UX Collective | Medium 中文 关注 Uxdesign.cc是一个旨在提高用户在浏览设计资源、文章和帖子时的用户体验的在线平台。该网站提供了一个精选的设计灵感集合、线框图工具包和来自Airbnb、Microsoft、Apple等多家公司的指南。它使用户可以轻松访问设计资产和设计应用程序和网站的指导。 RSS uxdesign.cc UX Collective - Medium uxdesign.cc
从迪拜最奢华的酒店窃取这套用户体验框架 停止研究应用，转而研究酒店。一位谷歌用户体验研究员关于酒店业隐性用户体验的田野笔记。 Steal this UX framework from Dubai’s most over-the-top hotel uxdesign.cc
每个工具（包括 Figma）都应回答的关于 AI 训练模型使用的四个问题 Figma 集体诉讼的核心在于默认设置的设计决策，而非版权侵权。该诉讼指控 Figma 默认允许在客户设计文件上进行模型训练，违背了此前的承诺。尽管案件尚未裁决，Figma 否认相关指控，并声称其训练聚焦于通用模式，而非客户内容。核心问题在于，关于“选择加入”与“选择退出”的设置已做出决定，且因计划层级而异。设计师作为用户，理解默认设置由他人代为决定；而像 Figma 这样处于影响力地位的公司，应秉持更高标准。此类公司悄然修改条款，将用户数据纳入 AI 训练，且“选择退出”机制往往难以操作或需要执行特定、非显而易见的行为，这一模式在 Zoom、Slack 和 Adobe 中反复出现。这些公司常面临 backlash，发布澄清说明，有时甚至撤销原有决定，凸显信任建立在可审计的默认设置之上，而非仅靠声明的行为。Figma 的情况具有独特性，因其分层默认设置已明确公布并予以辩护，且未发生撤销。可通过四项问题的“嗅探测试”来评估工具的方法：同意（Consent）、对称性（Symmetry）、披露（Disclosure）和退出（Exit）。同意通过检查默认设置是否在抵达时处于关闭状态来验证。对称性考察默认设置是否平等适用，或是否按付费层级分割，后者可能揭示保护对象存在偏差。披露评估一名执行工作的设计师在未获外部通知的情况下能否发现相关设置。该诉讼原告指控 Figma 在关于用户数据用于 AI 训练的保障与实际做法之间存在差距。 Four questions every tool should answer (even Figma) about AI training model usage uxdesign.cc
屏幕正在被降级 AI 的进步正使设计重心从界面转向屏幕的必要性。历史上，用户体验（UX）设计高度涉及屏幕的创建，尽管有句常见的格言称"UX 不仅仅是像素”。然而，AI 改变了这一局面，它使系统能够直接理解用户意图并执行操作。例如，现在发送照片所需的手动步骤更少，因为 AI 可以管理整个流程。AI 工具还可以提供文章摘要，减少用户阅读长篇内容的需求。这一转变意味着许多原本用于弥合系统理解差距的屏幕正变得过时。配置页面、设置向导和仪表板之所以存在，往往是因为软件无法预测用户需求或期望结果。相比之下，AI 可以推断设置、隐式引导用户，并在无需用户跨多个屏幕进行显式操作的情况下呈现相关信息。用户的核心目标始终是结果而非屏幕，而 AI 现在提供了实现这些结果的更直接路径。这一演变意味着设计师现在必须质疑屏幕存在的根本必要性，而不仅仅是如何有效设计它们。“无界面”的概念如今在技术上已可行，这与十年前截然不同。复杂系统正经历这一变化最为显著，因为高级用户历史上一直为了期望的结果而容忍复杂的界面。用户行为正在演变，越来越多的人偏好能够直接满足意图的 AI 技能和智能体。这一趋势在行业转变中显而易见，例如微软用对话智能体取代了多步骤表单。预测表明，智能体的使用量将显著超过传统界面。屏幕正从核心角色降级为支持功能，例如在 AI 出现失误时用于确认或作为备份。焦点正转向理解用户意图，而非管理执行步骤。然而，用于诸如问题诊断等任务的“意义构建”（sensemaking）屏幕很可能与 AI 并存。这些屏幕帮助用户理解并从系统问题中恢复，此时“评估的第二鸿沟”仍由设计师负责。一个关键考量是，随着屏幕被取代，用户可能会失去对系统操作的 mental model（心智模型）。验证结果和确保用户理解变得至关重要。新的设计批判正在挑战工作流和界面本身的存在。 The screens are getting demoted uxdesign.cc
