交互与用户体验 / 系统课时
判断哪些任务适合对话入口
判断哪些任务适合对话入口
设计 AI 产品时,先判断用户是否需要逐步澄清目标,再决定使用聊天、搜索还是按钮与表单。本课用三类常见任务建立入口选择规则,并通过出行服务的案例说明对话与确定性操作如何衔接。
学习目标
- 根据任务的不确定性、操作风险与交互成本选择入口。
- 区分开放探索、信息查询和确定性操作的界面组织方式。
- 用可执行的任务测试验证聊天是否真的提高效率。
按任务特征选择入口
评审需求时,先写下用户要得到的结果,而不是先设计聊天气泡。以下三类任务的关键差异在于:目标是否明确、结果能否核验,以及执行错误是否会改变真实数据。
| 任务类型 | 典型请求与判断依据 | 优先入口 |
|---|---|---|
| 开放探索 | 「帮我安排亲子周末游」;偏好不完整,需要比较路线、预算和体力消耗 | 对话澄清,搭配可选择的方案卡片 |
| 信息查询 | 「查订单 A102 的物流状态」;目标明确,有可检索记录 | 搜索框或订单列表,展示来源与更新时间 |
| 确定性操作 | 「把默认地址改为公司」;参数和后果需核对 | 设置页、表单和明确的确认按钮 |
信息查询不一定排斥对话:当用户只记得「上周买的那双鞋」而没有订单号时,自然语言可帮助定位记录;找到唯一订单后,应切换为结构化结果卡片,而不是让用户继续猜系统掌握了什么。
先判操作风险,再判断是否值得聊天
- 是否会改变外部状态? 支付、取消订单、删除文件和修改地址都应进入结构化执行界面。聊天可以收集意图,但提交前必须展示对象、参数、影响范围及确认按钮。
- 是否存在多个尚未确定的条件? 例如用户没有确定目的地、预算和交通方式,需要多轮权衡,采用对话入口;每轮只追问影响方案的关键条件,并提供可点击选项。
- 是否已有低成本的直接入口? 例如搜索订单号后直接看到物流状态,优先搜索或列表。不要强制用户先输入一句完整的自然语言。
- 结果是否依赖可核验的数据? 票价、库存、订单状态等需要展示数据来源和更新时间;未取得结果时,明确标注「查询失败」而非编造答案。

这张分流图解决的是默认入口选择,而非限制用户表达。即使用户在聊天框输入「取消订单」,系统仍应将其带到可复核的取消流程,不能把一句自然语言当作最终授权。
在同一出行产品中完成入口交接
以一个同时提供行程建议、车票查询与退票的产品为例,可按任务切换交互形式:
- 探索: 用户说「两个人周末出游,预算 800 元」。先问出发城市和交通偏好,再展示最多三张候选卡;每张列出预估总费用、耗时及需要用户确认的假设。
- 查询: 用户指定车次和出发日期后,改为检索结果列表,提供时间、价格、数据更新时间与筛选项。若只需查看某张已购车票,直接显示订单记录。
- 执行: 用户选择退票时,展示乘客、车次、预计退款额及退票规则;点击「确认退票」后才发起操作,并区分提交中、已受理、成功、失败和结果待核实。若回执只说明受理,应继续展示进度。只有收到执行成功的可靠结果,才显示「退票成功」。
这种交接保留了自然语言处理模糊需求的优势,也让真实操作的最终控制权留在可检查的界面上。
用任务测试核算交互成本
让 8 名测试者分别使用聊天版与传统版完成上述三类任务,一半先用聊天版,另一半先用传统版。为同类任务准备难度接近、数据不同的两组样本,减轻记住答案的影响。按任务分别记录完成率、完成时间、澄清轮数与误操作次数。时间统计需说明如何处理失败和超时,完成率要单列。时间应包含输入、系统等待、核对结果和纠错,而不只是模型响应耗时。
例如以下是用于演算的假设值,不是实测结果:查询订单状态时,搜索入口花费 5 秒输入、2 秒等待、5 秒核对,共 12 秒;聊天入口花费 15 秒描述、8 秒等待、12 秒核对,共 35 秒。此时聊天不应成为默认入口。
可以把「聊天方案完成率不低于现有入口,且中位完成时间至少缩短 20%」设为项目的候选上线门槛;具体门槛应在正式测试前确定。8 人试用主要用于发现交互问题,样本较小,不能据此精确估计上线后效果。对于退款等高风险操作,即便聊天更快,也不能省略参数核对和明确授权。