当AI Agent学会制造"信息缺口"：智能体的好奇心驱动设计
系列一：AI Agent × GAP模型 | 第1篇（深度型）
从 Loewenstein 的经典理论出发，拆解 AI Agent 如何系统性地制造用户的好奇心。
本文你将获得
- 🧠 信息缺口的 Agent 视角解读框架（理论×产品双重视角）
- 📐 4种 Agent 制造信息缺口的设计模式（含 Cursor、Perplexity、ChatGPT 案例拆解）
- 🎯 好奇心驱动的 Agent 设计模板（可直接用于产品设计评审）
- ⚠️ 过度制造缺口的 3 个反面案例（避坑指南）
- 📋 信息缺口检测清单（12项，逐条自检）
- 🔗 从学术理论到产品落地的完整映射路径
引言：为什么有的 Agent 让人"停不下来"，有的用一次就弃了？
你有没有这样的经历------
打开某个 AI 助手，问了一个问题，它秒回了一大段文字。答案很完整，逻辑很清晰，引用也很规范。你看了两秒，心想"挺好的"，然后关掉了页面，再也没有打开过。
再对比另一个场景：你打开 Perplexity，问了一个技术问题。它不仅给了答案，还在右侧列出了"相关问题"。你点了一个，新的答案下面又出现了"追问建议"。你忍不住又点了一个，然后又一个------等你回过神来，已经在一个"知识兔子洞"里待了四十分钟。
两个产品都是 AI Agent，都具备强大的信息检索和生成能力。但一个让你"用完即走"，一个让你"停不下来"。
差异不在技术能力，而在行为设计。
核心论点只有一个：
最好的 Agent 产品不是功能最强大的，而是最能精准制造"信息缺口"的。
这个论点背后，站着一位 Carnegie Mellon 大学的心理学家------George Loewenstein，以及他在 1994 年提出的信息缺口理论（Information Gap Theory）。这个理论不仅解释了人类好奇心的本质，更为我们设计 AI Agent 产品提供了一套精确的"缺口制造"工具箱。
接下来，我们从理论出发，走向产品实战。
一、信息缺口理论的 Agent 视角
1.1 重新解读 Loewenstein：好奇心不是"求知"，而是"觉察缺失"
Loewenstein 的信息缺口理论核心命题非常简洁：
好奇心不是对知识的渴望，而是对"自己所缺少的知识"的觉察。
这句话里有三个关键词值得拆解：
| 关键词 | 含义 | Agent 产品的对应设计 |
|---|---|---|
| 觉察 | 用户必须"意识到"自己缺什么 | Agent 需要先展示部分信息，让用户感知到"还有更多" |
| 缺少 | 缺口必须存在于"已知"与"想知道"之间 | Agent 需要精准定位用户的知识边界 |
| 知识 | 缺口的内容必须是用户认为有价值的 | Agent 需要让缺口内容与用户目标高度相关 |
Loewenstein 还提出了一个关键洞察：当一个人注意到自己知识中的某个缺口时，会产生一种类似"瘙痒"的心理不适感，这种不适感会驱动他去寻找信息来消除缺口。
这对 Agent 产品的启示是：你的 Agent 不应该只是"回答问题"，而应该先让用户"意识到自己还有问题没问"。
1.2 传统产品的缺口 vs AI 产品的缺口
信息缺口在传统产品和 AI Agent 产品中的运作方式有本质差异：
┌─────────────────────────────────────────────────────────────────┐
│ 信息缺口的两种范式 │
│ │
│ 传统产品： │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 静态缺口 │────▶│ 固定路径 │────▶│ 固定回报 │ │
│ │ (预设) │ │ (单向) │ │ (确定) │ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ │
│ AI Agent 产品： │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ 动态缺口 │────▶│ 自适应路径│────▶│ 变动回报 │ │
