安洛洛洛洛洛我读这套“人本智能产品设计6原则”读得比较慢，原因倒不是内容有多深，而是每一条原则背后都能对应上我过去踩过的坑。第六原则“链接”这一章，我翻了两遍才敢说自己看明白了，因为书里讲的不是产品与产品之间的接口链接，而是智能系统与用户之间那层看不见的心智联接。今天想花点篇幅把这条原则的上半部分拆开讲清楚，尤其是它和前面五条原则是怎样咬合在一起的，以及它对AI产品设计到底意味着什么。
这套原则的背景，是把“人”放在智能产品的中心，而不是把模型能力或者业务指标放在中心。适合正在做AI产品、智能硬件、或者任何带“智能”二字的功能模块的产品经理、交互设计师和创业者读一读。如果你是研发背景，也可以把它当作一套用来和产品侧对齐语言的设计框架。
1. 内容整体设计与思路拆解
1.1 为什么是这六条原则，而不是更多
这套六原则的第一条是“可见”，意思不是界面元素可见，而是系统的能力边界、判断依据、运行状态要对用户可见。第二条是“可懂”，比可见更进一步，要求用户能够理解系统为什么给自己这样的结果。第三条是“可控”，强调用户对智能系统要有否决权、修正权和退出权。第四条“可信”建立在前面三条之上。第五条“可亲”开始进入情感交互的范畴，也是很多人觉得玄学的一条。第六条就是“链接”，它把前面五条串成一条完整的链。
这六条不是并列关系，而是层层递进的。我见过很多人看这类原则时只想挑一条落地，比如只做“可解释性”，把所有精力放在给结果加一句“因为……”上，但实际落地时发现用户还是不信你。为什么？因为没有刻意建立认知衔接，也没有形成持续的交互通道。从这个角度看，“链接”是前五条原则的上层建筑，也是检验前面五条是否真正落地的试金石。
1.2 “链接”这条原则在六原则中的位置
书里在进入“链接”章节前强调了一句话，大意是：前面的原则解决的是“系统对不对”，而“链接”解决的是“用户和系统之间有没有通路”。
“链接”并不是一个新概念。传统产品设计里也有“用户黏性”“场景连接”“心智占有”这些说法。但放到智能产品里，“链接”的含义多了一层技术色彩。智能系统的行为往往是概率性的，同样的输入不同时间可能输出不同结果，这对用户来说就是一种不确定性。传统产品靠视觉、文案、流程建立起用户预期，而智能产品还要面对一个会“变卦”的系统。“链接”这条原则要回答的，就是如何在这种不确定性之上，仍然让用户觉得这个系统是可预期、可依靠、可对话的。
我自己的理解是，智能场景里的“链接”，至少有三个不同层面。第一层是意图链接，即用户说出来的话、点按的按钮、扫过的码，能不能被系统准确翻译成意图。第二层是认知链接，即用户对系统的能力边界有没有清晰、稳定的认知，知道它擅长什么、不擅长什么、会在什么时候出错。第三层是信任链接，即用户愿不愿意把更重要的任务交给系统，并且在系统出错之后还愿意再给它机会。这三层缺一不可，而实践中大家最容易忽略的是中间那层认知链接。
1.3 为什么以前的产品不需要专门讲“链接”
想想传统软件时代，用户打开Excel、Word，它不会给用户一个“可能正确也可能不正确”的拼写建议。所有功能都是确定性触发的，你点保存它就会保存。那个时候用户和软件之间的“链接”几乎是被流程天然保证的。智能产品不一样，它天然带有不确定性，这是模型的概率属性决定的。只要底层是概率模型，上层就必须额外设计一套机制来维持用户与系统之间的稳定关系。
所以书里反复强调“链接是需要设计的，它不是自然发生的”。这句话我特别认同。很多AI产品团队把预算全部投入到模型迭代上，认为只要模型准确率上去了，用户自然就满意了。但做过实际项目的人都知道，用户感知到的质量并不等于模型的离线指标。一个准确率90%但总在奇怪时间出错的助手，和一个准确率85%但用户知道它什么时候会犯错、犯错后会道歉并纠正的助手，后者的长期留存往往更高。这个现象背后的原因，就是链接的质量不同。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心细节解析与实操要点
2.1 意图链接：从“听懂”到“确认听懂”
意图链接是所有链接的地基。传统规则系统里，意图识别是if-else，清晰且可预期。到了深度学习时代，意图识别变成了相似度计算和概率排序，系统自己也有“不确定”的时候。这种不确定不会写在界面上，只会体现在行为里——比如助手推荐了一个不太相关的卡片，或者搜索结果排序明显不符合直觉。
书里提出的实操要求是：意图链接不能只做一次，要在每次交互中持续确认。也就是说，智能系统需要对用户的真实意图建立假设，并激活确认闭环。低成本的确认可以是一次显式反问，比如“你是想查天气还是查空气质量”；高成本的确认是在后续推荐中观察用户是否采纳，用行为结果来反向验证意图理解是否准确。
