Appearance
TL;DR
AI 产品设计的底层逻辑正在被重构。界面从必经之地退化为辅助手段（去界面化）；设计范式由 UX 转向 AX——从"用户如何做"切到"智能体如何替用户做、用户如何放心让智能体做"；设计师同时承担为用户建立信任与为智能体规范行为的双重职责；架构选型回到 Workflow × Context 四象限——能用 RPA 就别上 Agent，能用 Workflow 就别堆多 Agent；真正的产品壁垒不是"会生成内容"，而是把业务做成七层结构的操作系统（结果/对象/关系/状态/动作/规则/反馈）。大厂在这条路上撞上模型不确定性、用研盲区、组织结构三层同质化陷阱，破局者的共同动作是放弃全能助手幻觉、把场景做到极致。
一句话总纲：Workflow 守下限，Agent 探上限；下一代 AI 产品的稀缺性，在于把世界建成可以被 AI 理解、执行、反馈、迭代的系统。
一、范式迁移：从 UX 到 AX
1.1 IaaA：意图即应用
交互的起点正在从"打开应用"迁移到"表达意图"。
| 范式 | 交互起点 | 用户动作 | 系统行为 |
|---|---|---|---|
| 传统（应用为中心） | 打开应用 → 找功能 → 操作 | 用户主动寻路 | 被动等待指令 |
| IaaA（意图为中心） | 表达意图 → AI 规划 → 自动执行 | 用户描述目标 | 主动理解并完成 |
界面不会消亡，但地位正在从"必经之地"变为"辅助手段"——它从用户必须主动操作的核心，退化为 AI 理解意图后可选的呈现层。
1.2 UX vs AX 四维对比
| 维度 | UX（传统体验） | AX（AI 体验） |
|---|---|---|
| 核心命题 | 用户如何做 | 智能体如何替用户做 + 用户如何放心让智能体做 |
| 体验目标 | 降低操作成本，提升效率 | 创造新体验方式和价值空间 |
| 交互逻辑 | 确定性路径（点击、选择） | 生成性路径（AI 理解意图并协作） |
| 人机关系 | 用户操作工具 | 用户与 AI 协同决策、共创 |
| 个性化程度 | 面向大众的平均设计 | 实时个性化、上下文感知、长期陪伴 |
| 设计焦点 | 页面、控件、信息架构、操作路径 | 意图澄清、行为边界、可解释性、风险控制 |
| 核心难题 | 下一步点哪里？操作是否便捷？ | 系统做了什么？为什么？何时介入？ |
| 交付物 | 线框图、交互稿、用户旅程图 | 行动回路、权限护栏、评估体系、审计日志 |
| 衡量指标 | 完成率、操作时长、错误率 | 任务成功率、可靠性、可控性、风险发生率 |
| 设计师角色 | 界面美化师、流程优化师 | 意图架构师、行为治理师、信任构建师 |
1.3 去界面化的三个具体趋势
- 界面数量减少：AI 能理解意图并自动完成复杂任务时，不需要为每个功能准备入口。
- 界面形式变化：从功能按钮阵列 → 对话窗口、语音助手、上下文感知环境。
- 设计师角色转变：从设计"界面和流程" → 设计"人机协作模型"。
1.4 PM 的思维转换
- 从 功能清单思维：我有哪些功能可以提供？
- 到 意图驱动思维：用户想要完成什么？AI 如何帮他完成？
📌 2026-05-20 新证据（来源：Notion / Latent Space 播客）：Notion 产品工程团队已把这条思维转换具体化为组织级目标——"让所有表面都同时为人类客户和 Agent 工作"。这不只是设计理念，而是产品工程组织的共同任务。他们的判断是：随着时间推移，大多数流量将来自使用界面的 Agent 而不是人。这意味着数据库、编辑器、SQL 引擎、权限系统都要同时为 Agent 留出可调用、可理解、可组合的接口——意图驱动思维的终局不是"AI 替用户做"，而是"人和 Agent 都能用同一套系统做"。
二、双重职责：为用户建信任，为智能体定规则
为用户设计的核心是"建立信任"（授权体验），为智能体设计的核心是"规范行为"（能力架构）。两者目标不同、逻辑不同，但深度绑定——任何一方缺失都无法形成可信的人机协同。
2.1 为用户设计：三大授权体验
| 问题 | 设计方案 |
|---|---|
| 意图表达流畅性 | 意图澄清机制：需求不明确时主动追问关键参数（时间/目的地/预算等），逐步锁定避免执行偏差 |