│ │ (实时生成)│ │ (双向) │ │ (超预期) │ │
│ └──────────┘ └──────────┘ └──────────┘ │
│ ▲ │ │
│ └──────────── 新缺口自动生成 ──────────────┘ │
└─────────────────────────────────────────────────────────────────┘用一张对比表格来说明差异：
| 维度 | 传统产品 | AI Agent 产品 |
|---|---|---|
| 缺口来源 | 设计师预设，上线前确定 | Agent 根据上下文实时生成 |
| 缺口粒度 | 粗粒度（面向群体） | 细粒度（面向个体） |
| 缺口动态性 | 静态，不随用户变化 | 动态，随对话/任务演进 |
| 弥合路径 | 用户主动探索 | Agent 引导 + 用户探索 |
| 弥合后 | 流程结束 | 自动生成新缺口，形成飞轮 |
关键差异在于"弥合后"这个环节：传统产品在用户满足信息需求后就结束了，而优秀的 Agent 产品会在每一次满足后自动生成新的缺口，形成持续使用的飞轮。
1.3 U 型好奇心曲线在 Agent 产品中的映射
Berlyne 在研究好奇心时发现了一个重要现象：好奇心与信息量之间呈 U 型关系------信息太少不会引发好奇心（你不知道自己不知道），信息太多也不会（你已经知道了）。
好奇心强度
▲
│ ╱╲
│ ╱ ╲ ← 最优信息缺口区间
│╱ ╲ （"我知道一些，但还不够"）
│ ╲
│ ╲
│ ╲╱
└──────────────────▶ 信息量
低 高
◀── 盲区 ──▶◀── 缺口区 ──▶◀── 熟悉区 ──▶
(无好奇心) (好奇心最强) (无好奇心)这个 U 型曲线对 Agent 产品的设计指导意义极为明确：
| 区域 | 用户状态 | Agent 应该做什么 | 典型设计手法 |
|---|---|---|---|
| 盲区 | 完全不知道 | 先给"钩子"信息，让用户意识到缺口存在 | Perplexity 的"热门话题"推荐 |
| 缺口区 | 知道一些但不完整 | 提供部分答案 + 暗示更多信息 | Cursor 的"这里还有优化空间"提示 |
| 熟悉区 | 已经掌握 | 引导到新的相关缺口 | ChatGPT 的"你还可以问我关于..." |
Agent 产品的核心设计任务，就是把用户精确地维持在"缺口区"中。
1.4 Kang 等人的实验：人们愿意花钱消除信息缺口
Min Jeong Kang 等人在实验中发现了一个令人惊讶的结论：人们愿意付出真实代价（金钱、时间、精力）来消除信息缺口，即使这些信息没有实际效用。
这意味着：
- 用户为 Agent 产品付费，不仅仅是在为"功能"买单，更是在为"消除信息缺口的不适感"买单
- Agent 产品如果能精准制造信息缺口，就能创造内在的付费动力
- 信息缺口的价值不取决于信息的"实用性"，而取决于缺口的"尖锐程度"
映射到 Agent 产品设计中：
| Kang 实验结论 | Agent 产品设计启示 |
|---|---|
| 人们愿意为"无用的信息"付费 | Agent 的价值不在于信息本身，而在于缺口的"瘙痒感" |
| 缺口越尖锐，支付意愿越强 | Agent 应该在用户最关心的领域制造最精准的缺口 |
| 消除缺口后会感到满足 | Agent 的每一次回答都应该带来"解痒"的满足感 |
| 满足后很快会产生新缺口 | Agent 应该在回答后立即暗示新的缺口 |
二、Agent 制造信息缺口的 4 种设计模式
基于以上理论框架，我总结出 AI Agent 制造信息缺口的 4 种核心设计模式。每一种都有明确的理论根基和产品案例支撑。
2.1 渐进式揭示（Progressive Disclosure）
核心原理：不一次给完所有信息，而是分步揭示，让用户在每一步都感知到"还有更多"。
这个模式直接对应 Loewenstein 理论中的"觉察"机制------只有当用户看到部分信息时，才会意识到完整信息的存在，从而产生缺口。
Cursor 案例拆解：
