现在的 AI 智能体有什么设计缺陷?

从 Chat UI 到 AI Native ，我们可能正在用错误的方式制造“智能”。Human in the loop 把用户错误地拉进工程决策。Chat UI 把系统状态压缩成复杂的语言泥石流。角色模板把 AI 的多角色系统能力压缩成单角色人格。

很多人第一次体验 AI Agent 智能体时，会觉得非常震撼，他能写代码、操作电脑、翻你的聊天记录帮你应付舔狗、扮演你的赛博情人。在一些无良自媒体口中它甚至能帮你“赚钱”，帮你发这个发那个，增加睡后收入实现提前退休奔向财富自由。

但如果你能真实使用一段时间，会发现自媒体吹嘘的科幻故事几乎全都是幻觉，你既没有成为成功的 OPC（一人公司）老板，也没有为你的账户增加半个0，留下的只有烧穿裤兜的 token 账单和越发疲惫零碎的注意力。

我是一个深度的 AI 产品使用者，每天都会花费大量时间在和 AI 对话上。所以我很清楚这些把 AI 捧上神坛的故事水分有多大。

而对于很多经常使用 Agent 进行 Vibe coding 的非专业工程师（例如我）来说，对 Agent 最现实的体验是，能力很强，用的很累。它要么事事请示，要么放飞自我。

现在主流的 Agent 设计里，human in the loop 是其核心的设计思路，主旨是让用户深度介入 Agent 的工作流里，在关键处完成 Agent 输出结果的验收和纠偏。

但问题是，很多 HITL 的设计场景是编程，Agent 关注的是编程过程中的权限、责任、数据风险等问题。这些问题偏偏是大多数非专业用户无感的地方，用户既无法评估风险，更不会真的阻止它。相反，用户真正关心的地方 Agent 反而会自由发挥。

所以最后得到的结果，大多数不尽如人意。

它并不清楚什么事情对于你来说很重要，什么问题超出了你的理解，所以面对它抛过来的大多数“请求”，我都是闭着眼睛直接过。但最后它给我的结果少不了让我吐血三升，不是交互体验有毛病，就是 UI 混乱配色丑陋，整一套 OpenAI 风格的泥黄/蓝紫配色，再搭配 Google 特色的巨型圆角，让我在生理不适和脑壳爆炸之间反复摇摆。

因为对于一名产品经理来说，我并不关心也没有能力关心数据库操作风险，我只关注交互体验和 UI 设计。让我对权限风险进行决策，无异于问道于盲。也就是说，很多 Agent 设计并不是面向用户，而是面向工程师的编程工具。

从 ChatGPT 问世开始，Chat UI 似乎成为了一切 AI 工具交互的起点。无论是 LLM 还是各种文生图、文生视频工具，开局就是一个硕大的对话框加白板。这个行业默认 Chat UI 是 AI交互的起点，甚至这个设计习惯一直延续到 Agent 。

在 Deep Research 之前，Chat 的交互方式是成立的，但到了 Agent 后，这种交互的短板暴露无遗。

Agent 的核心不是回答问题，而是执行任务。要维护一条任务流，最重要的不是用“人话”去描述它，而是通过标签、图标、图表、线框图等多种图形形式，表达任务流中的状态、流程、权限、工具调用结果、外部系统操作结果。

例如在对话中，任何实时状态的变化，都需要用一大段文字进行描述。相对状态图标的“yes or no”这种轻盈的表达方式，文字显示沉重而累赘，关键信息极容易被淹没在浩瀚的文字汪洋里。单纯的对话只会把复杂系统压扁成一条难以接收的信息泥石流。

Agent 做的事情本质上是在一个不断变化的任务空间里推进目标，但 Chat UI 强制把它变成一问一答、一轮又一轮的对话片段。于是系统状态被分割，任务流被打断，用户只能通过重复阅读对话记录来反复确认系统正在发生什么。

另一个更隐蔽的问题，是当前 Agent 设计中对“人格化模板”的过度依赖。

很多所谓的 Agent 产品都会在系统 prompt 中内置一个角色设定，甚至把整个 Agent 包装成某种固定人设。表面看这种做法是为了优化模型的输出稳定性，让它在特定任务上表现得更像一个“专家”。

但问题在于，很多任务都是复合的。以我 Vibe coding 的经验为例，一个应用的诞生，包含了交互设计、视觉设计、编程等等多个环节，每个环节都有专业的角色进行负责。设计师不会管代码是否优雅，工程师不会在意圆角有几度。这种强行固定一个角色模板的操作，只会让 Agent 在处理复杂任务时“降智”，逼工程师验收设计图。

正因为个人能力有限，所以工业革命才显伟大，它让不同能力的人，可以在一个组织里有机整合。

但是 AI 不同，它是由全社会的网络数据训练出来的工具，天然带有所有技能。Persona 机制的作用，是把一个全局模型强行压缩成单一角色视角，让他在整个任务空间中只能以一种身份进行推理。

在面对简单问题例如写一篇报告时，这种约束是高效的，因为它降低了搜索空间，提高了收敛速度。但是在复杂任务中，它的副作用非常明显，模型无法在不同子问题之间切换视角，只能用同一种“专家身份”解决问题。

你可以把 AI 当成一支专家团队，而 Agent 相当于为专家团队配置了一条生产线。生产线的价值，在于让不同能力以正确顺序协同，而不是强迫所有工位都由同一个角色完成。

还有一些吐槽限于篇幅和耐心就不写了，总的来说当前 Agent 最大的问题，是把 AI 重新拉回到过去我们所熟悉的工业时代，把它包装成“助手”、塑造成“专家”，甚至把它看作“重点大学实习生”，当成“人”去控制。

试问哪个实习生能上知天文、下知地理，前可以做行业分析、后能连写24小时代码？

AI Native 不应该把 AI 当成某个“更聪明的员工”，而应该把它看作一种超越个人的系统能力。

如果说以前的软件是围绕人类能力边界而设计的工具，真正 AI Native 的 Agent 其本身就具备了围绕目标层层推进、在 Agent 内完成跨角色协同与动态执行的能力。

OPC（一人公司）是错误的定义，Agent 本身就是一间公司。

我是orangeburn，一个什么都懂一点的流浪产品经理，喜欢研究商业、科技应用和AI。

无热点，不焦虑，只希望能为你提供看待问题的另一个视角。

如果你喜欢我的文章，欢迎点赞转发，或关注我的公众号支持我。

你们的支持对我非常重要。

也欢迎在评论区留下你的看法。