Ai native user experience

AI Native 用户体验设计 Skill

使用场景

• 产品需要设计人与 AI 协作的交互体验
• 需要让用户理解系统、信任系统、愿意持续与系统协作
• 需要设计渐进式自动化路径
• 需要量化 AI 产品的风险暴露（Risk Exposure）并据此设计信任机制
• 需要评估用户的信任阈值（Trust Threshold）以确定自动化边界

核心概念

RAX 框架（Risk-Aware Agent Experience）

RAX 是"风险感知的 Agent 体验"框架，核心问题是：如何让用户"敢把事情交给系统"。

RAX 框架 = Agent Loop + 六要素 + 三大指标

三大核心指标：

指标	公式	含义
Risk Exposure	P × C × I	P=错误概率，C=后果严重度，I=不可逆性。衡量 AI 出错时的预期损失
Trust Threshold	f(风险等级, 介入成本, 替代方案)	用户愿意"放手"让 AI 自主行动的临界成功率点
Expected UX	Σ(成功价值 − 失败成本) × 概率	用户不是算数学 ROI，而是"感觉 ROI"

Risk Exposure 三变量详解：

• P（Probability）：AI 在特定场景中犯错的概率，应分场景统计而非给单一平均值
• C（Consequence）：错误发生时的后果严重度，包括直接损失（金钱、安全）和间接损失（时间、信任）
• I（Irreversibility）：不可逆性系数（0-1），衡量后果被修复的难度。完全可逆→0，完全不可逆→1

不可逆性光谱：

I 值	类型	特征	例子
0.0-0.2	几乎可逆	即时撤销，用户无感知	AI 写作助手的措辞建议
0.3-0.5	轻度不可逆	需少量操作修正	邮件发送错误（可撤回）
0.6-0.8	中度不可逆	需人工介入，损失已部分发生	账户被误标为风险
0.9-1.0	极度不可逆	后果无法弥补	医疗误诊、自动驾驶事故

降低 Risk Exposure 的三条路径：

1. 降低 P：优化算法、增加训练数据（但存在边际递减）
2. 降低 C：增加人工审核、设计降级策略（限制影响范围）
3. 降低 I：设计撤销机制、延迟窗口、容错缓冲区（最具 AI 时代特色）

Trust Threshold 信任层级设计

核心公式：Trust Threshold = f（风险等级，介入成本，替代方案）

• 风险等级（R）：AI 犯错时用户承受的后果严重程度。风险越高，信任阈值越高
• 介入成本（I）：用户决定干预 AI 时需要付出的代价。介入成本越高，用户越不愿干预，反而要求 AI 更可靠
• 替代方案（S）：AI 不可信时用户还有什么选择。替代方案越少，用户越被迫依赖 AI

信任决策的量化方法：

• R 量化：枚举错误类型 → 评估潜在损失（1-10 分）→ 加权平均
• I 量化：模拟用户从发现错误到完成纠正的全流程 → 记录操作步骤数、时间、知识门槛
• S 量化：评估用户转向替代产品或人工方案需要付出的代价

关键洞察：

• 信任不是感性冲动，而是理性的风险收益计算
• 用户不是看 AI 有多聪明，而是看"它犯错时我承受得起吗"
• 同样的 95% 准确率，在不同场景下信任感知可能截然不同
• 超过 Trust Threshold 后继续提升可靠性是资源错配（边际递减）
• 行为上的"继续使用"不等于心理上的"信任"——不要把被迫容忍误解为信任

渐进式披露（Progressive Disclosure）

在 AI 产品中，渐进式披露包含两层含义：

1. 信息渐进披露：

• 不一次性暴露 AI 的全部推理过程，而是按用户需要逐层展开
• 默认层：结果 + 置信度信号
• 展开层：推理依据 + 来源引用
• 详情层：完整推理链 + 数据溯源

2. 自主性渐进授权（Autonomy Dial）：

• Level 1：AI 仅建议，所有行动由人执行（当前阶段）
• Level 2：AI 执行低风险任务，高风险任务需人确认（达成目标准确率后）
• Level 3：AI 自主执行大部分任务，仅异常/边界场景人工介入（长期目标）

授权条件： 达成目标 Trust Threshold → 解锁下一级自主性

人机协作 UX 设计

三个协作层级：

层级	定义	人的角色	典型场景
Human-in-Definition	人在目标定义中保持主导	设定目标、边界、禁止项	定义 AI 客服的服务范围和红线
Human-in-the-Loop	人在关键节点中确认/修改	逐项审核、确认放行	AI 生成合同后人工逐条审核
Human-on-the-Loop	人在运行时监控 AI	设定监控规则、异常时干预	AI 自动处理工单，人监控异常

