，例如：

1.  “你是指上一张上传的图吗？”
2.  “你希望我加入简历常见的哪些元素？”
3.  “是否想导出为 PDF 封面？”

这些“确认环节”看似多余，实则极大提升了系统的智能感与信任感。

设计启示：

1. 引入“澄清-确认-执行”三阶段交互结构。
2. 语气上要亲和，例如：“我理解的是……，这样对吗？”
3. 对于高风险任务（如法律文书、财务报告等），加强意图校验尤为关键。

3. 风险控制与内容可信度

AI 系统在提供强大能力的同时，也带来了新的不确定性。设计师的角色，不再只是让它“好用”，更要让它“用得安心”。通过合理的幻觉提示、内容审查机制和信任建模，我们才能在这个复杂的新技术环境中，建立起可持续的用户体验。

幻觉现象

我们要了解一个常见但危险的现象——幻觉。它指的是模型生成了看似有理有据、语气自信，但实际上是错误甚至虚构的信息。比如用户问“世界上最高的活火山是哪座？”AI可能一本正经地回答一个不存在的名字，还配上一段貌似可信的描述。如果用户不了解真相，很容易被误导。因此，设计上我们应当用提示语框、风险标签、免责声明等方式清楚传达：“这只是生成内容，不代表事实，请谨慎判断。”这样既不打断用户体验，又能合理管理预期。

内容风险类型

AI 生成内容还存在更高维度的风险，比如触及色情、暴力、歧视、偏见等敏感话题。尤其是在图文、视频生成类产品中，内容一旦被不当使用，后果可能不只是用户不满意，而是法律风险、品牌危机等严重问题。因此，产品设计中必须加入内容审核机制：不仅是技术层面的安全模型过滤，也包括策略设计，比如敏感词拦截、用户举报通道、风险场景兜底处理（如强制提示、内容替换等）。设计师在构建体验流程时，要把这些审核节点合理嵌入，不打扰普通用户，又能在关键时刻起作用。

用户信任设计

说到用户信任，我们不能再用过去那种“高高在上”的方式告诉用户：“AI 说的就是对的”。相反，现在更提倡引导式语言设计：比如说“以下是 AI 生成的建议内容”、“请根据实际情况判断使用”、“是否需要我进一步核实？”这些话术让 AI 显得更像一个“助手”，而不是“权威”。这样的语气设计，不只是“语义风格”的调整，它在潜移默化中帮助用户建立一种更真实、更健康的信任关系。