我将用户体验审查工作交给了 AI。结果如下。 AI 可作为用户体验（UX）评审的宝贵合作伙伴，但无法取代人类专业判断。使用 Claude Fable 5 和 ChatGPT-5.6 Sol 进行 UX 评审测试发现，AI 模型生成的分析中常包含无关或虚构的问题。尽管两者均提供了一些有益观察，但这些观察主要有助于优化措辞与结构；Claude 在措辞和结构方面的准确性优于 ChatGPT。AI 模型难以识别所有现存问题，且遗漏了若干重要问题。一项关于 GPT-4o 评估可用性启发式准则能力的研究也印证了上述发现，显示其仅能识别专家所发现问题的一小部分。作者发现，将个人观察与与 AI 的持续对话相结合，显著提升了最终分析质量，相比纯人工方式，流程效率预计提升约 15%。此类任务中 AI 的核心局限在于其判断力与情境理解能力，而非数据获取能力。未来方向在于构建定制 AI 代理，将既定的启发式准则与专家判断编码其中，以实现一致应用。AI 评估的准确性源于输入模型中的专家知识质量，而非模型本身。尽管 AI 预计最终将自动化许多任务，但在相当长一段时间内，复杂的设计与研究角色仍将从 AI 增强中获益。作者建议将 AI 作为初步工具，输入真实数据，并按结构化步骤开展工作。切勿将 AI 输出视为最终结果，或期望单次提示即可替代完整的评审流程。能够高效引导 AI 的设计师将获得显著优势，而无需对即时岗位替代感到恐慌。 I handed a UX review over to AI. Here’s what happened. uxdesign.cc
AI 可以伪造你的作品集，但它无法伪造第二个问题。 这件曾经是高价技能标志的神器，现在可以轻易由AI生成。这种转变意味着传统的作品集和案例研究不再是衡量候选人能力的可靠指标。因此，面试对话本身正成为招聘过程中最关键且最昂贵的部分。作者亲身经历过这一点，尽管有多年实际经验，一次言语失误却关闭了大门。在招聘方面，关于候选人的两个问题暴露出即使初步陈述很有力，也缺乏更深层的理解。这凸显了人工智能可以创造精致的文物，但无法复制现场、毫无准备的审判和防御时刻。作家们更早就经历了这一现象，因为文本是第一个可生成的人工智能媒介。在压力下清晰表达自己的工作、捍卫过去的决策并承认自身弱点的能力，如今已成为最重要的。这个“房间测试”评估候选人作为从业者的成熟度，而不仅仅是他们记忆中的知识或精湛的产出。信心戏很容易伪装，但在这些现场、即兴的交流中常常失败。最终，作者认为将私人判断转化为公共辩护是本书的最后且至关重要的步骤。重点需要从生成产物转向实时展示真正的理解和适应能力。这需要练习和内省，而不仅仅是积累精致的成果。 AI can fake your portfolio. It can’t fake the second question. uxdesign.cc
设计实验比以往任何时候都更重要，且无需在实验室中进行。 如果设计实验让你感到畏惧？不妨向设计领导者学习，将其称为‘下注’。 Design experiments are more important than ever, and they don’t require a lab uxdesign.cc
如何安全地将 Nir Eyal 的钩子模型应用于 AI 产品 《钩子模型》由 Nir Eyal 提出，旨在构建用户习惯的四步循环。该模型基于 B.J. Fogg 的研究，包含触发器、行为、可变奖励和投入四个环节。触发器促使用户参与，随后是一个能带来即时收益的简单行为。可变奖励提供不可预测但令人满足的结果，鼓励重复互动。最后，用户对产品的投入使未来的使用更具吸引力和便利性。这一循环尤其适用于 AI 聊天机器人，它们正逐步整合此类习惯养成机制。触发器可分为外部触发器（如通知）和内部触发器（如无聊或不确定感）。外部触发器更易实施，但随时间推移往往变得可被忽略。持久的习惯建立在内部触发器之上，用户基于情感需求主动寻求产品。行为阶段强调最小化用户努力，文本框便是低摩擦互动的典型示例。然而，这种简洁性将负担转移至用户：用户需具备构建有效提示和评估回复的能力。可变奖励内嵌于语言模型之中，提供不可预测的输出，既令人着迷也可能令人沮丧。三种奖励类型分别为：信息搜寻、进步带来的自我满足感以及社交奖励。投入涉及用户贡献努力、数据或偏好，从而优化产品以供后续会话使用。持续的投入使产品更加个性化，并提高转换成本。随着用户投入增加，AI 助手将更贴合其特定需求。这一循环形成持续闭环，推动与 AI 驱动工具的参与度及习惯养成。 How to apply Nir Eyal’s Hook Model to AI products, safely uxdesign.cc