六大信任设计模式（Smashing Magazine 2026 行业共识）：

模式	时机	作用
Intent Preview（意图预览）	行动前	将黑盒变为可审查计划
Autonomy Dial（自主性旋钮）	行动前	渐进式授权，四级自治度
Explainable Rationale（可解释理由）	行动中	主动解释"为什么这样做"
Confidence Signal（置信度信号）	行动中	暴露 AI 自身置信度
Action Audit & Undo（行动审计与撤销）	行动后	持久日志 + 醒目的撤销按钮
Escalation Pathway（升级路径）	异常时	优雅升级到人类

Agent Loop 四阶段的人机介入点：

• Context（理解上下文）→ 风险：误解需求 → 介入：人工确认理解
• Intent（形成意图）→ 风险：错误决策 → 介入：决策审批
• Operation（执行行动）→ 风险：错误行动 → 介入：执行前确认
• Calibration（校准修正）→ 风险：错误修正 → 介入：修正结果审核

从传统 UI 到 AI 交互体验

传统软件体验主要围绕界面效率：导航是否清晰、按钮是否顺手、表单是否顺畅。

AI Native 产品新增了另一层体验：

• 用户如何表达意图
• 系统如何理解目标
• 结果如何被解释
• 错误如何被纠正

真正被设计的不只是界面元素，而是"用户提出目标后，系统如何回应、如何推进、如何被纠偏"的全过程。

AI UX 流程

用户表达目标
  → 系统展示状态
    → 给出建议 / 行动
      → 用户纠偏或确认
        → 结果执行
          → 反馈沉淀

如果系统省略了"状态可见"和"纠偏入口"，体验再流畅也很难形成长期信任。

分步执行

当用户提供产品场景时，Skill 按以下五步执行：

Step 1：RAX 评估——风险暴露量化

1. 任务链路拆解：梳理用户完成目标的完整步骤链
2. Agent Loop 映射：将每个步骤映射到 Context → Intent → Operation → Calibration 四阶段
3. Risk Exposure 评估：对每个步骤计算 P × C × I
   • P（错误概率）：分场景统计，非单一平均值
   • C（后果严重度）：金钱损失→7-10 分；时间损失→3-6 分；体验不适→1-3 分
   • I（不可逆性）：参考不可逆性光谱（0-1）赋值
4. 风险排序：按 Risk Exposure 高低排列，确定优先关注的高风险节点

Step 2：Trust Threshold 评估——信任阈值分析

1. 识别目标用户群：谁在用这个产品？专业度如何？
2. 评估三变量：
   • 风险等级（R）：用户对错误后果的承受能力
   • 介入成本（I）：用户纠错的操作步骤数、时间、知识门槛
   • 替代方案（S）：用户转向其他方案的难度
3. 确定信任阈值：用户愿意在多高的成功率下放手让 AI 自主行动
4. 对比现状：当前 AI 的实际成功率 vs 信任阈值，差距即为优化方向

Step 3：渐进式披露设计

1. 信息分层：默认展示结果+置信度 → 可展开的推理依据 → 完整推理链
2. 置信度信号设计：高置信度（绿）/ 中置信度（黄+请确认）/ 低置信度（红+建议人工处理）
3. 来源标注：每个 AI 建议/输出标注数据来源、规则引用、历史案例

Step 4：人机分工界面设计

1. 人机分工矩阵：对每个任务节点标注 AI 职责、人类职责、决策模式
2. 决策模式分类：
   • AI 自动执行（低风险、高置信度）
   • AI 建议，人确认（中风险或中置信度）
   • 人权决（高风险或低置信度）
3. 纠偏机制设计：
   • 快捷编辑（行内修改）
   • 重新生成（一键换方案）
   • 完全拒绝 + 原因选择
   • 标记错误 + 详细反馈
   • 升级人工入口
4. 六大信任模式落地方案：Intent Preview → Autonomy Dial → Explainable Rationale → Confidence Signal → Action Audit & Undo → Escalation Pathway

