文化,正在影响 AI Agent 的设计

最近，微信读书推出了 Skills 功能，用户可以将自己的阅读数据交给不同的 AI Agent，由它们生成阅读画像和阅读总结。作为微信读书骨灰级狂热爱好者，我自然是第一时间把微信读书skills加入了我在用的所有的 Agent 中。在不同的 Agent 间游走时，我突然发现了一个有意思的事情。将同样的阅读数据、通过同样的prompt、输入给不同的 Agent 时，结果却完全不同。如果只看最终结果，很容易认为它们只是采用了不同的设计风格。

Agent 一号更像一份结构清晰的数据分析报告，大量使用图表和统计信息来组织阅读行为，每一个结论几乎都能够回溯到具体的数据依据；Agen 二号则更像一份人格画像，它没有首先解释数据，而是围绕"跨域解码者"这样的身份标签重新组织整个阅读经历，通过故事化的表达和更具视觉冲击力的设计，让阅读行为拥有了一种新的意义。

但真正让我感兴趣的，并不是两者在视觉设计上的差异，而是它们似乎代表了两种完全不同的 Agent 思维方式。

面对同一份阅读数据，一号首先尝试建立数据之间的逻辑关系，再基于这些关系形成分析结论。在它看来，一个好的回答应该是建立在证据基础上的，因此强调透明、可解释以及分析过程，甚至在每个分析的结尾处都细心的加了footnote。

而二号则采用了另一种路径。它首先尝试回答"这是一个怎样的人"，随后再重新解释阅读数据，希望通过身份建构和故事表达，让用户建立情感上的认同。

换句话说，它们回答的并不是同一个问题，一号更关注如何理解数据（understanding the data），二号更关注如何理解用户（understanding the person）。这让我开始重新思考一个问题。

过去当我们讨论GenAI 时，几乎所有注意力都放在模型能力上，例如模型是否更聪明、推理能力是否更强、生成质量是否更高、更快。然而，当越来越多的大模型开始以 Agent 的形式进入真实产品之后，一个新的问题正在出现，Agent 输出的，真的只是一个结果吗？或者说，Agent 是否也在输出一种理解问题和解决问题的方式？

过去一年，我们做了两项非常有趣的GenAI 跨文化设计的研究，发现微信读书 Skills 所呈现的现象，与研究中的一些发现形成了非常有趣的呼应。

第一项发表在 Thinking Skills and Creativity 上的研究，聚焦于生成式 AI 在创意协作中的跨文化差异。我们系统研究了中国和美国用户在使用 GenAI 进行创意协作时的态度与行为机制。研究结果表明，文化背景不仅影响用户是否愿意使用 GenAI，更重要的是，它改变了用户对于"一个好的 GenAI"的期待。

对于中国用户而言，他们更关注 GenAI 是否真正能够帮助完成任务，提高团队协作效率，并且更加关注技术可能带来的风险与不确定性；相比之下，美国用户更加重视交互体验是否自然、学习成本是否足够低，以及系统是否能够支持探索和创造。换句话说，文化某种意义上塑造了用户评价 GenAI 的标准。

而第二项研究则将这一问题进一步延伸到设计实践中。我们聚焦于中国和英国的专业设计师，希望理解不同文化背景和技术环境下，设计师采纳 GenAI 的机制是否存在差异。研究发现，虽然提升工作绩效、社会影响等因素在不同国家都具有重要作用，但文化背景和技术环境会改变这些因素发挥作用的方式，也进一步影响设计师对于 GenAI 的长期期待。换句话说，对于一个面向全球用户的 Agent 来说，真正需要适配的，不只是语言，而是用户对于Agent 角色的理解。

两项研究最终隐约指向了同一个现象：文化塑造的不只是技术接受（technology acceptance），更塑造了人们对于 Agent 的设计期待（design expectations）。如果从这个角度重新理解微信读书 Skills，看到的或许不只是两个不同的阅读总结。

Agent 一号所体现的，是一种强调证据、逻辑和可解释性的认知方式。它或许认为，一个好的 Agent 应该帮助用户理解数据，因此回答的是"数据说明了什么"。Agent 二号所体现的，则是一种强调身份、叙事和表达的认知方式。它更认为，一个好的 Agent 应该帮助用户理解自己，因此回答的是"这些数据意味着怎样的你"。它们输出的，不只是不同的内容，而是不同的cognitive framing。

过去，我们设计的是模型，因此关注的是模型是否能够生成更好的答案。今天，我们设计的是 Agent，因此开始关注 Agent 如何组织信息、如何表达观点、如何建立信任。而未来，当 Agent 真正进入不同国家、不同文化以及不同生活场景之后，我们或许需要进一步思考：

文化是否也正在成为 Agent 的一部分？是否会影响 Agent 如何理解用户提出的问题，又如何组织自己的回答？

Agent 输出的不只是一个冰冷的结果，它同时也输出了一种理解问题的视角，一种组织信息的方法，以及一种解决问题的价值取向。

原文链接：

Zhang, L., Fang, C., Lin, H., Liang, G., & Luo, S. (2026). Factors influencing attitudes and behavioral intentions toward GenAI in creative collaboration: A cross-cultural comparison via a hybrid multistage approach. Thinking Skills and Creativity, 102020. https://doi.org/10.1016/j.tsc.2025.102020 

Fang, C., Zhang, M., Khiatani, P.V. et al. A comparative analysis of generative AI adoption among design professionals in China and the United Kingdom: a UTAUT perspective. Humanit Soc Sci Commun 13, 411 (2026). https://doi.org/10.1057/s41599-026-06796-x

*本文结论基于已发表论文内容，经 AI 辅助整理生成。如有表述不准确或理解偏差，请以论文原文为准。