我落地过类似机制，一个比较管用的做法是给每个意图理解结果加一个置信度分数，同时设定阈值分档。阈值低的时候必须显式确认，阈值中段可以进入“轻确认”模式，阈值高才允许系统直接执行。这样既不会让用户觉得系统每天追问很烦，又能在关键动作前把错误拦截住。
2.2 认知链接：用户脑中的系统形象是产品设计的产物
书中关于认知链接的论述很少见，值得单独拿出来讲。核心观点是：用户在使用智能产品的过程里，会逐渐在脑子里建立一套“系统画像”——它大概能干什么、它在哪类事上不行、它会不会理解我、它出错之后会怎么处理。这个画像一旦形成，就会极大影响用户后续的每一次使用方式。
你会发现用户的行为习惯会反过来影响你的产品策略。如果用户认为你只能做单轮问答，他们就不会尝试让你执行多步任务；如果用户认为你记不住上下文，他们就会每句话都重复背景信息；如果用户认为你只是在堆关键词，他们就会刻意使用关键词句式，而不是自然语言。用户脑中的“系统形象”其实就是产品对用户做过的所有交互的总和结果。所谓认知链接，就是让这个形象尽量接近真实系统，避免用户期望和实际能力之间存在巨大鸿沟。
实操中最大的坑是，产品主动“吹牛”而不自知。比如某次演示时系统表现很好，团队就在营销材料里写“无所不能”，结果用户用自然语言问一个超纲问题，系统答不上来，体验断崖式下跌。还有一些团队做得过于保守，故意把能力描述得很弱小，用户来了之后发现比想象中好很多，但这种惊喜感并不能转化成持续使用，反而让用户不确信系统什么时候行、什么时候不行。好的做法是设计一套轻量级的“能力引导层”，在用户刚接触智能功能时，用三五句简短文案或者三个示例问题，帮助用户形成合理的系统画像与期望标尺。
2.3 信任链接：不透明系统里如何积累信任
要理解信任链接，必须先分清和“可信”这条原则的关系。可信原则解决的是“系统是否值得信任”，比如数据有没有被滥用、判断有没有偏见、隐私有没有被保护。而信任链接解决的是“在用户愿意信任的情况下，系统能不能通过一次次交互积累信任资产”。
信任的积累机制和人的社交很像。第一次交互是陌生人见面，彼此试探；第二次交互是产生记忆，识别出你曾经来过；第三次交互是主动关心，比如记住你上次常点的咖啡。智能产品如果每次交互都像第一次见面，用户很难对它产生深层的信任链接。
这里有一个细节值得展开：信任链接不是线性的，它会在一次大错误后瞬间断裂。智能产品的信任账户余额是脆弱的，一次给用户推荐了完全错误的信息，或者取消了用户未确认的订单，可能清空此前一百次正确交互积累的信任。所以一个很现实的产品策略是，把最重要的动作设计成“高门槛操作”，给用户确认机会，把可能产生负体验的场景控制在低风险范围内。
注意：这里要区分“信任”和“依赖”。信任链接设计的目的是适度信任，而不是让用户过度依赖。过度依赖会在系统不可用时带来强烈焦虑感，这也是我在两个项目里实际观察到的模型：当用户逐渐习惯某个AI建议后，如果系统临时停止服务，反对声往往比产品上线前还大。
3. 实操过程与核心环节实现
3.1 为具体智能产品做“链接诊断”的方法
在动手改进前，建议先给产品做一次“链接体检”。具体做法可以分成四步走，每一步都指向前面定义的链接类型。这个体检不依赖高深的技术，更多是换一个视角看待用户与系统的交互数据。
第一步，识别“意图断裂点”。在对话或操作日志里，搜索用户反复修改输入、反复点击“重新生成”、反复删除重发的片段，这些都是意图链接薄弱的高频位置。
第二步，识别“认知偏差点”。用小范围用户访谈或者问卷，请用户用一句话描述这个产品最擅长做什么。如果多数人给出的答案和你的核心功能不一致，说明认知链接出了问题。
第三步，识别“信任流失点”。把所有关键业务动作列出来，标记用户流失率最高的三个节点，看这个节点是否发生在一次高影响、低可控的AI行为之后。
第四步，把这三类问题放在一起交叉验证，往往会发现根因是同一个。比如由于认知链接不清晰，用户提交了超纲任务，意图识别失败，于是系统给了个奇怪答案，导致信任断裂。一个端点出问题，全线崩盘。
3.2 构建一套“意图确认-能力引导-信任校准”机制
以对话型AI产品为例，我建议设计一套三层机制来系统化落地链接原则，前提是团队里至少要有产品经理和算法工程师各一位，能用两周时间完成验证。
第一层是意图确认机制。需要设计三类意图状态：清晰意图、模糊意图、能力外意图。对清晰意图直接执行，对模糊意图采用引导式反问，对能力外意图要快速给出“我不擅长”的提示，并可以推荐替代方案。关键动作是给意图识别模块输出一个置信度分档逻辑，用产品规则判断走哪条路，而不是只依赖模型结果。