| 过程透明可感知 | 可视化执行日志 + 关键步骤主动告知 + 风险节点提前确认，打破黑盒感 |
| 控制权绝对保障 | 暂停 / 撤销 / 干预 / 接管的全链路权限。智能体是"副驾驶"而非"自动驾驶" |
2.2 为智能体设计：四大能力架构模块
| 模块 | 核心内容 |
|---|---|
| 意图架构设计 | 把用户的模糊需求转化为结构化目标，定义意图的边界、优先级、约束条件 |
| 行为边界与护栏 | 三级分类：① 绝对禁区（未授权转账 / 隐私泄露）② 必须人工确认（大额支付 / 敏感信息）③ 分级授权（普通查询免验证，个人信息修改需短信验证） |
| 工具协同与流程 | 调用优先级（先天气 → 再路线 → 后订酒店）+ 失败重试 + 结果整合逻辑 |
| 评估与反馈体系 | 智能体自我修正（评估用例 + 监控指标 + 错误复盘）+ 人类反馈闭环（用户评价反哺决策） |
2.3 角色重定位
设计师不再只设计用户"看得到、点得到的界面"，更要设计智能体"看不到的思考与行动规则"。
三、Agent 架构选型：Workflow × Context 四象限
3.1 第一原则
Agent = {Workflow} + {Context}- Workflow 确定性：业务流程是否固定、可预编排
- Context 确定性：输入信息是否标准化、可预期
3.2 四象限矩阵
| 高 Context 确定性（输入标准） | 低 Context 确定性（输入多变） | |
|---|---|---|
| 高 Workflow 确定性（流程固定） | 🟢 象限一：传统 RPA（主）+ AI（辅） | 🔵 象限二：单 Agent + RAG / 知识图谱 |
| 低 Workflow 确定性（路径不明） | 🟡 象限三：端到端 RL Agent（单 Agent） | 🔴 象限四：多 Agent 协作（MAS） |
3.3 四象限深度解析
| 象限 | 场景特征 | 典型案例 | 技术选型 | 决策关键词 |
|---|---|---|---|---|
| 一 | 流程死板，输入标准 | 发票报销、固定表单 | RPA 主 + AI 辅 | 能 RPA 就别 Agent |
| 二 | 流程固定，输入千变万化 | 智能客服、合同审核 | 单 Agent + RAG | 流程编排 + 知识注入 |
| 三 | 目标清晰，输入充足，路径不明 | 市场分析报告生成 | 端到端 RL Agent | 让模型自己想，别帮它规划路径 |
| 四 | 既要探索方向，又要搜集信息，又要执行 | 跨部门复杂协同 | 多 Agent 协作（Planner / Executor / Critic） | 分治降熵，模拟组织 |
3.4 决策金句与组合策略
Workflow 是对下限的守卫，Agent 是对上限的探索。
- 业务容错率低、SOP 明确 → 把逻辑固化在 Workflow 中
- 业务充满未知和开放性 → 给 Agent 更多工具与权限
- 真实业务永远是三者结合，单一技术解决不了复合问题
3.5 可复用 Checklist
每个新需求依次回答两个问题，再查矩阵：
- Workflow 确定性：业务流程能不能画出确定的流程图？
- Context 确定性：输入数据格式与内容是否标准化？
需求溢出到其他象限的部分，用对应技术做补充，而不是推翻骨架。
四、本体论视角：构建 AI 业务操作系统
4.1 问题诊断：从"补丁地狱"到结构性缺失
错误路径的三个典型表现：
- 信息乱 → 多做模板
- 表达不统一 → 多写提示词
- 场景很多 → 按场景分别做工具
根本症结是：以为缺的是更复杂的自动化，实际上缺的是更底层的结构。
4.2 七层架构
真正能解决现实业务问题的下一代 AI 产品，几乎都离不开这七层：
| # | 层 | 核心问题 |
|---|---|---|
| 1 | 结果（Results） | 最终要达成什么 |
| 2 | 对象（Objects） | 核心业务实体是什么 |
| 3 | 关系（Relations） | 对象之间如何关联 |
| 4 | 状态（States） | 对象处在哪个阶段 |
| 5 | 动作（Actions） | 哪些操作是关键动作 |
| 6 | 规则（Rules） | 什么规则决定推进 |
| 7 | 反馈（Feedback） | 结果如何修正系统 |