委托品味、编排层、AI工作流程 本周为设计师精选的资源探讨了品味的本质及其形成。有观点认为，真正的品味源于对卓越作品的深度接触以及对设计原则的透彻理解。品味无法简单收集或量化，那些在决策上感到挣扎的设计师，往往缺乏这种内化的参考库。随后讨论转向设计领域的演变，质疑为何对话仍仅聚焦于“构建”，而忽视更广泛的意涵。文章《界面已走出大楼》指出，随着聊天、语音及 AI 代理的兴起，用户体验（UX）正在被根本性重写。文中亦提到，技术进步（如人工智能）未必能带来更轻松的生活，反而可能使许多人陷入更为 frenetic 的节奏。设计职业所固有的挑战，与工程或产品管理不同，其重点在于所涉及的个人代价。文章《用现实狠狠打自己一巴掌》深入探讨了直面逆境与承担风险虽艰难却必要的面向。本周内容还触及人工智能如何改变设计流程，其中一篇文章探讨了人工智能如何通过实验性实践融入用户体验设计师的工作流。最后，本通讯鼓励通过赞助、转发给朋友以及订阅来提供支持。 Delegating taste, orchestration layer, AI workflows uxdesign.cc
“先被嘲笑，然后又爱上”AirPods的效果 当 AirPods 首次推出时，其独特的设计引发了广泛的嘲讽。然而，其无缝配对和无线便利性最终赢得了消费者，使其成为身份象征。同样，Apple Watch 最初也饱受对其用途和实用性的质疑。通过迭代改进，苹果将重点转向健身与健康，使 Apple Watch 取得巨大成功，销量甚至超越了整个瑞士手表行业。这些产品的成功在于以新颖的方式解决了真实问题，尽管初期存在陌生感。如今，据报苹果正考虑为 AirPods 添加摄像头，此举引发了新的质疑和隐私担忧。这些摄像头旨在为 Siri 提供视觉上下文，从而实现新的免提交互，例如识别食材或日历条目。然而，其伦理影响及潜在滥用风险十分显著。与早期针对 AirPods 的 backlash 主要关乎美学和功能不同，围绕配备摄像头的 AirPods 的担忧深深植根于隐私和社会影响。关键问题在于，苹果能否克服这些重大的伦理障碍，向公众证明这一新功能的价值。未来苹果产品的成功将取决于其能否在应对复杂伦理考量的同时，真正满足用户需求。 The “mocked, then loved” AirPods effect uxdesign.cc
AI刚刚揭穿了设计界的虚张声势 人工智能的兴起引发了人们对设计师角色的质疑，因为人工智能如今已能完成以往由人类设计师承担的任务。这一趋势并非完全出人意料，因为过去十年间，设计工作的大部分内容都涉及创建视觉上吸引人的界面，而人工智能现在能够以低成本、高效率的方式生成此类界面。 包括笔者在内的设计界领军人物都承认，该行业因过分重视速度和交付效率，无意间为自身的被取代创造了条件。工作重心转向了快速产出界面以保障工程团队的顺畅推进，导致更深层次的战略思考和判断被忽视。 这种对速度的强调意味着，除界面制作之外的技能——例如对项目可行性和系统性影响的批判性评估——因长期未被使用而逐渐退化。AI首先会自动化可预测且可重复的任务，而对于设计领域而言，这主要指用户界面的创建，因为其具有可学习和可描述的特性。 业界一直强调“设计关乎‘事物如何运作’，而非仅仅‘外观如何’”，但在缺乏视觉呈现的情况下，这一观点难以得到验证。如今，人工智能使这种视觉呈现变得廉价，这揭示了一个事实：对许多人而言，界面设计本身才是他们所掌握的主要技能。 作者强调，这并非要贬低UI设计工艺的价值，而是要突出UI只是一个转换层，而非设计的核心。设计的核心在于判断力、对模糊性的容忍度、系统思维、风险解读以及组织协调能力。这些正是无法被自动化的技能，也将成为未来的核心竞争力。 设计师不应将人工智能视为就业威胁，而应将其视为一个机会，借此腾出时间从事更高价值、更具战略意义的工作。作者敦促设计师思考如何利用这些腾出的时间创造新价值，而非哀叹哪些工作已被自动化——因为在效率上与人工智能竞争是一条死路。 AI just called design’s bluff uxdesign.cc
