你在設計 AI，還是只在畫框框？
這篇文章分享了「The Shape of AI」的創造者 Emily Campbell 所提的「AI 體驗設計的六層架構」。
ChatGPT 上線才三年半。
三年半。這個時間放到整個設計史裡短得像個誤差，卻已經讓「我們在設計什麼、為誰設計、怎麼設計」這些問題全部重新開始。
很多設計師還沒意識到這件事有多根本。他們還在討論聊天介面要不要加個「正在輸入中…」的動畫、回應框的字型該用幾號 —— 這些都是真實的問題，但它們只是 AI 體驗這座冰山最頂上那薄薄的一層。
真正決定使用者拿到什麼體驗的，往往是冰山下面看不見的部分。
為什麼 AI 讓設計變複雜了？
在此之前，設計師做的是「確定性設計」 —— 你定義每一個狀態、每一條流程、每一種可能的互動，系統就照著走。就算後來產品加入了演算法，變動的頂多是排序邏輯、推薦結果，核心流程還是可以被掌控的。
但生成式 AI 不一樣。
它本質上是概率性的。你給一樣的 prompt，可能拿到不一樣的回答。你改了模型訓練資料的一個小細節，幾個禮拜後可能發現產品開始在毫不相關的對話裡提起「地精」——這是 OpenAI 真實發生過的事，一個圍繞「書呆子」人格設計的訓練數據，在某個環節產生了漣漪效應，讓模型養成了一個沒有人要求的奇怪習慣。
系統的任何一層都可能影響最終的使用者體驗，而且往往是你想不到的方式。
這就是為什麼設計師需要一個新的架構去理解 AI 產品。
AI 體驗的六個層次
第一層：使用者介面（User Interface）
這是大多數設計討論停留的地方。聊天框、按鈕、回應格式、微互動 —— 這些都是真實的設計工作，但它的定位正在改變。
關鍵洞察是：介面的主要任務，會隨著使用者與 AI 的關係深化而轉移。
早期，介面是「指令入口」—— 使用者要告訴 AI 做什麼、怎麼做。但當系統對你了解夠多，介面的角色就轉向「監控台」—— 你不需要一直下指令，你需要的是能隨時介入、調整、觀察。
這意味著 onboarding 的邏輯也翻轉了。傳統產品是「讓使用者學會用系統」，AI 產品是「讓系統學會理解使用者」。你的設計要支持的不是使用者爬學習曲線，而是 AI 建立個人化理解的過程。
第二層：情境（Context）
介面底下，是系統對使用者的「理解庫」。
這個層次決定了 AI 能不能不問自知地猜出你想要什麼，還是每次對話都要重新建立關係。
情境有兩種來源：明確的（explicit） —— 使用者直接告訴系統的偏好、目標、背景；以及推斷的（inferred） —— 系統從使用者的行為、歷史互動、整合的第三方資料中自行學到的。
可以想像成電玩遊戲的地圖探索：一開始大部分地形都是霧，隨著你走動，地圖慢慢揭開。情境也是這樣，你用得越多，系統對你的理解越立體，越能主動、而不是被動地服務你。
但這裡有一個不明顯的設計陷阱：情境太多，也會壞事。
研究顯示過長的情境視窗可能讓結果退化 —— 這個問題有個名字叫「context rot」（情境腐敗）。系統可能記住了它不該記的事，忘記了它該記的事，或把上一個使用者的情境帶進這個使用者的體驗。這些失誤在 AI 開始代替你行動的時候，後果會很嚴重。
設計師需要決定：什麼情境要保留、什麼要捨棄、什麼時候要讓使用者知道系統記得什麼。
第三層：操控框架（Harness）
這是 AI 的「行動許可邊界」 —— 決定系統能存取什麼資料、能做什麼動作、能呼叫什麼工具。
這個層次包括：
- 連接器（Connectors）：
哪些外部系統有存取權限？Email？日曆？CRM？使用者要能看得到這些連接，也要能隨時調整。 - 工具（Tools）：
AI 能做什麼操作？讀取？寫入？觸發流程？授權太鬆，AI 可能做出你沒預期的事；授權太緊，它又沒辦法真正幫上你。 - 技能（Skills）：