第二层是能力引导机制。在新用户进入智能功能的第二屏，加入“试一试”区，提供三个覆盖核心能力的示例问题。示例问题的设计有个小技巧：故意展示一个带限定条件的复杂问题，用来管理用户对上下文能力的预期。另外在用户连续两次问同一类问题时，给一次隐性能力提示，让用户知道系统能做什么。
第三层是信任校准机制。这里可以直接落地一个“风险分档”策略，把系统中所有AI动作按对用户的影响程度分成高、中、低三档。低档动作直接执行；中档动作执行后给“撤销/修改”入口；高档动作强确认，用明确的UI提示用户即将发生什么、可能有什么偏差。
3.3 衡量“链接”是否生效的指标体系
没有指标就无法迭代。链接质量看似抽象，其实是可以量化的。我们团队最终沉淀下来的指标分三组，运行一段时间后基本能稳定反映链接的健康度。
意图链接的指标看“首次交互成功率”和“澄清率”。首次交互成功率不是指算法准确率，而是指用户第一个动作后是否完成了有效任务；澄清率是系统发起确认追问的比例，过高说明意图识别太弱，过低且伴有任务失败则说明系统在盲目自信。
认知链接的指标看“功能探索深度”和“画像一致性”。功能探索深度可以用“用户前两周使用五个以上功能的比例”来度量；画像一致性则靠小规模问卷抽样获取。
信任链接的指标看“纠错采纳率”和“犯错后留存率”。纠错采纳率指被拒绝的AI建议中用户是否按照纠正后反馈操作；犯错后留存率是一个更长周期的指标，专门看在系统发生一次可感知错误后，用户在未来七天内是否仍然活跃。这个指标能反映系统是否拥有信任修复能力。
4. 常见问题与排查技巧实录
4.1 问题：用户用完即走，看起来一切都好，但就是没有黏性
这个情况在AI工具类产品里尤其常见。排查时先别急着怀疑模型能力，用“链接体检”方法拆解，多半会发现问题出在认知链接上——用户对该系统的画像是一个“下载即走”的工具，而不是一个可以合作的对象。
我们当时给一个问答类产品做二次回访调查，发现近六成用户根本不知道产品能直接生成报告，只知道能问具体问题。这个认知闭塞不是靠功能迭代能解决的，需要在界面上设计显性的能力预告入口。后来我们在搜索框下方增加了“可尝试的追问”动态推荐词，并附带示例输出预览，两周后新用户深度功能使用率提升了将近一倍。
4.2 问题：用户误解系统能力，经常提出超纲需求后失望离开
这是意图链接和认知链接“双重断裂”的表现。只修意图识别模块是不够的，用户提出超纲问题本身说明他脑中的系统能力画像和真实系统不一致。
我踩过的一个坑是：为了减少超纲问题带来的挫败感，在系统识别到能力外请求时，只返回一句简单的“抱歉，我暂时无法处理”。结果用户反馈更愤怒了，因为他不理解为什么无能处理。后来改为“我无法处理X，但可以帮你做Y和Z”，给出可替代的选项和清晰边界，用户对系统的整体评价明显改善。
4.3 问题：系统出一次错，用户就再也不回来了
这类问题的底层常常是信任链接过于脆弱。排查方法是回到信任校准机制，检查系统犯错时是否提供了足够的“后悔权”。有一次用户向AI助手提交了一个带复杂槽位的查询，系统没有确认就直接执行，结果弄错了一个关键参数，用户的整个任务链后续全部出错。这其实是一个典型的高影响动作被误判为低影响的问题。
解决办法是校准风险分档：凡是用户无法在一步之内撤销后果的动作，一律升级为高档动作，必须加入确认步骤。调整后，同类型错误引发的客诉量下降非常明显，用户在犯错后的留存率逐步回升。
4.4 产品团队内部如何对齐“链接”这个抽象概念
很多时候不是产品没做链接设计，而是团队里每个人对“链接”的理解不一样，导致落地时各做各的。我比较容易讲通的一套表述是：把“链接”类比成人与人之间的默契。两个人能长期合作，不是因为他们彼此百分之百懂，而是因为他们对彼此的边界、偏好、反应模式都建立起了稳定的预期。智能产品要做的工作，就是在每一次交互中不断更新这个预期模型。
如果团队还是觉得抽象，就拉一场工作坊，把过往最典型的二十段用户对话打出来，逐条讨论“这里用户对系统的预期是什么，系统向用户展示的能力边界是什么”。不需要任何高深的概念，讨论完一轮，大家对链接的理解就会统一起来。
这套原则看到这里，我最大的感受是它把很多以前靠直觉做的事情显性化了。“链接”并不神秘，它和模型能力无关，它是一套围绕用户认知经营的设计动作。它需要产品经理去识别那些用户没有说出口的隐含预期，去设计那些用户不会注意但会感知到的确认与反馈，去搭建一套在出错后还能修复关系的安全网。每一条单独拿出来都算不上新观点，但把它放在六原则的链条末端，你会发现智能产品的许多顽疾都有了新的解法。如果下篇会讲工具链层面的落地案例，那我会非常期待。