UXTOOLS-探索数字化体验

AX 智能体体验：概念、趋势与评价方法

Mon, 10 Aug 2026 20:31:48 -0700

当AI从“会说”走向“会做”，智能体开始成为产品和平台的新型使用者，也成为业务流程中的行动主体。体验评价因此不能再停留在界面是否好用、回答是否准确，而要进一步回答：智能体是否理解场景、能否被放心委托、是否真正完成任务，以及整个过程是否可靠、可控、可验证、可追溯。

过去二十多年里，我们谈数字产品、服务设计和客户体验，始终绕不开一个核心概念：用户体验。

这套逻辑塑造了今天的用户体验方法体系。我们做用户研究，理解人的需求；绘制用户旅程，分析人的触点；优化界面流程，降低人的认知负担；追踪满意度、可用性、转化率和留存率，判断人是否喜欢、是否顺畅、是否信任。

这套方法没有过时，但正在变得不够用。

当下，AI正在从“会说”走向“会做”。智能体不再只是回答问题的聊天机器人，也不再只是嵌入界面的辅助功能。越来越多智能体开始替人理解任务、规划步骤、调用工具、访问系统、比较方案、做出判断、写回状态，甚至与其他智能体协同完成复杂任务。

它们既是产品和平台的新型使用者，也是业务流程中的执行者；既可能服务人，也可能代表组织承担一项持续性的职责。

于是，一个新的问题出现了：

这就是为什么我们需要讨论一个新的概念：智能体体验——Agent Experience，简称AX。

用一句话概括：

一、AX不是“AI产品的用户体验”

“智能体体验”很容易被误解。

有人把它理解为AI产品的用户体验，有人把它理解为智能体好不好用，也有人把它等同于模型能力、任务成功率或智能体基准测试。这些理解都触及了一部分，但都不完整。

传统UX主要关注人使用系统时的感知与行为；AI模型评价主要关注模型能否回答、推理或生成；智能体基准测试通常关注某种能力在规定任务上的表现。AX关注的则是：

它既包括人和智能体之间的委托与交互，也包括智能体对场景、规则和权限的理解；既包括智能体与工具、系统及其他智能体的协同，也包括它在跨轮次、跨任务、跨场景过程中对上下文和经验的保持、更新与回写；最终还要看任务是否真正完成，以及整个过程能否被控制、复核和追溯。

因此，AX评价的不是智能体是否拥有类似人的主观感受，也不只是“人觉得怎么样”，而是智能体参与之后，整个任务系统是否真的变得更可靠、更高效、更可控。

我们画客户旅程地图，做触点体验评估，追踪 NPS、CSAT、投诉率、转化率，试图回答一个问题：

这套叙事并没有过时。

但在 Agentic Era，也就是智能体开始替人做判断、做选择、做比较、做执行的时代，这些已经不够用了。

因为一个根本假设正在被打破：

一、CX 的对象正在改变

过去，企业默认服务对象是人。

人会浏览页面，会打客服电话，会被品牌故事打动，会因为一次真诚道歉而重新建立信任，也会因为一次糟糕体验而产生情绪记忆。

但现在，越来越多任务正在由 Agent 代替人完成。

用户可能让自己的 AI 助手比较产品、筛选供应商、提交服务请求、处理账单、完成采购建议。企业客户也可能让采购 Agent、财务 Agent、运维 Agent、客服 Agent 与外部系统直接交互。

这意味着，企业面对的不再只是“人类客户”，还包括“机器客户”（主要以Agent形态出现）。

人类客户关心的是：

机器客户关心的是：

这就是 CX 在智能体时代遇到的第一个根本变化：

于是，CX 必须扩展为 CX × AX（Agent Experience）。

CX 是人类客户体验，AX 是智能体体验。前者的核心货币是情感与信任，后者的核心货币是确定性与可靠性。

序言：一切，都是场景问题

Tue, 26 May 2026 00:02:20 -0700

历时一年多的撰写，最新的专著：《场景智能——重构AI时代的竞争范式》终于交稿，特先作序如下：

一、智商 150，却不知道你是谁

今天的 AI 正在以前所未有的速度变聪明。

它可以在几秒钟内完成复杂推理，可以写出专业水准的分析报告，可以通过各种高难度考试，可以在数学、编程、医学、法律等领域展现出接近专家级的能力。如果用一个粗糙但直观的比喻，今天的大语言模型，在许多任务上的“智商”已经接近 150，甚至更高。

