作者：vivo 互联网项目团队- Ding Junjie
本文从作者使用AI的实践经验出发，探讨了Chat模式作为AI交互范式的特点和优势。作者提出了"意图信息密度匹配"的核心概念，认为好的AI交互设计本质上都在解决人机意图信息密度匹配问题。通过分析Cursor Tab补全、Granola会议笔记等成功案例，以及对比一键生成模式的局限性，文章总结了不同AI交互模式的适用场景和设计原则。作者认为Chat模式虽然不是唯一的最佳交互范式，但它体现了高密度意图交互的重要原则，关键是要根据用户意图的复杂程度设计合适密度的交互方式。
1分钟看图掌握核心观点👇
图1 VS 图2，您更倾向于哪张图来辅助理解全文呢？欢迎在评论区留言。
我从 GPT-3.5 发布第一个月就开始用 AI，也尝试写过各种demo项目，参与过早期的NextChat开源项目，现在每天都离不开各类AI工具。最近在想一个问题：Chat模式是和AI最好的交互范式吗？
图片来源于 TOP 50 GEN AI WEB PRODUCTS
一、Chat 模式为什么让人感觉舒服？
用ChatGPT的时候，我经常有种感觉：就像在和一个很聪明的朋友聊天。我说一句，它回一句，我们慢慢把问题聊清楚。
这种感觉和用其他AI功能很不一样。比如一些"一键生成"的功能，我点一下，它哗啦啦输出一大堆，我看着就头大。
想了想，发现Chat模式有个特点：你一句，我一句，每次交换的信息都是小块的。
二、从AI的工作原理看Chat模式
大模型本质上是预测下一个token。它需要基于前面的内容来预测后面的内容。
这让我想到一个角度：Chat模式中，每次用户的一句话，其实都是对AI预测下一段token的调整。
或者用更技术的语言说：每次人的输入都在减少AI理解用户意图的熵。
Chat交互模式：
用户: "我想写个用户管理功能"
AI: "好的，你需要哪些具体功能？增删改查？还是..."
用户: "主要是查询和编辑，要支持分页"
AI: "明白了，你用的是什么技术栈？数据库是..."
用户: "React + Node.js，MongoDB"
AI: "好的，我来帮你写一个基于这个技术栈的用户管理..."每一轮对话，AI对用户意图的理解都更精确一些
三、意图信息密度匹配的概念
从这个观察中，我想到一个概念：意图信息密度匹配。
用户的意图信息密度：
┌─────────────────────┐
│ 具体目标 + 使用场景 │
│ + 个人偏好 + 约束条件 │
└─────────────────────┘
AI理解的意图信息密度：
┌─────────────────────┐
│ 从对话中提取的 │
│ 用户真实意图程度 │
└─────────────────────┘
当两者匹配度高时，AI输出就符合期望；当差距过大时，AI输出就会偏离预期。
无论是AI理解不了人，还是人不再能够理解AI输出的内容，都不是一个好的体验。
Chat模式的本质就是：它能和AI进行高密度的意图交互。
四、其他成功的交互模式也有类似特征
想到这里，我开始观察其他好用的AI功能，发现它们虽然不是Chat模式，但本质上也在做类似的事情。
4.1 Cursor Tab补全：另一种"你一句我一句"
我: function calculatePrice(
AI: items: Product[], discount: number): number {
我: ↵ (采纳) const basePrice =
AI: items.reduce((sum, item) => sum + item.price, 0);
我: ↵ (采纳) return basePrice *
AI: (1 - discount);这也是人一下，AI一下的模式。我写前几个单词，AI预测后面的，我选择是否采纳。整个过程协同密度足够高，每一步都在对齐认知。
4.2 Granola会议笔记：并行理解，AI往人靠
会议进行中：
（1）我手动记录：
重要决定\] 下周发布新功能 \[风险点\] 数据库性能 \[行动项\] 张三负责测试 （2）AI同时记录： 完整的会议转录内容 （3）结合阶段： AI基于我的重点标记来组织它记录的详细内容 这个设计很有意思：它没有采取"你一句我一句"，而是采取**并行理解相同的内容，然后AI往人的理解上靠**。 本质也是在减少熵增，拉齐认知，并且以人为主导。 *图片来源于granola（[www.granola.ai/](https://www.granola.ai/)）* 五、为什么一键生成常常让人失望？ 对比一下一键生成的模式： 一键生成模式： 用户: "帮我写个电商网站" AI: [生成大量代码和文档] 用户: [需要花很多时间理解和修改，最后发现根本用不了！！！] 问题在于： * 用户一次性描述很难传达完整意图 * AI大量输出让用户认知负荷爆炸 * 缺乏中间的意图校准过程 ## 六、成功的AI产品/功能都在不断拉齐人和AI的共同认知 观察一些真正好用的AI产品： * **GitHub Copilot：**在代码编写过程中实时预测，保持高频意图同步 * **Notion AI：**基于已有文档内容进行续写，上下文丰富 * **Figma AI：**在现有设计基础上调整，意图边界清晰 它们的共同点：**都在用户提供丰富意图上下文的基础上进行AI增强，同时保持人和AI一致性理解。** ## 七、什么场景适合"一键生成"？ 当然，也有一些场景适合大颗粒度生成： ## 7.1 意图简单明确的场景 * **翻译：**意图就是转换语言 * **格式转换：**规则清晰，没有歧义 * **模板生成：**标准化程度高 ## 7.2 容错度高的场景 * **头脑风暴：**随便生成想法，错了也无所谓 * **快速原型：**只要能跑起来就行 这些场景的**特点**是：用户意图相对简单，或者对结果要求不高。 比如飞书的会议总结就是好的应用场景 *图片来源于飞书app（[feishu.cn](http://feishu.cn/)）* ## 八、一些思考 基于这些观察，我觉得设计AI功能时可以考虑： ## 8.1 评估意图复杂度 * 用户意图是否容易一次性描述清楚？ * 个性化需求有多强？ * 对结果的精确度要求如何？ ## 8.2 选择合适的交互密度 * **复杂意图：**高频交互，保持同步（像Chat、Tab补全、Granola这种后置拉齐ai和人协同的认知） * **简单意图：**可以支持一键生成 ## 8.3 设计意图校准机制 * 如何让用户轻松提供上下文？ * 如何及时发现意图理解偏差？ * 如何保持以人为主导？ ## 九、未来的方向 从技术发展看，可能的优化方向： * **更长的上下文窗口：**能处理更丰富的意图信息 * **更好的意图推断：**从少量输入中理解更多意图 * **多模态意图捕获：**结合语音、手势、视觉等 * **个性化记忆：**记住用户的习惯和偏好 但核心还是：**人机意图信息密度匹配。** ## 十、回到最初的问题 Chat模式是和AI最好的交互范式吗？ 我觉得不是唯一的，但它确实体现了一个重要原则：**高密度的意图交互。** 好的AI交互设计，本质上都在解决人机意图信息密度匹配问题。Chat模式是一种很好的实现方式，但不是唯一的方式。 关键是要理解你的用户意图有多复杂，然后设计合适密度的交互方式。 这是作者作为重度AI用户的一些观察和思考。 你在用AI时有什么感受？有没有发现其他有趣的交互模式？欢迎交流\~！ *本文仅分享作者基于个人技术实践的思考和主观观点，不构成决策依据。*