Cursor 是目前最成功的 AI 编程 Agent 之一。它的代码生成采用"流式输出"（Streaming）方式------代码不是一次性出现的，而是逐行、逐段地"打"出来。这个设计看似只是技术实现的选择，实际上是一个精妙的信息缺口制造策略：
传统代码补全（一次性输出）：
┌─────────────────────────────────┐
│ function calculateTotal(items) {│
│ return items.reduce((sum, │
│ item) => sum + item.price, │
│ 0); │
│ } │ ← 用户看到完整代码，缺口瞬间弥合
└─────────────────────────────────┘ 好奇心曲线：高 → 低（快速衰减）
Cursor 流式输出：
┌─────────────────────────────────┐
│ function calculateTotal(items) {│
│ return items.reduce((sum, │
│ █ │ ← 用户在等待中持续猜测下一行
│ █ │ 缺口始终存在，好奇心持续维持
│ █ │
└─────────────────────────────────┘ 好奇心曲线：高 → 持续高位 → 满足流式输出制造了三个层次的信息缺口：
- 语法层缺口："下一行代码是什么？"
- 逻辑层缺口："它会用 reduce 还是 for 循环？"
- 质量层缺口："它写的代码质量如何？比我的更好吗？"
这三个缺口在流式输出的过程中同时存在、逐层弥合，形成了一个持续的好奇心驱动循环。
设计要点：
| 设计维度 | 关键原则 | 具体做法 |
|---|---|---|
| 揭示节奏 | 不要太快，也不要太慢 | 控制每步揭示的信息量，保持用户的"猜测空间" |
| 揭示顺序 | 先给结论/框架，再给细节 | 先展示函数签名，再展示实现体 |
| 揭示间隔 | 间隔中嵌入"微悬念" | 在关键逻辑处稍作停顿，让用户产生预期 |
| 揭示深度 | 每一步都比上一步更深入 | 从概览到细节，从表面到底层 |
2.2 不确定性反馈（Uncertain Feedback）
核心原理：通过展示不确定性，触发用户对"确定答案"的渴望，从而制造信息缺口。
这个模式的理论根基是 Schultz 的奖赏预测误差理论（Reward Prediction Error, RPE） 。Schultz 的研究表明，当结果存在不确定性时，大脑的奖赏系统会被激活------不确定性本身就成了缺口的来源。
ChatGPT 案例拆解：
ChatGPT 最经典的不确定性反馈设计，是它的"正在生成..."状态。当用户发送一个问题后，ChatGPT 不会立刻给出答案，而是先显示一个动态的"正在输入"或"思考中"状态：
用户发送问题
│
▼
┌──────────────────────────────┐
│ ● 正在思考... │ ← 不确定性窗口开启
│ （动态加载动画） │ 用户不知道答案是什么
│ │ 不知道要等多久
│ │ 不知道答案质量如何
└──────────────────────────────┘ 三个缺口同时存在
│
▼
答案开始逐字出现
│
▼
┌──────────────────────────────┐
│ 根据我的理解，这个问题可以 │ ← 第一个缺口弥合（"要等多久"）
│ 从以下几个角度来分析： │ 但新缺口出现（"具体会说什么？"）
│ │
│ 第一... │
└──────────────────────────────┘这个"等待期"看似是技术限制（模型推理需要时间），但实际上是一个极其有效的好奇心放大器 。在等待期间，用户的大脑会自动进行"预测"------猜测 Agent 会怎么回答。而当实际答案与预测不同时，就会产生正预测误差，触发多巴胺释放，强化使用行为。
设计要点：
| 设计维度 | 关键原则 | 具体做法 |
|---|---|---|
| 不确定性来源 | 让用户知道"结果尚未确定" | 展示推理过程、置信度、多种可能性 |
| 等待期设计 | 等待不是空白，而是"预热" | 在等待中展示中间步骤、思考过程 |
| 预测引导 | 让用户主动产生预期 | 在回答前先给出概要或框架 |