一个通用大模型，就像一个博学但刚刚空降到陌生公司的顾问。问它：“这个方案可行吗？”它能立刻给出漂亮的 SWOT 分析、市场判断和执行建议。但它不知道你的团队只有 5 个人，预算只剩 50 万，客户下周就要看到原型；它不知道这个客户过去三次合作都卡在法务审核，也不知道你的销售负责人昨天刚刚离职。

它拥有强大的推理引擎，却缺少一种对人类而言几乎是本能的能力：对处境的完整理解。

人类的智能，从来不只是推理。一个优秀的销售，不只是逻辑清晰，而是能在客户皱眉的瞬间判断出真正的顾虑；一个资深医生，不只是医学知识丰富，而是能从患者三句含混的描述中捕捉出没有说出口的症状；一个经验老到的客服主管，不只是熟悉流程，而是知道什么时候应该按规则处理，什么时候必须先修复信任。

这种能力的本质，是对处境的深度理解。它不只是事实，而是事实背后的意图、约束、情绪、关系历史和时间压力的动态组合。

AI 当前最缺的，正是这个。

更重要的是，这不是一个短期技术瑕疵，而是当前 AI 架构的结构性限制。大模型基于海量通用文本训练，学会了语言规律、知识模式和推理方式，却没有任何一家企业的私有处境，没有任何一个客户的具体状态，也没有任何一段业务关系的真实脉络。这些信息不在通用训练数据里，只存在于企业一次次真实交互之中。

这一判断并非孤立的行业观察。复旦大学邱锡鹏教授在 2025 年从大模型研究视角提出了几乎同构的判断，并将其命名为情境扩展（Context...Read More

品牌时代

Tue, 31 Mar 2026 01:04:01 -0700

原文：https://paulgraham.com/brandage.html

作者：Paul Graham

序幕：三重灾难

20世纪70年代初，灾难降临了瑞士制表业。现在人们将其称为“石英危机”，但事实上，它是大约在同一时间发生的三场独立灾难的复合体。

第一场是来自日本的竞争。整个60年代，瑞士人一直通过后视镜观察日本人，后者的进步速度惊人。即便如此，在1968年的日内瓦天文台竞赛中，日本人横扫了机械表的所有顶尖奖项，这依然让瑞士人感到震惊。

瑞士人很清楚接下来的局势。多年来，日本人一直能制造更便宜的手表。而现在，他们也能制造更好的手表了。

更糟的是，瑞士手表即将变得昂贵得多。自1945年以来固定了世界大多数货币汇率的布雷顿森林体系，将瑞士法郎设定在0.228美元的人为低位。1973年该体系崩溃时，法郎汇率飙升。到1978年，它达到了0.625美元，这意味着美国人购买瑞士手表的成本变成了原来的2.7倍。

即便没有石英机芯，外国竞争和保护性汇率的丧失也足以摧毁瑞士制表业。但石英机芯给了最后一击。现在，他们一直试图取胜的整个游戏变得毫无意义。曾经昂贵的东西——获知准确时间——现在成了一种廉价的商品。

转型：从精密仪器到奢侈品牌

从70年代初到80年代初，瑞士手表的销量下降了近三分之二。大多数瑞士制表商破产或接近破产并被出售。但并非全部，少数公司作为独立公司幸存下来，他们的方法是将自己从精密仪器制造商转变为奢侈品牌。

在这个过程中，机械表的本质也发生了转变。最昂贵的手表一直很贵，但它们为什么贵，以及买家得到了什么回报，已经完全改变了。1960年，昂贵的手表贵是因为制造成本高，买家得到的是同尺寸下能制造出的最精准计时设备。现在，它们昂贵是因为品牌在广告上投入巨大并利用手段限制供应，买家得到的是一个昂贵的身份象征。