核心逻辑：材料只是输入，关键是材料进入之后，系统是否把它转化成对象变化、状态变化、风险变化和动作变化。
4.3 双层设计：母体层 + 执行层
| 层 | 角色 | 关键问题 |
|---|---|---|
| 第一层：原始系统搭建器（母体层） | 定义本体 | 这个领域要什么结果？核心对象是什么？状态机怎么走？哪些是关键动作？规则与权限如何设？ |
| 第二层：交易总控系统（执行层） | 处理具体业务 | 自动识别材料类型、抽取关键事实、判断当前阶段、生成复盘汇报、判断属于普通更新 / 规则修正 / 本体升级 |
4.4 改造前后的本质差异
- 改造前（反应式）：一堆材料、一堆判断、一堆动作、一堆临时结论 → 处理文件
- 改造后（主动式）：一个持续更新的项目对象、清晰的阶段状态、可追踪的风险约束、明确的下一步动作、可复用的决策逻辑、可升级的本体与规则 → 经营系统
以前花很多时间"组织世界"，现在更多在"校准世界"。
4.5 真正的稀缺性
如果今天做产品已经不再稀缺，未来真正稀缺的是：
- 谁能把产品变成操作系统
- 谁能把一次次输出变成持续进化的能力
- 谁能让 AI 真正接住现实世界，而不是停留在演示里
📌 2026-05-20 新案例（来源：Notion Sarah Sachs / Latent Space 播客）：Notion 反复强调自己的任务是成为企业工作的 "system of record"（系统记录层）——不想做"某个模型的包装层"，不想做"看起来酷但嵌不回真实用户旅程的工具"。他们会支持 MCP、外部模型、外部工具接入，但核心定位是：让企业知识、流程、权限和协作关系可被 Agent 理解的工作底座。Sarah 原话："我们团队最容易失败的时候，恰恰是太关注哪些工具看起来很酷，而不是它有没有服务一个真实的用户旅程。"——这与本节"稀缺性在于把世界建成可以被 AI 理解、执行、反馈、迭代的系统"的判断完全同构。Notion 是目前对这条路线表态最明确的 SaaS 公司之一：不做一堆孤立的 AI feature，而是构建让 Agent 能工作的结构化数据层。
4.6 商业实证：Palantir 七组件本体与中国门徒（延伸阅读）
七层架构不是纸面方法论——Palantir Foundry / AIP 的 Ontology 层已在工业、能源、医疗、政府等场景把它跑成了一笔商业生意，护城河不是模型也不是 UI，而是"对象 + 关系 + 状态 + 动作 + 规则 + 反馈"组成的组织操作系统。中国市场也已分化出四类本体论门徒（数据中台升级派 / 行业 AI 应用派 / 决策智能派 / 业务系统派），各自踩着不同的本土化适配路径。
为什么本体论在大模型时代反而更值钱：
- LLM 越强，把一堆字段塞给模型就越浪费——必须有语义层兜底
- 单点 Copilot 越多，企业越需要统一的本体避免内部分裂
- Anthropic / OpenAI 提供模型，但不替企业建本体——这就是 Palantir 们的护城河
延伸阅读：
- [商业策略/07-Palantir 根本竞争力-本体建模与组织操作系统]
- [商业策略/11-本体论落地中国-Palantir 门徒四大阵营与本土化改造路径]
- [商业策略/12-Palantir 难以被 Anthropic 取代-平台工具嵌套关系与决策基础设施护城河]
五、大厂同质化的三层陷阱与破局者画像
5.1 三层陷阱
第一层：模型不确定性陷阱
└→ 底层能力随时被重置
└→ 独特功能的优势可能随模型更新消失
└→ 理性选择：靠拢主流形态，最小化风险
└→ 结果：等待模型稳定，但没人先动
第二层：用研陷阱
└→ 用户只能说出见过的功能
└→ 调研擅长发现"已知需求"，不擅长发现"未被满足的需求"
└→ 调研数据被包装为"有数据支撑"的决策依据
└→ 结果：同质化决策穿上数据外衣，无懈可击
第三层：组织结构陷阱
└→ 决策链路长：需求 → 设计 → 技术 → 安全 → 法务
└→ 机制天然淘汰激进，保留平庸
└→ KPI 考核留存而非创新
└→ 结果：系统不奖励差异化，甚至惩罚差异化**同质化不是 PM 的失职，而是激励机制的必然产物。**你不能指责一个在错误赛跑规则下奔跑的人，为什么跑错了方向。
5.2 破局者：把场景做到极致
| 产品 | 不是做什么 | 而是做什么 | 核心差异 |