Step 5：反馈纠偏与渐进自动化路径

1. 即时反馈设计：采纳行为记录、修改内容差异追踪、标签选择（准确/冗余/风格差/信息错误）
2. 定期沉淀机制：每周生成"最佳建议"和"待改进建议"报告，高采纳率建议入库
3. 渐进自动化路径：
   • 阶段 1：所有建议人工审核（当前）→ 建立基线数据
   • 阶段 2：高置信度+低风险建议自动执行（达成 Trust Threshold 后解锁）
   • 阶段 3：仅异常/边界场景人工介入（长期目标）
4. 解锁条件量化：明确阶段 1→2→3 的量化门槛（如准确率 ≥ X%、Risk Exposure ≤ Y）

输出物：UX 方案

1. RAX 评估表：每个任务节点的 Risk Exposure（P×C×I）评分与风险排序
2. Trust Threshold 分析：用户信任阈值评估 + 当前差距分析
3. 人机分工图：在每个任务节点上，AI 做什么、人做什么、决策模式
4. 状态可见性设计：系统如何展示正在做什么、进度如何、置信度如何
5. 纠偏机制设计：用户如何修正、确认、拒绝和升级人工
6. 信任设计方案：如何展示来源、不确定性、边界
7. 反馈沉淀机制：如何收集有效反馈并转化为系统改进
8. 渐进自动化路径：各阶段条件、解锁门槛、资源分配建议

示例

示例一：AI 客服 Copilot UX 设计

场景描述： 设计一个 AI 客服协同工作台的 UX，让客服专员高效使用 AI 建议，同时保持对服务的控制。

用户输入： "我们的 AI 客服建议有时不被采纳，有时被采纳后反而要修改，怎么设计更好的协作体验？"

Skill 执行流程：

1. RAX 评估

任务链路：
用户咨询 → 客服理解 → AI生成建议 → 客服审核 → 发送/修改 → 用户反馈
                    ↓
              人机协作核心节点

Risk Exposure 评估：
| 节点 | P | C | I | RE | 风险等级 |
|------|---|---|---|-----|----------|
| 意图理解错误 | 0.15 | 5 | 0.3 | 0.225 | 中 |
| 信息查询错误 | 0.05 | 3 | 0.2 | 0.030 | 低 |
| 回复内容不当 | 0.20 | 6 | 0.5 | 0.600 | 高 |
| 高风险承诺 | 0.10 | 9 | 0.8 | 0.720 | 极高 |

2. Trust Threshold 分析

目标用户: 客服专员（有专业培训，非普通消费者）
风险等级(R): 中高 — 承诺错误可能导致公司损失
介入成本(I): 低 — 客服可以快速编辑回复
替代方案(S): 低 — 可切换为纯人工服务

Trust Threshold: 中等偏高
  - 客服专员会容忍 AI 偶尔不准确（低介入成本）
  - 但不会容忍高风险承诺的错误（高后果严重度）
  - 设计策略：低风险自动执行，高风险必须人工确认

3. 人机分工设计

任务节点	AI 职责	人类职责	决策模式
意图理解	识别咨询类型、情绪	确认或纠正理解	AI 建议，人确认
信息查询	自动查询订单/物流	核对数据准确性	AI 自动执行
回复生成	生成候选回复	审核、编辑、选择	AI 建议，人决策
高风险承诺	标注风险	人工确认后才能发送	人权决
异常处理	建议升级	判断并执行升级	人权决

4. 状态可见性设计

界面元素:
  AI分析卡片:
    - 意图识别结果（置信度条）
    - 已查询的数据（展开的详情）
    - 情绪检测（中性/着急/愤怒）
  候选回复区:
    - 3个备选回复（可切换）
    - 每个回复的风险标记（绿/黄/红）
    - 引用来源（规则第X条、订单#123）
  置信度提示:
    - 高置信度（>90%）：绿色边框
    - 中置信度（70-90%）：黄色边框 + "请确认"
    - 低置信度（<70%）：红色边框 + "建议人工处理"

5. 纠偏机制设计

纠偏方式	交互设计	触发条件
快速编辑	行内编辑，保留原意	内容基本可用，需微调
重新生成	"换个说法"按钮	风格不合适
降低风险	移除敏感表述	检测到高风险词
完全拒绝	"不需要"按钮 + 原因选择	建议完全不相关
标记错误	"反馈问题"按钮	发现 AI 理解错误

6. 信任 UX 设计

透明度设计:
  来源展示:
    - "基于订单 #12345 生成"
    - "引用《退换货规则》第3.2条"
    - "参考历史成功案例 C-8921"
  不确定性展示:
    - "预计送达时间：1-2天（基于物流轨迹预测）"
    - "⚠️ 该情况较为少见，建议优先解释政策"
  边界提示:
    - "退款涉及金额 > 500元，需主管确认"
    - "此建议不适用VIP客户，已自动切换模板"