| 误差放大 | 让实际结果略超预期 | 在核心答案之外附加额外价值 |
2.3 能力边界暗示（Capability Hints）
核心原理：让用户意识到 Agent "还能做更多"，从而对尚未探索的能力产生好奇。
这个模式对应 U 型好奇心曲线中的"从熟悉区向缺口区迁移"------当用户对 Agent 的某项能力已经熟悉时，需要暗示新的能力边界，将用户重新拉回缺口区。
Perplexity 案例拆解：
Perplexity 在这个设计模式上做得极为出色。每次回答问题后，它会在页面中嵌入多个"能力边界暗示"：
┌──────────────────────────────────────────────────┐
│ Perplexity 回答页面 │
│ │
│ ┌────────────────────────────────────────────┐ │
│ │ [用户问题] 什么是 RAG？ │ │
│ │ │ │
│ │ RAG（Retrieval-Augmented Generation）是... │ │
│ │ [完整回答] │ │
│ └────────────────────────────────────────────┘ │
│ │
│ ┌─ 相关搜索 ─────────────────────────────────┐ │
│ │ · RAG vs Fine-tuning 对比 │ │ ← 暗示：你还可以
│ │ · RAG 的向量数据库选型 │ │ 探索更多相关话题
│ │ · RAG 在企业中的落地案例 │ │
│ └────────────────────────────────────────────┘ │
│ │
│ ┌─ 追问建议 ─────────────────────────────────┐ │
│ │ 💡 "RAG 的检索精度如何优化？" │ │ ← 暗示：我可以回答
│ │ 💡 "RAG 和 Long Context 哪个更适合？" │ │ 更深入的问题
│ └────────────────────────────────────────────┘ │
│ │
│ ┌─ Pro 功能提示 ─────────────────────────────┐ │
│ │ 🔒 升级 Pro 解锁：学术搜索 + 文件上传 │ │ ← 暗示：我还有更强
│ └────────────────────────────────────────────┘ │ 的能力你没看到
└──────────────────────────────────────────────────┘Perplexity 的三层暗示机制：
| 暗示层次 | 触发条件 | 制造的缺口类型 | 设计目的 |
|---|---|---|---|
| 相关搜索 | 每次回答后自动出现 | 知识广度缺口（"还有哪些相关内容？"） | 延长单次使用时长 |
| 追问建议 | 基于回答内容智能生成 | 知识深度缺口（"这个话题还能深入吗？"） | 提升使用深度 |
| Pro 功能提示 | 在特定场景下触发 | 能力边界缺口（"它还能做什么？"） | 驱动付费转化 |
这三层暗示形成了一个"漏斗式"的缺口制造系统------从广度到深度，从免费到付费，层层递进。
设计要点：
| 设计维度 | 关键原则 | 具体做法 |
|---|---|---|
| 暗示时机 | 在用户获得满足感后立即暗示 | 回答完成后、任务结束后展示 |
| 暗示相关性 | 暗示内容必须与当前上下文高度相关 | 基于用户当前任务/问题生成建议 |
| 暗示层次 | 分层暗示，不要一次全部展示 | 免费→付费，基础→高级 |
| 暗示频率 | 不要过度暗示，避免"广告感" | 控制暗示出现的频率和密度 |
2.4 进度可视化（Progress Visualization）
核心原理：通过展示任务执行的进度，让用户感知到"差一点就完成"的缺口，驱动持续关注。
这个模式的理论根基是蔡加尼克效应（Zeigarnik Effect）------人们对未完成任务的记忆强度远高于已完成任务。当用户看到一个任务"正在进行中"且"接近完成"时，会产生强烈的完成驱动力。
Agent 任务执行中的进度展示：