賦予模型的可重用知識——特定格式、處理規則、任務指引。使用者應該能看到哪些技能是啟用的，以及它們可能怎麼影響結果。 - 代理（Agents）：
能自主追求目標的系統。這裡的設計挑戰是：讓使用者感覺是在「指揮」一個協作者，而不是「失去控制」。
這個層次過去被視為工程問題，但現在它直接影響使用者體驗。你能否信任一個你看不見在做什麼的 AI？設計師的工作就是讓這層「看得見」。
第四層：模型（Model）
GPT、Claude、Gemini、Grok——這些不是可以互換的選項。
每個模型都帶著不同的個性、風險容忍度、能力強項、延遲特性進入你的產品。一個擅長推理的模型在需要即時回應的場景裡會讓人抓狂；一個速度快的模型可能在需要精確度的情境下讓你失望。
設計師不需要親自訓練模型，但需要夠懂模型的差異，才能做出有意義的選擇——包括：
- 哪個模型適合這個任務？
- 哪些行為是可以調校的（延遲、詳細程度、創意程度、拒絕模式）？
- 使用者要不要知道他們在用哪個模型？如何呈現這個選擇？
模型是 AI 產品的原料，了解原料才能做出好東西。
第五層：治理（Governance）
這個層次常常不在設計師手裡，但它深刻地影響設計。
政策、法規、企業準則、使用者偏好設定 —— 這些外部力量在不知不覺中決定了系統的邊界：哪些問題 AI 會拒絕回答、數據能存多久、在哪些市場能做哪些功能。
同樣的底層模型，在不同的治理框架下，使用者拿到的體驗可能截然不同。Sam Altman 曾在 X（前 Twitter）上公開承認 GPT-4o 變得「太討好人、太煩人」，並承諾快速修正 —— 這就是「偏好」這個層次對模型行為產生影響的具體案例。
設計師至少要理解自己工作的治理框架，並且懂得如何在介面和服務設計中，讓這些限制變得透明、合理、甚至值得信任。
第六層：湧現（Emergence）
這是最難設計的層次，因為它基本上不可設計 —— 它只能被「觀察」和「回應」。
湧現指的是概率性系統在真實環境運作時，產生的意外行為。開始提「地精」是湧現，在簡單任務上表現比複雜任務更差是湧現，從某個隨機 token 產生無法理解的輸出也是湧現。
這不全是壞事。創意工具裡的「意外」往往是功能，不是 bug —— 它讓 AI 能打破固定框架，給你沒有預期的可能性。
設計師面對湧現的策略是：
- 可觀察性（Observability）：看得到系統在做什麼
- 可解釋性（Interpretability）：理解系統為什麼這樣做
- 溯源性（Provenance）：能夠追溯一個輸出的形成路徑
目標不是消滅變異，而是讓變異可以被看見、理解、在必要時被修正。
設計師要成為「全端（Full-stack）」了
這裡說的全端（Full-stack），不是要你去訓練模型，也不是要你寫 RLHF 算法。
它的意思是：你需要有足夠的語言能力，能和工程師討論 harness 對體驗的影響，能和法務討論治理框架和介面設計的關係，能在模型選擇上給出有意見的看法。
Jesse James Garrett 在 2000 年說，設計師需要從「我負責的那一層」看到整個系統。Jamie Mill 在 2021 年說，設計師要從「產品」看到「更廣的脈絡」。現在 AI 說：你需要再往下一層 —— 進入模型、操控框架、情境、政策，和那些在使用者觸碰介面之前就決定了體驗的地方。
這不是設計死了，是設計往更深的地方活了。
如果你是設計師，可以問問自己：你目前工作的 AI 產品，你對哪幾層有影響力？哪幾層是你根本不知道在發生什麼的？
那個「不知道」的地方，就是你下一步可以投資的地方。
原文出自 Emily Campbell 的〈The Layers of AI Experience〉。