输出结果：

# UX 方案：AI 客服 Copilot

RAX评估:
  最高风险节点: 高风险承诺（RE=0.720）
  中风险节点: 回复内容不当（RE=0.600）
  低风险节点: 信息查询（RE=0.030）
  策略: 集中资源降低高风险节点的 I（设计撤销/延迟机制）

人机分工:
  AI自动执行: [信息查询, 初步意图识别]
  AI建议人决策: [回复生成, 解决方案推荐]
  人权决: [高风险承诺, 投诉处理, 升级判断]

状态可见:
  - AI分析结果实时展示（意图+置信度）
  - 数据来源明确标注
  - 风险等级颜色编码

纠偏入口:
  - 快捷编辑（行内）
  - 重新生成（一键）
  - 完全拒绝+反馈
  - 风险降级（自动移除敏感词）

信任建立:
  - 所有建议标注来源
  - 高不确定性场景主动提示
  - 边界场景明确告知限制

反馈闭环:
  - 采纳行为自动记录
  - 修改内容追踪差异
  - 定期质量报告生成
  - 正向案例入库

渐进自动化路径:
  阶段1: 所有建议人工审核（当前）
  阶段2: 高置信度+低风险建议自动发送（达成90%准确率后）
  阶段3: 仅异常/边界场景人工介入（长期目标）

---

示例二：AI 医疗辅助诊断 UX 设计

场景描述： 设计一个 AI 辅助诊断系统的 UX，帮助医生快速整理病历、初步分析症状，同时确保医生始终是最终决策者。

用户输入： "我们的 AI 影像分析系统能辅助识别疑似病灶，但医生担心过度依赖 AI 会降低自己的诊断能力，也担心 AI 漏诊的责任问题。怎么设计体验？"

Skill 执行流程：

1. RAX 评估

任务链路：
患者检查 → AI影像分析 → 病灶标注 → 医生审核 → 诊断决策 → 治疗方案
              ↓                              ↓
         AI辅助节点                      人权决节点

Risk Exposure 评估：
| 节点 | P | C | I | RE | 风险等级 |
|------|---|---|---|-----|----------|
| 影像分析漏诊 | 0.05 | 10 | 0.95 | 0.475 | 极高 |
| 病灶误标注 | 0.08 | 8 | 0.7 | 0.448 | 极高 |
| 辅助信息不全 | 0.12 | 4 | 0.2 | 0.096 | 中 |
| 治疗建议偏差 | 0.06 | 9 | 0.9 | 0.486 | 极高 |

关键发现：医疗场景的 I（不可逆性）普遍极高，即使 P 很低，RE 也很高。

2. Trust Threshold 分析

目标用户: 执业医生（高度专业，但对 AI 心态复杂）
风险等级(R): 极高 — 涉及患者生命健康
介入成本(I): 中 — 医生需要对照 AI 结果做独立判断，认知负荷较高
替代方案(S): 高 — 医生本身就是替代方案（自己诊断）

Trust Threshold: 极高
  - 医生不会容忍 AI 漏诊（生命代价）
  - 但也不希望 AI "喧宾夺主"（专业自主性）
  - 设计策略：AI 永远定位为"辅助工具"而非"决策主体"

3. 人机分工设计

任务节点	AI 职责	人类职责	决策模式
病历整理	自动归集历史病历、检查报告	确认病历完整性	AI 自动执行，人抽查
影像分析	标注疑似病灶 + 置信度	独立审阅影像，参考但不依赖 AI	AI 辅助，人决策
鉴别诊断	提供鉴别诊断列表	结合临床经验做出诊断	AI 建议，人决策
治疗建议	基于指南推荐方案	综合患者情况制定方案	AI 参考，人全权决策
异常检测	标注"高风险"需特别关注	逐项确认或排除	AI 标注，人复核

4. 状态可见性设计

界面元素:
  AI分析面板:
    - 病灶标注（高亮叠加在原始影像上）
    - 置信度百分比 + 不确定性范围
    - 鉴别诊断列表（按可能性排序）
    - "AI 未覆盖区域"提示（明确告知 AI 的视野边界）