作者：Aaron Levie

如果你身处科技行业，你一定对目前 AI Agent（智能体）领域的动态有着敏锐的感知。我们看到一个又一个编码 Agent 的案例，它们能够处理运行周期更长的任务，承担规模大得多的开发项目；越来越多的团队表示，他们的产品现在完全是由 Agent 编写的。模型在编程方面已经变得极其出色，而用于编程的 Agent 系统正迅速加速，彻底改变了这一特定的工作领域。

然而，当你与科技行业以外（甚至包括行业内部分人员）的知识工作者交流时，你会发现我们仍处于多么早期的阶段。AI 目前通常被视为一个非常有用的助手，可以回答快速提问并帮助查找信息，但在产出大规模工作成果和实现自动化方面，它还处于婴儿期。即使以今天的技术水平，依然有巨大的潜力尚未挖掘。正如 Ethan Mollick 所指出的：“即便我们现在就停止 AI 研发，现有的模型也足以改变大部分白领工作……哪怕考虑到目前模型的局限性。”

而且，这些局限性正在迅速消失。最前沿的 AI 模型正越来越多地在几乎所有知识工作领域接受训练，随着时间的推移，它们的能力只会越来越强。它们了解冷门的法律课题，洞察医疗保健和生命科学的深奥领域，在市场营销和写作等创意领域也表现得越来越好。对于任何它们起初不了解的事物，它们可以立即调用工具并连接数据源以获取所需信息。在未来几年内，它们几乎肯定会在各自领域的特定任务上超越任何人类专家。

随着 AI 模型在各知识领域变得越来越聪明，对于构建和应用 Agent 的公司来说，现在的巨大机会在于：我们如何将 AI 模型带来的突破性能力，应用到企业工作流中，从而在知识工作发生的环境中交付真正的 Agent 化工作？

Agent 面临的“上下文鸿沟”

部署 Agent 的最大挑战之一仍然是为其提供正确的上下文（Context）。Buccocapital 精准地指出了大多数 Agent 工作流自动化的瓶颈：

对于大多数在 Agent 时代之前就存在的企业来说，Agent 开展工作所需的上下文通常并不具备现成的、整洁的格式。Dwarkesh Patel 在与 Anthropic CEO Dario Amodei...Read More

一切都是场景问题

Sun, 08 Mar 2026 03:32:13 -0700

作者：Heinrich

地址：https://x.com/arscontexta/status/2026492755430474002?s=20

一切都是场景问题。

当人们说 AI 无法胜任实际工作时，他们实际想表达的是：他们给 AI 的上下文太烂了。

Alexalbert(https://x.com/alexalbert) 曾说 2026 年将彻底改变知识工作（读完本文后再去看他的文章）。

我认为他是对的，而实现这一目标的根本机制是 Agent（智能体）可以遍历的结构化场景图谱（Context Graph）。

代码编写之所以能率先被解决，是因为其结构本身已经存在。代码库是由具有相互引用关系的文本文件组成的。Agent 读取代码，追踪导入（imports），并理解整个架构。这非常自然，因为程序员本来就是这样处理代码的。

但知识工作目前还不具备这种结构。大多数公司的知识库或 Wiki 都是过时的，根本没人看。

不过，已经有人在提前布局了。那些玩转 Obsidian 和“思想工具（TfT）”的极客们花费数年研究如何结构化知识：让笔记相互链接、让想法原子化且可组合，并利用内容地图（MOC）来呈现整个领域的拓扑结构。

事实证明，他们无意中为大语言模型（LLM）设计出了最完美的架构。这也是 “Ars Contexta”（上下文的艺术）方法论的核心所在。

公司图谱 (The Company Graph)

问题不在于上下文不存在，而在于它散落在各处，没有任何东西可以遍历它。

没人找得到的8个月前的Slack 对话、存了 12 个版本的 Google Docs、更新一次就荒废的 Notion 页面……而且大部分知识只存在于人们的脑子里，一旦他们离职，知识就随之消失了。

Balajis](https://x.com/balajis) 总结得很到位：

过去的一个月，因为Claude Cowork、Perplexity Computer陆续发布，硅谷的极客圈、投资界与企业服务领域，正在经历一场前所未有的认知崩塌与范式重构：

