为企业软件中的自主智能体人工智能构建信任体系

营销人员需要在数据、内容、受众、投放效果与创意策略之间灵活切换。他们不会局限于软件功能或操作模式，而是针对当下业务场景即时应变。而不同场景的需求各不相同：有时需要快速给出答案，有时需要精准调整，压力较大时，则需要清晰、笃定的说明。

每项工作任务的形式、节奏，以及人们对人工智能能够且应当提供何种帮助的预期，都不尽相同。

自主智能体人工智能，旨在打造能够自主决策、自主执行的系统。在企业场景中，决策会快速产生规模化影响，必须权责可追溯，且大多难以撤回，因此这类技术的应用伴随着风险。如果没有审慎界定人工智能何时该自主执行、何时该退居辅助，自主能力反而会引发问题；因为一旦 AI 在错误的场景、错误的时机介入，或是缺乏必要的信息透明度，即便输出结果在技术层面无误，也会因人工干预、用户弃用而失效。

在企业环境中，只有当人们足够信任 AI、愿意放权让其自主运行时，自主智能才能创造价值。构建信任体系，是让自主智能规模化、稳定落地的现实前提。

设计好用的 AI 助手，始于一个简单却至关重要的理念：只有将信任融入自主能力的启用方式与启用时机，AI 助手才能发挥作用。在为客户体验云（Experience Cloud）构思下一代 AI 助手时，我们搭建了一套交互模式驱动框架，通过将自主智能体验与工作节奏相匹配，明确界定各项边界；同时在系统规模化运行的过程中，确保自主行为清晰可查、可追溯、可撤回。

交互模式框架：让人工智能适配任务形态

设计自主智能体 AI，并非选择单一 “最优” 界面，而是让 AI 自主程度匹配任务复杂度。任务范围与风险越高，对透明度、校验节点、可撤回性的要求就越高，同时需要在用户切换任务时，清晰呈现这些权限设定。

所谓交互模式，即人与 AI 的不同交互方式，通过交互模式体现差异化的体验需求，决定 AI 系统的可见度、辅助性与主动性。每种模式都承载着关于主导权、控制权与信任关系的设计考量。

灵活多变的交互模式体系：智能助手贴合场景，随任务切换形态

该交互模式框架将人工智能交互划分为不同层级：轻量化场景界面（输入提示栏）用于快速、边界明确的需求；中间层级的结构化工作画布支持多步骤、可核查的工作流程；更复杂的沉浸式环境则适配开放式策略制定与长期协作。为使相关设计决策可复用，框架从三个维度明确用户在交互中的核心需求：

• 工作流复杂度改写邮件标题与制定多阶段营销活动方案属于不同类型的工作。轻量化提示栏适用于边界清晰的单步任务，而画布环境则用于高精度、非线性的统筹工作。

• AI 推理深度智能助手是仅做简单格式转换，还是进行深度信息整合？推理层级越深，用户越需要清晰了解结果的生成逻辑，尤其在企业场景中，用户需对最终结果承担责任。

• AI 自主程度智能体是仅提供建议、起草内容，还是独立执行操作？自主权限越高，对透明度、校验节点与可撤回功能的要求也越高。

框架如何契合人类行为逻辑

设计自主智能体人工智能，重点不在于展现智能水平，而在于合理划分权责边界。技术只有融入人类判断体系，才能发挥价值。研究发现，用户对智能体的主导时机、推理过程的可见度，以及自主行为的可撤回性高度敏感，同时总结出以下明确规律：

• 任务复杂度起决定性作用用户会本能地将界面形式与自身工作对应。当界面适配任务时，交互体验流畅自然；一旦不匹配，使用障碍会立刻显现。

• 对话适合思考探索，未必适合落地执行用户愿意通过对话式交互开展发散思考、处理模糊问题，但在敲定决策时，更需要结构化、可追溯的界面。若将两种交互方式混用，只会造成使用阻力，而非提升流畅度。

• 风险等级决定用户对自主权限的接受度低风险场景下，用户能够接受 AI 提供建议或执行有限操作；当合规、财务或品牌层面的风险升高时，用户更看重信息透明、效果预览与人工干预权限。即便 AI 输出结果无误，若自主权限过高、透明度不足，用户信任也会崩塌。

自主智能体验的一致性并非偶然实现，需要明确规范 AI 助手的沟通方式、回复结构，以及跨团队、跨界面的异常问题处理逻辑。

不同交互模式间的切换，必须清晰且可预判。每种模式都代表界面与权责的转变；若切换方式隐晦、不可预测，用户会感到迷茫，无法判断系统是在辅助、主导还是独立执行。当可视化结构提示配合对话交互时，用户能更好地适应工作范围与自主权限的变化。

智能体有时应当主动主导，有时则需退居辅助。把控不当，要么显得过度干预，要么显得消极被动；而合理把控的关键，在于 AI 的实际功能与当下的角色信号。

该交互模式框架定义了三类智能体行为场景：助力思考的快速对话响应、保障执行落地的结构化工作空间操作，以及在权责关键环节构建信任的透明化 AI 决策。

从嵌入式输入栏到侧边栏，智能助手灵活切换形态，自然融入用户现有的工作空间。

落地实现该框架

交互模式框架规定了自主智能体人工智能应有的行为方式，但仅有框架无法维持良好的使用体验。若缺少配套系统落地执行，设计初衷很快便会落空。

当不同界面中，智能体的回复风格、人设、生成内容形式参差不齐时，体验的一致性会被破坏，用户信任也会随之流失。如果缺乏统一的规范模型，无法明确多个智能体之间的协作关系，也无法让用户理解智能体正代表自己执行操作，统一的交互语言就会失效。

