筛选、数据看板和对话界面常有多种状态，静态页面很难说明操作之后会发生什么。NN/g于9月11日发布的文章讨论了如何用AI构建可交互原型，把复杂任务的测试提前。本文简要介绍其案例，并给出兰亭妙微的实践建议。
一 根据研究问题选择原型形式
原文通过费用规则编辑与交通数据筛选案例，说明可交互原型能够帮助观察静态画面难以呈现的操作。文章也提醒，交通案例不是受控实验，不能据此证明AI一定带来更好的研究。
NN/g原文交通筛选静态线框，呈现布局与筛选区域；来源见文末。
应用建议：先写清想验证的问题。如果关注信息是否容易理解，简单原型可能已经足够；如果要观察条件组合、结果更新或连续修改，就需要让相应状态真正变化。不要为了展示技术而制作超出验证目标的功能。
二 用有变化的数据测试任务
以下为兰亭妙微应用建议。固定几条理想数据容易让原型看起来顺畅，却无法揭示异常。
可围绕研究问题准备长文本、无匹配结果、缺失字段和不同分类的数据。敏感信息先做脱敏处理；需要模拟的数据则明确标记，不让参与者误以为连接了真实业务。先检查原型逻辑能否稳定执行，避免把程序错误误记成设计问题。
三 让用户有选择地完成任务
以下为兰亭妙微应用建议。测试复杂筛选时，不宜要求用户严格按演示者预设的按钮顺序操作。
NN/g原文AI生成的交通筛选与分析原型展示，非兰亭妙微项目。
给出清楚的任务目标，让参与者自己选择条件、查看结果并调整。观察他们是否理解当前条件、能否找到清除入口，以及怎样确认结果已经更新。记录行为、停顿与解释，把"我觉得很好用"和真正完成任务区分开。
四 把发现的问题转成修改依据
以下为兰亭妙微应用建议。原型反馈应落实到具体任务及状态，而不只写"用户不满意"。
可按触发条件、用户动作、当前反馈和修改建议记录问题，并注明证据来自观察还是推测。重要修改完成后再验证。选择交互设计公司时，也可要求说明原型如何支持研究、怎样保留结论与限制，而不把高保真演示直接等同于已上线成果。