一边是顶级 PE（私募股权）机构紧急抛售手中的传统 SaaS 资产，曾经被资本热捧的 B2B 软件公司，估值在短短半年内腰斩，沦为人人避之不及的“有毒资产”。

另一边，一行代码都没有写过的中国创业者——Naughty Labs CEO 杨天润，利用AI编程工具，跻身OpenClaw 项目的开源贡献者榜单前30名。美国一个 54 岁、毫无代码经验的政治顾问，仅凭 6 个开源智能体（AI Agent），在 3 小时内完成了原本需要专业团队一周才能交付、价值 7.5 万美金的咨询报告。

当 AI 能以近乎零成本的方式，完成传统软件的核心功能——代码编写、流程执行、交互响应，曾经支撑 SaaS 行业高估值的“代码壁垒”、“UI用户体验”、“最佳实践 SOP”，开始变得一文不值。

所有人都能感觉到，一场颠覆式的变革正在发生，但绝大多数人都陷入了致命的认知误区：他们以为自己缺的是“更聪明的大模型”、“更炫酷的 AI 工具”。

但实际上，企业 AI 落地的核心痛点，从来不是算力不足，而是——“场景盲视（Contextual Blindness）”。即缺乏对企业独有业务逻辑、历史记忆、隐性约束的理解，导致再强大的 AI，也只能沦为“高级打字员”，甚至会因为脱离场景而产生致命错误。

2026 年，已经成为企业数字化转型的分水岭：

SaaS（软件即服务）时代逐步落幕，CaaS（Context as a Service，场景即服务）赛道全面开启。

这不是一场纯粹技术层面的迭代，很可能是又一次商业逻辑的彻底重构——未来的企业级交易，买单的不再是“交互工具”，而是“场景判断力”；企业的核心护城河，不再是“代码与 UI”，而是“专属场景图谱（Context）与记忆体系（Memory）”。

Fri, 06 Mar 2026 19:19:17 -0800

现在，关于AI的讨论都每天是热点，每个角色都有自己声音：算法工程师在讨论大模型，程序员们在讨论Vibe Coding，工程师在讨论 MCP 协议，产品经理在讨论 AI 工作流，投资人在讨论 SaaS软件的前途......

但最懂人类与机器之间关系的那群人——UX 从业者，在这场AI的大讨论里，几乎完全缺席。

原本这场讨论的核心问题——人类如何理解、控制和信任 AI 系统——恰恰是UX行业的主场。而作为 UX 从业者我们（包括我自己），几乎是沉默的，正在把这个未来的主战场拱手相让。

前几天，我发表的关于《SaaS已死，CaaS新生，无界面创业的兴起》的文章，其中探讨了AI对与UX息息相关的用户界面（UI）的冲击，在小红书和X（原推特）引发了大量争论，有赞同，也有反对，其中一条来自推特读者的反驳最为直接：

这条质疑，不只是在反驳我，而是在精准描述一个UX行业必须正面回答的真实问题。

这篇文章，是作为一名20年UX从业者在AI时代的反思。

不是要说"UX即将消亡"——这是最懒惰也最错误的论断。而是想探讨一些根本性的问题：AI 正在改变什么、无界面究竟是什么、UX从业者的新机会在哪里、行业组织需要做什么。

1/正在发生的事实：大模型正在吞噬界面

————

AI 正在内化和吞噬用户界面

过去二十年，互联网、移动互联网，以及软件产业的繁荣建立在一个稳定的前提上：人类需要通过图形界面与系统交互。按钮、菜单、表单、仪表盘——这套 UI 体系，是人与机器之间必要的翻译层，也是 SaaS 行业高估值的核心支撑。

大模型的出现，正在把这个前提逐步瓦解。

Claude、GPT-4o、Gemini 这类大模型，能力越来越强，覆盖范围越来越广——它们不需要专门设计的图形界面来接受指令，只需要 API 接口或 MCP 协议，就能直接完成数据读取、逻辑判断、代码生成、流程执行。原先必须通过人机 UI 界面完成的大量工作，正在被大模型直接内化和承接。

