P8 ux design

Skill gmaxxxie/ai-native-product-agent-skills/skills/p8-ux-design

'AI Native 产品方法论——AI Native 用户体验设计的实操 Skill。From its SKILL.md

Install

npx -y skills add gmaxxxie/ai-native-product-agent-skills --skill p8-ux-design

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

One thing to look at

no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.

SKILL.md

8.5 KB, ~3.0k tokens by cl100k_base, as published. Nobody here has run it

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

核心概念

AI 交互体验（AI UX）：围绕人机协作、状态可见、结果可纠偏和边界可控制来设计的产品体验
Prompt UX：用户如何表达目标、补充信息和修正系统方向的交互设计
Trust UX：系统如何展示来源、不确定性和执行边界，以建立合理信任
渐进式自动化：先让用户看见和确认，再逐步提高自动化程度的体验路径
人在定义中（Human-in-Definition）：人在目标定义、边界设定和禁止项声明中保持主导
人在回路中（Human-in-the-Loop）：人在关键节点中确认、修改和放行
人在监督中（Human-on-the-Loop）：人在运行时监控 AI、干预异常、执行叫停与回滚

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。

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： n- 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 的五个核心特征

1. Prompt UX

用户如何自然表达问题
如何引导用户提供足够的上下文
如何让用户知道怎么修正系统方向

2. 智能体交互

系统如何展示思考过程
系统如何展示步骤和状态
用户如何理解系统正在做什么

3. 人机协作（Human + AI Collaboration）

用户如何接管、修改和确认结果
哪些动作可以自动执行，哪些必须确认
如何让用户感觉自己仍然在控制

4. Feedback UX

产品如何收集有效反馈，而不是只收点赞点踩
如何让用户愿意提供修正和改进建议
如何把反馈转化为系统改进

5. Trust UX

系统如何让用户知道答案从哪里来
哪些地方有不确定性
哪些动作有风险、需要注意

人机协作的三个层级

人在定义中（Human-in-Definition）

人在目标定义中保持主导
人在边界设定中保持主导
人在禁止项声明中保持主导

人在回路中（Human-in-the-Loop）

人在关键节点中确认
人在关键节点中修改
人在关键节点中放行

人在监督中（Human-on-the-Loop）

人在运行时监控 AI
人在异常时干预
人执行叫停与回滚

体验设计要围绕任务完成

AI 产品的体验设计不应停留在"回答好看不好看"，而要围绕任务完成效率来设计：

在分析系统里，关键不是输出多漂亮，而是能否让用户快速理解异常原因并采取行动
在客服系统里，关键不是回复多长，而是能否更快、更稳地解决问题

输出物：UX 方案

人机分工图：在每个任务节点上，AI 做什么、人做什么
状态可见性设计：系统如何展示正在做什么、进度如何
纠偏机制设计：用户如何修正、确认、拒绝和升级人工
信任设计方案：如何展示来源、不确定性、边界
反馈沉淀机制：如何收集有效反馈并转化为系统改进

使用方式

当用户提供产品场景时，自动执行：

分析任务链路和人机分工点
设计状态可见怨方案
设计纠偏机制
设计信任 UX 方案
设计反馈沉淀机制
输出 UX 方案

示例

示例：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：

任务链路分析

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

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

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"

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

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"

Feedback UX 设计

即时反馈:
  客服采纳建议后:
    - 快捷评价：👍 / 👎
    - 修改追踪：记录人工编辑与原建议的差异
    - 标签选择：准确/冗余/风格差/信息错误
  
  定期沉淀:
    - 每周生成"最佳建议"和"待改进建议"报告
    - 高采纳率建议 → 案例库
    - 频繁修改场景 → 模型优化需求

输出结果：

# UX 方案：AI 客服 Copilot

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）

What ships with it

Read from the repository

Just SKILL.md. No reference files, no scripts.