┌──────────────────────────────────────────────────┐
│ Agent 多步任务执行 │
│ │
│ Step 1 ████████████████████ 完成 ✓ │
│ Step 2 ████████████████████ 完成 ✓ │
│ Step 3 █████████████████░░░ 进行中... 78% │ ← "差一点就完成"
│ Step 4 ░░░░░░░░░░░░░░░░░░░ 等待中 │ 用户无法离开
│ Step 5 ░░░░░░░░░░░░░░░░░░░ 等待中 │
│ │
│ 预计剩余时间：2分30秒 │
└──────────────────────────────────────────────────┘进度可视化制造了两个层面的缺口：
| 缺口层面 | 具体表现 | 心理效应 |
|---|---|---|
| 完成缺口 | "还差 22% 就完成了" | 蔡加尼克效应驱动用户等待完成 |
| 结果缺口 | "最终结果会是什么？" | 好奇心驱动用户持续关注 |
| 过程缺口 | "Agent 在每一步做了什么？" | 认知好奇心驱动用户查看细节 |
设计要点：
| 设计维度 | 关键原则 | 具体做法 |
|---|---|---|
| 进度粒度 | 粒度适中，太粗无感，太细焦虑 | 将任务拆分为 3-7 个有意义的步骤 |
| 进度反馈 | 每个步骤完成后给予即时反馈 | 完成动画、状态变化、中间结果展示 |
| 时间预估 | 给出合理的剩余时间预估 | 基于历史数据估算，避免过度承诺 |
| 过程透明 | 让用户看到 Agent 在做什么 | 展示中间推理过程、工具调用记录 |
三、好奇心驱动的 Agent 设计框架
将以上四种设计模式整合，我们可以得到一个完整的"好奇心驱动 Agent 设计框架"：
┌─────────────────────────────────────────────────────────────────┐
│ 好奇心驱动的 Agent 设计框架 │
│ │
│ ┌─────────────┐ │
│ │ 用户进入 │ │
│ └──────┬──────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 缺口制造引擎 │ │
│ │ │ │
│ │ ┌─────┐ ┌─────┐ │ │
│ │ │渐进式│ │不确定│ │ │
│ │ │揭示 │ │反馈 │ │ │
│ │ └──┬──┘ └──┬──┘ │ │
│ │ │ │ │ │
│ │ ┌──┴──┐ ┌──┴──┐ │ │
│ │ │能力 │ │进度 │ │ │
│ │ │暗示 │ │可视化│ │ │
│ │ └─────┘ └─────┘ │ │
│ └────────────┬────────────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 用户行动（弥合缺口） │ │
│ └────────────┬────────────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 回报交付（满足好奇心） │ │
│ └────────────┬────────────┘ │
│ │ │
│ ┌────────────▼────────────┐ │
│ │ 新缺口生成（闭环） │ │
│ └────────────┬────────────┘ │
│ │ │
│ ┌──────▼──────┐ │
│ │ 持续使用 │ │
│ └─────────────┘ │
└─────────────────────────────────────────────────────────────────┘3.1 四个设计原则
| 原则 | 说明 | 反面做法 |
|---|---|---|
| 缺口精准原则 | 缺口必须与用户当前目标高度相关 | 推荐与用户任务无关的"热门话题" |
| 缺口梯度原则 | 缺口难度应从易到难，逐步递进 | 一上来就展示最复杂的能力 |