结果是：

侧重流程封装和 UI 交互的App、网站，以及传统 SaaS 软件，正在被极大压缩。

那层昂贵的"交互外壳"——强制登录页、多层菜单、冗余按钮、精心设计的操作流程——在...Read More

AI时代，工具的终极形态是消失

Thu, 19 Feb 2026 19:28:50 -0800

这是一次Claude Code团队成员Boris、Cat参与的一次播客，讨论了几个非常本质的问题：

当模型每3个月就吞噬掉你的脚手架，什么该被保留？什么该被删除？
工具的终极形态是什么？
当人和AI共享同一个界面、同一套工具，人的角色是什么？

一个被"误用"出来的范式

Boris 手写了入职后的第一个 PR。代码审查被拒："你居然自己手写代码？用 Claude。"

那时候 Claude 还叫 Clyde，启动要一分钟，索引跑很久。Boris 输入任务描述，等了五分钟，它一次搞定——虽然还要手动修几处错误，但某个念头冒出来了：也许根本不需要 IDE。

几个月后，Boris 在终端搭了个小聊天应用。随手给模型加了几个工具。然后魔法发生了：模型疯狂使用工具，自己写 bash，写 AppleScript，像天生就会。

Claude Code 就这么出来了。不是规划的产物，是"意外"演化的。它干掉了文本编辑器，让 AI 直接面对终端。

Bash的胜利

任何人构建 AI agent，第一反应都是创建一堆工具：find_file、open_file、search_code……

Claude Code 只给模型一样东西：bash，而且出奇好用。

团队每周都在删工具。上周删了 OS 工具，因为在 bash...Read More

数字世界的场景重构：信息架构与用体验设计

Thu, 19 Feb 2026 19:09:04 -0800

引言：数字时代的“场景问题”

我们正面临一个日益严峻的战略性挑战：在数字与物理结构交织的世界中，我们如何理解并设计清晰的“场景”（Context）。

信息架构理论家安德鲁·辛顿（Andrew Hinton）曾生动地描述过一次在机场的经历：面对着会员等级、信用卡权益、座位升级等多重身份标签，他无法确定自己应该排在哪条安检队伍中；手机上的航空应用因网络连接问题无法显示登机牌，而另一个应用则在锁屏界面上以一种他前所未见的、违反其操作习惯的方式弹出提醒。这个场景生动地描绘了现代用户普遍面临的“场景模糊性”与“场景断裂”——我们迷失在由数字、语义和物理结构共同构成的复杂网络中。

随着数字技术渗透到生活的每个角落，我们赖以理解世界的传统物理线索正在被削弱。这种场景设计的失误不仅会带来困惑，更可能导致严重的后果。2007年，Facebook推出的“Beacon”服务便是一个典型的、因场景模型错配而导致的战略性失败案例。该系统在未获得用户明确同意的情况下，自动将用户在合作网站上的购买行为发布到其社交动态中。这一设计严重违背了用户对于“购物”和“社交分享”这两个场景的心理预期，导致了大规模的用户隐私泄露和信任危机，最终以用户集体诉讼和服务的彻底关闭告终。

本文试图为信息架构师、用户体验设计师以及所有数字产品创造者，提供一个严谨的理论框架。我们将深入剖析场景在数字环境中被破坏与重构的内在机制，并为设计更人性化、更直观、更值得信赖的数字产品提供实践指导。我们将揭示，我们设计的不仅仅是界面或功能，而是在构建人们生活于其中的环境。

为了厘清数字场景的复杂性，我们必须首先回归本源，从人类理解场景的根基——我们所栖居的物理世界——开始探讨。

1. 场景的根基：物理信息与具身认知

在深入探讨数字场景的复杂性之前，我们必须首先理解人类感知世界和与环境互动的最基本方式。这并非多余的理论铺垫，而是所有用户体验设计不可或缺的基石。本章将深入分析，物理世界如何通过其固有的结构——即“物理信息”——为我们提供稳定、直观的场景线索。这些线索根植于我们的身体经验，塑造了我们对一切交互行为最底层的期望。

1.1 具身认知：我们并非孤立思考的大脑

长期以来，主流的认知科学观点（可称为“非具身认知”理论）倾向于将大脑视作一台计算机，身体仅仅是其输入和输出设备。在这种模型中，认知被看作是发生在大脑内部的纯粹计算过程。