要解决这些问题，需要通过四项机制，将框架转化为可复用的设计与产品决策。

1. 智能体分类体系：建立统一认知模型

随着自主智能能力在各类产品中不断拓展，一个核心设计难题随之出现：如何部署多个智能系统，同时避免用户体验碎片化？

该分类体系不会为每个智能体单独设置界面，而是为整个系统内的角色、协作关系与权责搭建统一的组织模型。单一 AI 智能助手作为主要交互入口，各类专项智能体在后台运行，解析场景信息、协调操作、调用模块化功能。

设计自主智能体人工智能，并非选择单一 “最优” 界面，而是让 AI 自主程度匹配任务复杂度。

这套架构可让系统功能持续迭代升级，却不增加用户的认知负担。用户只需通过统一界面交互，多个智能体在后台协同工作以达成目标。清晰划分角色，为可规模化的智能体生态奠定基础 —— 复杂逻辑在后台拓展，而非暴露在用户体验层面。

2. 对话规范：打造体验一致性

自主智能体验的一致性并非偶然实现，需要明确规范 AI 助手的沟通方式、回复结构，以及跨团队、跨界面的异常问题处理逻辑。

核心目标是为每种交互模式制定体验契约：明确用户在不同场景下对 AI 行为的预期，以及如何满足这些预期。在轻量化界面中，AI 需给出简洁笃定的回复，无需冗余解释；在画布式工作流中，需提升透明度，展示系统操作内容、背后逻辑，以及用户可介入调整的节点。该规范主要围绕三大关联交互维度制定：

• 回复内容：核心信息优先展示、场景信息的详略程度、何时给出下一步建议或适时退让。
• 对话流程：智能助手如何处理多轮对话、模糊需求、报错问题，以及不同智能体间的工作交接。
• 回复呈现形式：格式、层级、排版、语气等统一规范，保证跨界面的体验一致。

大量调研与测试表明：信任并非由单次回复建立，而是在连续交互中逐步形成。若 AI 行为在多轮对话或不同界面中变化无常，用户会觉得系统不可靠。

3. 动态卡片：规范可视化输出

AI 输出内容的视觉呈现，和内容本身同等重要。适用于轻量化需求的业绩总结，若在工作流程中途无法直观展示推理逻辑、信息来源与后续步骤，便无法发挥作用。

智能体有时应当主动主导，有时则需退居辅助。把控不当，要么显得过度干预，要么显得消极被动；而合理把控的关键，在于 AI 的实际功能与当下的角色信号。

动态卡片将 AI 输出内容（建议、方案、总结、操作指令）视为灵活模块，可适配各类交互模式且保持逻辑连贯。卡片不采用固定版式，而是遵循统一体系，根据场景调整信息层级、重点突出方式与细节程度，让 AI 参与度清晰可见、过程可核查，视觉复杂度随任务难度同步调整。在设计动态卡片时，团队暴露出认知分歧：

• 设计团队认为，适应性是指在不同场景下保持信息含义不变；

• 研发团队则理解为适配屏幕尺寸。

这一分歧至关重要 —— 若无法明确 AI 输出在不同场景下的调整规则，会直接损害用户信任。解决该问题需要统一标准定义与标注原型，让各团队遵循同一套输出模型。

通用模式与灵活底层架构：一套模式库，保障智能体体验在跨交互模式规模化落地时保持连贯

4. Figma 模式库承载设计逻辑

对话规范与动态卡片相结合，能够确保人工智能的行为表现与输出内容同步迭代，让用户在不同场景、不同界面、不同自主权限等级间切换时，持续保持信任感。但二者本身无法自动在各团队间同步落地。若缺少一套通用、易用的设计系统，各团队容易独立决策，进而破坏体验一致性。

而 Figma 模式库正是这套统一系统。它是一套集中式、可动态更新的 AI 交互模式合集，各团队可直接导入至自身设计文件中。这些自主智能体交互的基础组件 —— 例如提示栏样式、动态卡片变体、校验节点、交互模式切换效果等，均直接嵌入设计决策环节。

每个组件都标注了底层设计逻辑：对应框架中的哪一维度、支撑何种信任契约、实现哪些行为功能。正是这些标注，让该模式库成为一套完整设计系统，而非单纯的组件合集。它将框架逻辑融入日常设计工作，无需每位设计师都全盘吃透整套模型。

让自主智能的应用有据可依

交互模式框架能够避免 AI 自主权限超出用户理解范畴。它让 AI 行为匹配任务复杂度、风险等级与使用目的，确保在关键场景下，用户可以查看、质疑并否决 AI 做出的决策。如果缺少这套设计思路，自主智能体 AI 会因行为不一致、推理逻辑不透明，被用户刻意规避甚至直接弃用，价值逐渐流失。

随着 AI 系统能力不断增强，人们很容易单纯以自主程度评判其优劣。但在企业场景中，只有当用户足够信任、愿意放权时，自主智能才能创造价值。构建信任体系，是实现自主智能规模化、稳定落地的现实前提。用户的信任源于一次次交互的积累，最终让智能协助不再是冰冷的自动化，而变成高效的人机协作。

在此致谢施鲁蒂・安德鲁、菲比・阿特金斯、凯瑟琳・基奥多、吉娜・拉纳利、温伊登与于克劳迪娅，正是他们的协作与支持，推动了本项研究成果的形成与完善。