  风险提示:
    - "⚠️ 该病灶置信度 < 70%，建议结合其他检查"
    - "⚠️ AI 分析基于 2023 年前数据，新病种可能未覆盖"
    - "此分析不构成诊断结论，仅供临床参考"

  设计原则: AI 标注永远可被医生移除或覆盖，不强制高亮

5. 纠偏与信任机制设计

纠偏机制:
  - 医生可一键移除 AI 标注（"不同意此标注"）
  - 医生可添加补充标注
  - 最终诊断报告中 AI 辅助内容标记为"AI 参考"，与医生诊断明确分离
  - 责任归属清晰：最终诊断 = 医生签名确认

信任建立:
  - 每次 AI 分析附带训练数据来源说明
  - 明确展示 AI 的能力边界："本系统擅长 X，不擅长 Y"
  - 定期发布 AI 准确率报告（透明度建设）
  - 历史案例回溯：医生可查看 AI 过往类似案例的判断准确率

输出结果：

# UX 方案：AI 医疗辅助诊断

RAX评估:
  最高风险节点: 治疗建议偏差（RE=0.486）、影像分析漏诊（RE=0.475）
  关键特征: I（不可逆性）普遍 > 0.7，降低 I 是核心策略
  策略: 所有 AI 输出标记为"参考"，最终决策权100%归属医生

人机分工:
  AI自动执行: [病历归集, 历史数据整理]
  AI辅助人决策: [影像分析标注, 鉴别诊断列表]
  人权决: [最终诊断, 治疗方案, 手术决策]

状态可见:
  - AI 标注叠加在原始影像上（可移除）
  - 置信度 + 不确定性范围同步展示
  - AI 能力边界明确告知
  - "未覆盖区域"主动提示

纠偏入口:
  - 一键移除 AI 标注
  - 医生添加补充标注
  - 诊断报告中 AI 与医生内容分离
  - 责任归属：医生签名 = 最终诊断

信任建立:
  - 训练数据来源说明
  - AI 能力边界声明
  - 定期准确率报告
  - 历史案例回溯

反馈闭环:
  - 医生对 AI 标注的采纳/拒绝自动记录
  - 漏诊案例回溯分析
  - 季度准确率趋势报告
  - 临床反馈 → 模型迭代需求

渐进自动化路径:
  阶段1: AI 仅做初步筛查标注，医生独立审阅所有影像（当前）
  阶段2: 低风险场景（如常规体检）AI 辅助优先级排序（达成95%灵敏度后）
  阶段3: AI 标注 + 自动分类，医生终审（长期目标，需监管许可）
  解锁条件: 灵敏度≥95%, 特异度≥90%, 临床验证≥1000例

---

示例三：AI 金融顾问 UX 设计

场景描述： 设计一个面向个人投资者的 AI 智能投顾系统的 UX，帮助用户做出投资决策，同时管理因 AI 建议导致亏损时的信任危机。

用户输入： "我们的 AI 投顾系统推荐的基金组合，用户赚钱时很高兴，但一旦亏损就投诉说'AI 误导我'。怎么设计体验让用户有合理预期？"

Skill 执行流程：

1. RAX 评估

任务链路：
用户输入风险偏好 → AI评估 → 资产配置建议 → 用户确认 → 自动执行 → 收益监控 → 调仓建议
                   ↓                ↓                              ↓
              风险评估节点      信任建立关键节点              持续信任维护节点

Risk Exposure 评估：
| 节点 | P | C | I | RE | 风险等级 |
|------|---|---|---|-----|----------|
| 风险偏好误判 | 0.15 | 7 | 0.6 | 0.630 | 极高 |
| 资产配置不当 | 0.10 | 8 | 0.5 | 0.400 | 高 |
| 市场下行亏损 | 0.25 | 7 | 0.8 | 1.400 | 极高 |
| 调仓时机错误 | 0.12 | 6 | 0.5 | 0.360 | 高 |

关键发现：市场下行亏损的 P 高且 I 高，但这是市场风险而非 AI 错误。
设计挑战：如何区分"AI 的错"和"市场的错"？

2. Trust Threshold 分析

目标用户: 个人投资者（金融知识参差不齐，情绪化决策倾向强）
风险等级(R): 高 — 直接涉及金钱损失
介入成本(I): 中 — 需要登录系统、理解市场、手动操作
替代方案(S): 中 — 可选择人工理财顾问、自行投资、其他平台

Trust Threshold: 高
  - 用户会容忍短期波动（如果事先有预期）
  - 但不会容忍"AI 让我亏钱还不解释"
  - 关键设计点：预期管理 + 亏损归因透明化