|---|---|---|---|
| Cursor | AI 编辑器 | 让你写代码时不需要离开当前上下文 | 上下文连续性 |
| Perplexity | AI 搜索 | 让你得到有来源的直接答案，而不是十个链接 | 答案直达 |
| Notion AI |
共同点：交互体验设计的参照系，从"ChatGPT 长什么样"换成"这个场景里用户的上下文是什么"。
5.3 大厂 vs 小团队的结构性差异
| 维度 | 大厂 | 小团队 |
|---|---|---|
| 决策链路 | 长，多层评审 | 短，快速决策 |
| 风险偏好 | 淘汰激进，保留平庸 | 可以承受失败 |
| 用户定位 | 讨好所有用户 | 专注特定场景 |
| 速度 | 慢，等模型稳定 | 快，赶在模型更新前把场景体验做进肌肉记忆 |
| 动机 | 舍不得放弃"全能助手"梦 | 没有历史包袱 |
关键数据：社交产品同质化花了 5 年，AI 产品同质化用了不到 18 个月。
5.4 破局者的反向画像：AI 创业三特征死亡陷阱（延伸阅读）
第 5.2 节给了正面破局案例（Cursor / Perplexity / Notion AI），但更值得记住的是反面——哪些 AI 创业项目几乎注定被巨头碾压。Jasper 一年 ARR 7000 万美元后崩塌的案例提炼出三特征死亡陷阱：
- 基于通用 LLM 的薄包装（无私有数据 / 无独家工作流）
- 场景与巨头主力产品高度重合（写作 / 通用搜索 / 通用代码助手）
- 唯一壁垒是 Prompt 模板（巨头一更新模型即归零）
对应的两类真机会：
- 行业纵深机会：私有数据 + SOP + 合规壁垒（医疗 / 法律 / 制造）
- 业务流改造机会：把 AI 嵌入企业既有工作流的关键节点（Palantir 模式）
延伸阅读：
- [商业策略/14-AI 创业三特征死亡陷阱与两类真机会]
5.5 最后一公里原则：垂直 AI 的真正护城河（延伸阅读）
通用大模型解决企业问题的 80-90%，但剩下 10-20% 的"最后一公里"才是付费点——这是智慧芽 CEO 张济徽在 AI 创业反思中的核心判断。这条原则把 5.4 节的"反向画像"翻转过来，给出做什么才有壁垒的正向答案：
| 80-90% 的部分 | 10-20% 的部分（最后一公里） |
|---|---|
| 通用 LLM 能力（写作、搜索、代码、问答） | 十几年积累的"加工清洗"数据 + 场景 know-how + 容错率为零的环节 |
| 客户大企业内部上百人团队 + 自有算力 + 开源模型即可达到 | 不可替代——这就是付费点 |
对应到 PM 决策的工程含义：
- 不在基座层竞争（拼不赢 Anthropic / OpenAI / 阿里通义）
- 把所有资源压在 post-training + 场景工作流（私有数据微调 / RAG 知识库 / Agent 编排 / 业务对象建模）
- 越细分、越垂直、越深，越有壁垒——这与 4.4 节"经营系统"和 5.4 节"行业纵深机会"指向同一答案
典型反例： 专利防侵权场景如果只做到 80% 准确率，20% 漏查可能造成巨大损失——容错率为零的场景是壁垒最高的，也是大模型最难替代的。
延伸阅读：
- [商业策略/08-智慧芽张济徽-AI 垂直应用最后一公里与全球化架构]
5.6 订阅制不是收费方式，是价值交付方式（镜像启示）
来自 [商业策略/06] 安全订阅制困境的反向启示——当一款 AI 产品续费率持续下滑时，问题往往不在"价格"或"功能"，而在订阅制底层的四大价值特征是否成立。这对 AI 产品 PM 是一面镜子：
| 价值特征 | 含义 | AI 产品 PM 的自检问题 |
|---|---|---|
| 持续交付（Continuous Delivery） | 每月都有可感知的能力升级 | 我的产品每月有什么"用户能记得"的新能力？ |
| 价值递增（Value Compounding） | 用得越久价值越大（数据飞轮 / 工作流嵌入） | 用户用了 6 个月，迁移成本是否高于第 1 个月？ |
| 关系深化（Relationship Deepening） | 客户成功团队主动陪伴 + 季度业务复盘 | 我有客户成功流程吗？还是只有客服 ticketing？ |