| 缺口密度原则 | 缺口数量要适中，太多会焦虑，太少会无聊 | 每个页面塞满推荐，或完全不推荐 |
| 缺口诚实原则 | 缺口背后必须有真实价值，不能是"标题党" | 暗示有能力但实际无法交付 |
3.2 设计模板（可直接用于产品设计评审）
以下模板可以在 Agent 产品的设计评审中使用，逐项检查产品的信息缺口设计是否到位：
| 检查维度 | 评估问题 | 评分（1-5） | 改进建议 |
|---|---|---|---|
| 入口缺口 | 用户首次使用时，是否有明确的"钩子"激发好奇心？ | ||
| 渐进揭示 | 信息是否分步展示？每一步是否都制造了新的缺口？ | ||
| 不确定性 | 是否在适当位置展示了不确定性，激发用户的预测欲？ | ||
| 能力暗示 | 用户完成任务后，是否看到了 Agent 的更多能力？ | ||
| 进度反馈 | 多步任务是否有清晰的进度展示？ | ||
| 闭环设计 | 每次弥合缺口后，是否自动生成了新的缺口？ | ||
| 缺口精准度 | 制造的缺口是否与用户当前目标高度相关？ | ||
| 缺口梯度 | 缺口难度是否从易到难，逐步递进？ | ||
| 缺口密度 | 缺口数量是否适中（不过多也不过少）？ | ||
| 缺口诚实度 | 缺口背后是否有真实价值支撑？ |
四、避坑指南：过度制造缺口的 3 个反面案例
信息缺口是一把双刃剑。制造得当，它是用户持续使用的驱动力；制造过度，它会成为用户流失的催化剂。以下是三个典型的反面案例。
案例 1：过度悬念导致用户流失
现象：某 AI 写作助手在生成文章时，要求用户先填写一个冗长的"创作需求问卷"（包含 12 个问题），才能看到生成的第一段内容。
问题分析：
正常路径：
钩子 → 部分结果 → 缺口 → 弥合 → 新缺口 → ...
该产品的路径：
钩子 → 问卷（12题）→ 问卷（12题）→ 问卷（12题）→ ???
↑
缺口太大，用户在中途放弃根因：在用户还没有获得任何"回报"之前，就要求投入大量行动成本。信息缺口过大，用户感知到的不是"好奇"，而是"负担"。
正确做法：先给出一个快速预览（哪怕只是几行），让用户获得初步满足感后，再逐步引导提供更多信息。
案例 2：信息过载反而消灭了缺口
现象：某 AI 研究助手在回答一个简单问题时，一次性返回了 5000 字的详细报告，包含 20 个章节、50 个数据点、15 张图表。
问题分析：
U 型好奇心曲线的"右侧坠落"：
好奇心
▲
│ ╱╲
│ ╱ ╲
│ ╱ ╲
│ ╱ ╲
│╱ ╲
│ ╲
│ ╲╲ ← 信息过载：用户直接从缺口区
│ ╲╲ 跳到熟悉区，好奇心归零
└──────────────▶ 信息量根因：一次性给出过多信息，用户直接从"缺口区"跳到了"熟悉区"，好奇心被"撑死"了。更糟糕的是，信息过载会让用户产生认知疲劳，降低后续使用意愿。
正确做法：采用渐进式揭示，先给核心结论，再按需展开细节。让用户自己决定要弥合哪些缺口。
案例 3：虚假缺口损害信任
现象：某 AI 助手在回答中频繁使用"更重要的是..."、"你可能还想知道..."等引导语，但点击后发现内容与上下文无关，或者是通用的模板化内容。
问题分析：
| 虚假缺口的表现 | 用户的感知 | 后果 |
|---|---|---|
| "你可能还想知道..." → 内容不相关 | "它在浪费我的时间" | 信任度下降 |
| "更重要的是..." → 内容是广告 | "它在骗我点击" | 信任崩塌 |
| "Pro 用户专享..." → Pro 版并无额外价值 | "它在割韭菜" | 退款 + 差评 |
根因：缺口背后没有真实价值支撑，违反了"缺口诚实原则"。用户在几次"被骗"后，会对 Agent 的所有暗示产生免疫，甚至产生逆反心理。
正确做法：每一个暗示的缺口背后，都必须有真实、高价值的内容。宁可少暗示，也不要暗示虚假缺口。
五、信息缺口检测清单（12项）
以下是完整的 12 项信息缺口检测清单，可用于 Agent 产品的自查和评审：
| 编号 | 检测项 | 检测问题 | 通过标准 |
|---|---|---|---|
| 1 | 入口钩子 | 用户首次使用时，3秒内是否能感知到信息缺口？ | 有明确的视觉/文案钩子 |