3. 人机分工设计

任务节点	AI 职责	人类职责	决策模式
风险评估	生成风险评估问卷分析	填写并确认风险偏好	AI 建议，人确认
资产配置	生成推荐组合 + 理由	确认或调整配置比例	AI 建议，人决策
执行交易	按确认方案执行	确认每笔交易	AI 执行，人授权
收益监控	每日收益计算 + 归因	查看报告	AI 自动执行
调仓建议	基于市场信号建议调仓	确认或拒绝调仓	AI 建议，人决策
极端行情	检测异常波动 + 风险预警	决定是否止损	AI 标注，人权决

4. 状态可见性设计

界面元素:
  组合概览:
    - 总收益/亏损（大字体，实时更新）
    - 收益归因分解：市场因素 X% + 策略因素 Y% + 择时因素 Z%
    - "今日收益"vs"累计收益"分开展示

  风险仪表盘:
    - 当前组合风险等级（1-5级，颜色编码）
    - 与用户风险偏好的匹配度
    - "当前波动在您的风险承受范围内"或"⚠️ 当前波动超出您的风险偏好"

  AI决策透明度:
    - 每个持仓的买入理由 + 当前评估
    - AI 推荐调仓时的完整推理链
    - "本建议基于X模型，参考Y个因子"
    - 历史推荐准确率统计

  预期管理:
    - "投资有风险，AI 推荐不保证收益"
    - "过去3个月组合波动率：X%，最大回撤：Y%"
    - "同类组合历史表现"对比参考

5. 信任机制设计

亏损场景的UX设计:
  正常波动:
    - 展示"市场整体下跌X%，您的组合下跌Y%，表现优于/Z基准"
    - 不弹出警告，避免放大焦虑
  超出预期:
    - 展示"当前回撤超过您设定的风险偏好"
    - 提供三个选项：维持当前 / 降低风险 / 转人工咨询
    - AI 主动解释回撤原因（市场因素 vs 策略因素）

预期管理机制:
  首次使用:
    - 必须完成风险评估问卷
    - 展示"您的风险类型"及历史回撤范围模拟
    - 签署风险确认书（明确AI不保证收益）
  持续使用:
    - 月度报告：收益归因 + 策略回顾
    - 季度回顾：与用户目标的偏差分析
    - 年度复盘：AI 策略表现 vs 市场基准

责任归属:
  - AI 推荐 → 用户确认 → 系统执行
  - 每笔交易都有用户确认记录
  - 亏损时清晰区分：市场风险（不可控）vs AI 策略失误（可追责）

输出结果：

# UX 方案：AI 智能投顾

RAX评估:
  最高风险节点: 市场下行亏损（RE=1.400）、风险偏好误判（RE=0.630）
  关键发现: 需区分"市场风险"和"AI策略失误"两类不同性质的亏损
  策略: 预期管理 + 亏损归因透明化 + 用户确认链

人机分工:
  AI自动执行: [收益计算, 市场监控, 风险预警]
  AI建议人决策: [资产配置, 调仓建议, 止损决策]
  人权决: [大额调仓, 风险偏好变更, 账户操作]

状态可见:
  - 收益/亏损实时展示 + 归因分解
  - 风险仪表盘（与用户偏好匹配度）
  - AI 每个决策的推理链可追溯
  - 历史推荐准确率统计

纠偏入口:
  - 一键降低风险（缩减权益配置）
  - 转人工理财顾问
  - 暂停 AI 自动操作
  - 用户可手动调整任何 AI 推荐的配置

信任建立:
  - 首次使用必须完成风险评估+签署确认
  - 每月收益归因报告（市场因素 vs 策略因素）
  - 亏损时 AI 主动解释原因 + 提供应对选项
  - 清晰的责任归属：AI 推荐 → 用户确认 → 执行记录

反馈闭环:
  - 用户对调仓建议的采纳/拒绝记录
  - 亏损场景的用户满意度跟踪
  - 季度策略回顾与用户目标偏差分析
  - 用户反馈 → 策略优化需求

渐进自动化路径:
  阶段1: AI 仅提供建议，所有操作需用户确认（当前）
  阶段2: 低风险再平衡自动执行（达成历史回撤<X%后）
  阶段3: 全自动资产配置，用户仅设定目标和约束（长期目标）
  解锁条件: 用户使用≥6个月 + 历史最大回撤<用户风险偏好 + 用户主动申请