| 风险分担（Risk Sharing） | SLA 承诺 + 故障兜底 | 出问题时谁负责？是不是用户单方面承担风险？ |
核心启示： 订阅制如果只是"按月收费"，就不是订阅制，是"分期付款"——这种模式在客户预算紧张时一定先被砍。AI 产品要真正做成订阅业务，PM 必须设计的不是 SKU 价格表，而是这四大特征的工程化交付路径。
延伸阅读：
- [商业策略/06-安全订阅制困境-从收费到价值交付重构]
六、五层认知地图：方法论之间的递进关系
【范式层】UX → AX 范式迁移
↓ 决定设计师工作对象的根本改变
【职责层】设计师双重职责
↓ 决定具体的设计动作和模块
【架构层】Workflow × Context 四象限选型
↓ 决定 Agent 技术骨架
【系统层】本体论 + 业务操作系统
↓ 决定产品壁垒的深度
【市场层】同质化三层陷阱与破局
↓ 决定差异化能否真正落地贯穿性洞察：
- 去界面化只是表象，意图驱动才是本质——由此推导出 AX 设计的所有动作。
- AX 的"行为护栏" 与 Workflow × Context 中"控制 Workflow 的部分" 同源——都是用确定性框架兜底不确定性。
- Workflow 守下限 + Agent 探上限 + 本体论建系统 = 一个完整的 AI 产品架构骨架。
- 大厂同质化陷阱反过来证明本方向方法论的价值：不场景化、不建本体、不区分 UX/AX，最终只能复制 ChatGPT 形态。
七、可落地的行动清单
设计阶段
- 画一张 UX vs AX 对比检验表，确认当前 AI 功能是否覆盖 AX 四大核心维度（意图澄清、行为边界、可解释性、风险控制）。
- 为每个 AI 功能画一张 行为护栏清单：哪些是绝对禁区、哪些需要确认、哪些分级授权。
- 在 AI 执行过程中设计 状态播报 机制，打破黑盒感。
架构阶段
- 每个新需求先回答两个问题：业务流程能否画出确定流程图？输入数据是否标准化？
- 依次查四象限矩阵定位主架构，溢出部分用对应技术补充而非推翻骨架。
- 盘点当前产品：哪些功能其实落在象限一（应该 RPA）却用了 Agent？哪些落在象限四（应该多 Agent）却塞给单 Agent 拼命？
系统化阶段
- 为业务领域画 七层架构图：结果 / 对象 / 关系 / 状态 / 动作 / 规则 / 反馈分别是什么？
- 判断当前 AI 产品停留在"处理文件"还是"经营系统"？升级路径是什么？
差异化阶段
- 诊断当前产品是否陷入同质化陷阱：是不是又是"左边对话列表、中间输入框、右上角模型切换"的标准形态？
- 像破局者那样反问：在这个场景里，用户的上下文是什么？我能不能让用户不必离开当前上下文就完成任务？
八、值得进一步探索
- 意图澄清的最优交互模式：一次性问完所有参数 vs 渐进式追问，哪种用户接受度更高？
- 用户控制权与智能体自主性之间的平衡点，如何随场景与用户动态调整？
- 四象限框架的边界：实际项目大多游走在象限之间，如何识别"主象限"并把溢出部分模块化？
- 本体论方法在 ToB 政企场景的落地路径：客户内部的对象/关系/规则差异极大，如何复用母体层而定制执行层？
- 打破组织结构陷阱：在大厂内部如何包装"差异化创新"使其能通过 KPI 审查？或者只能选择加入小团队？
九、决策原则金句
界面不会消亡，但地位正在从"必经之地"变为"辅助手段"——交互起点正在从界面转向意图。
为用户设计的核心是"建立信任"，为智能体设计的核心是"规范行为"，两者结合才能实现人机协同的最优体验。
设计师不再只设计用户"看得到、点得到"的界面，更要设计智能体"看不到的思考与行动规则"。
Workflow 是对下限的守卫，Agent 是对上限的探索。
能 RPA 就别 Agent，能 Workflow 就别多 Agent。
真正有用的系统需要回答：什么对象在变化？它和谁有关？现在处在哪个状态？下一步该触发什么动作？什么规则决定它能不能推进？结果怎么再反馈回来修正系统本身？
把你的业务世界，构造成一个可以被 AI 理解、执行、反馈和迭代的系统——这才是真正的下一代 AI 产品。
同质化不是产品经理的失职，是激励机制的必然产物。
用户调研擅长发现"已知的需求"，而不擅长发现"还没被满足的需求"。
真正的破局不会发生在大厂内部，会发生在一个小到不需要那么多评审、专注到不需要讨好所有用户、快到能在模型更新之前就把场景体验做进肌肉记忆的小团队里。