| 2 | 缺口相关性 | 制造的缺口是否与用户当前任务/目标相关？ | 相关度评分 ≥ 4/5 |
| 3 | 揭示节奏 | 信息是否分步展示？每步间隔是否合理？ | 至少分 2 步以上揭示 |
| 4 | 不确定性展示 | 是否在适当位置展示了结果的不确定性？ | 有置信度/概率/多种可能性展示 |
| 5 | 等待期设计 | Agent 处理中是否有有意义的等待反馈？ | 等待期有中间步骤/进度展示 |
| 6 | 能力暗示 | 任务完成后是否展示了 Agent 的更多能力？ | 有相关的后续建议/功能提示 |
| 7 | 进度可视化 | 多步任务是否有清晰的进度展示？ | 有步骤拆分和进度百分比 |
| 8 | 闭环机制 | 弥合一个缺口后是否自动生成了新缺口？ | 每次回答/任务后都有后续引导 |
| 9 | 缺口梯度 | 缺口难度是否从易到难逐步递进？ | 新用户和老用户看到的缺口不同 |
| 10 | 缺口密度 | 同时存在的缺口数量是否在 2-5 个之间？ | 不会让用户感到焦虑或无聊 |
| 11 | 缺口诚实度 | 每个暗示的缺口背后是否有真实价值？ | 用户点击后不会感到"被骗" |
| 12 | 退出缺口 | 用户准备离开时，是否有"最后一道"缺口挽留？ | 有"稍后再看"/"收藏"/"关注更新"等机制 |
总结
回到开头的问题：为什么有的 Agent 让人"停不下来"，有的用一次就弃了？
答案已经清晰了：让人停不下来的 Agent，是那些能够精准制造信息缺口、并在用户弥合缺口的过程中持续提供满足感的 Agent。
具体来说，四个设计模式------渐进式揭示、不确定性反馈、能力边界暗示、进度可视化------构成了 Agent 制造信息缺口的完整工具箱。而好奇心驱动的设计框架，则提供了从理论到实践的落地路径。
但请记住：信息缺口是手段，不是目的。 制造缺口的最终目标，是为用户创造真实价值。如果缺口背后没有价值支撑，再精妙的设计也只是空中楼阁。
最好的 Agent 产品，是在"制造缺口"和"交付价值"之间找到了完美平衡的产品。
🔖 系列连载中
本文属于「AI Agent × GAP模型」系列（第1篇/共6篇）
- 下一篇：《GAP模型重构：AI产品的缺口-行动-回报闭环设计实战》
- 关注本博客，第一时间收到更新推送
💎 关注后私信回复"Agent"，获取配套资料：
- Agent好奇心设计模板
- 信息缺口检测清单（12项）
参考文献：
- Loewenstein, G. (1994). The Psychology of Curiosity: A Review and Reinterpretation. Psychological Bulletin, 116(1), 75-98.
- Berlyne, D. E. (1954). A Theory of Human Curiosity. British Journal of Psychology, 45(3), 180-191.
- Kang, M. J., et al. (2009). The Wandering Mind: Pupillometry of Spontaneous Thought While Reading. Psychological Science, 20(7), 830-836.
- Schultz, W., Dayan, P., & Montague, P. R. (1997). A Neural Substrate of Prediction and Reward. Science, 275(5306), 1593-1599.
- Litman, J. A. (2005). Curiosity and the Pleasures of Learning: Wanting and Liking New Information. Cognition & Emotion, 19(6), 793-814.
- Zeigarnik, B. (1927). Uber das Behalten von erledigten und unerledigten Handlungen. Psychologische Forschung, 9, 1-85.