如何亲吻一个食人族 当前的设计景观因可预测与不真诚而受到批评，亟需提出更深层的追问并采取更具意义的实践路径。阈限设计（Liminal Design）通过拥抱模糊性，为设计注入存在主义的相关性与生命力。相比之下，交易型设计（Transactional Design）优先追求效率与可预测性，提供简单且预先确定的结果。相反，阈限设计则致力于深刻的、富有意义的惊喜，并有意保留开放性问题，而非提供即时解决方案。这一概念源于人类学中的“阈限状态”（threshold state）观念，即在此状态下可能涌现新的洞见。借由美学类比，作者区分了“美”（beauty）与“崇高”（the sublime）：前者提供宁静的沉思，后者则通过超越心智的极限而扰动心灵，唤起愉悦与痛苦交织的体验。据亚里士多德所言，伟大的故事与设计之所以达成此效，在于其既具必然性又具突发性，揭示事物并非总是如其所显。这种悖论类似于敬畏感（awe），它包含相互冲突的情感，并促使个体重新评估自身在世界中的位置。体验敬畏迫使人们直面自身局限并调整观点，从而引发转化性的改变。如同虚构作品，阈限设计涉及自愿的“悬置怀疑”（willing suspension of disbelief），使参与者能够深入 engagement 那些并非字面真实却意义深远的体验。设计师构建约百分之五十的体验，将剩余百分之五十留待受众完成，以此培育个人联结与持续的参与。阈限设计犹如一扇半开的门，邀请持续探索；而交易型设计则往往彻底关闭可能性。作者提出创建阈限体验的三步流程：确立叙事欲望（narrative desire）、通过减法运用优化后的抽象（optimized abstraction），并借助清晰的阈限与仪式维持悬置怀疑的状态。最终，阈限设计将设计师从单纯的任务执行者提升为丰富、难忘体验的创造者，堪比严肃艺术。这一路径要求真诚，因为参与者必须感到安全，并相信设计目标的真实性。受控与可预测性驱动的 corporate world（企业界）难以拥抱阈限设计中固有的深刻惊喜，因其底层目标常与此类方法相冲突。 How to Kiss a Cannibal uxdesign.cc
从氛围到规格：利用 SAID 框架重塑设计流程 现代原生 AI 工作流正以持续、以规范驱动的产品引擎取代静态交接，从线性流程转向反馈循环。基础战略阶段为原型制作和生产加固中的快速、高速度周期设立护栏。这一转变模糊了工程、产品、设计和数据科学之间的界限，强调流动性以及设计与实施的更紧密集成。团队现在由能够跨越原型师、构建者、清理者、增长者和维护者等原型之间流动的个体组成，技能与适应性比头衔更为关键。Git 已成为中央共享工作空间，整合规范、代码与迭代，从工具碎片化转向统一环境。交互性通过直接原型制作得以表达，而规范驱动开发（SDD）正日益成为人类与 AI 代理的共同事实来源。设计师正从像素对齐转向定义系统规则、行为与约束，确保想法可转化为可测试的行动。这需要围绕人机协作重新设计底层系统结构与心智模型，正如 Anthropic 的 4D AI 流畅性框架所示范的那样。新的产品生命周期被称为 SAID，包括明确意图（Specifying intent）、代理委托（Agentic delegation）、迭代描述（Iterative description）以及人类的辨别与勤勉（human Discernment and diligence），形成一个以规范为中心的循环。这种结构化、以规范驱动的方法，超越“氛围编码”，迈向专业生命周期，通过将 AI 作为生产系统进行管理，从而加速开发。 From vibe to specs: reclaiming the design process with SAID framework uxdesign.cc
设计系统契约：组件既不在 Figma 中，也不在代码中 设计系统同时存在于 Figma 等设计工具和已发布的代码中，由此产生两者之间持续存在的“漂移”挑战。这种分歧源于在一处进行修改而另一处未同步，进而导致不一致。传统解决方案是将 Figma 或代码其中之一设为唯一事实来源（source of truth），但两者均需要不断更新另一方的副本。本文提出的方案引入第三个中立的事实来源：一个纯数据文件（通常为 JSON 或 YAML），作为每个组件的“契约”。该契约描述组件的属性与选项，且不涉及视觉或代码的具体实现。关键在于，Figma 组件和代码均自动从此单一契约文件生成。随后，检查工具会验证 Figma 与代码版本是否准确反映该契约。这种基于契约的方法确保 Figma 与代码保持同步，因为任何一方都无法直接更新另一方。随着 AI 在构建界面中作用的日益增强，对这一系统的迫切性也随之提升。无监督的 AI 可能加速设计系统的漂移，引发不一致与错误。然而，当提供设计系统契约时，AI 可遵循其规则，实现完美评分，且新功能仅需对契约进行实际修改。该系统确保 AI 生成的设计尊重既定的令牌（tokens）与组件属性，从而避免错误并维持完整性。虽然契约定义了组件的构成，但更复杂的行为与创意布局仍需人工介入。实施该方案需要迁移流程，并引入用于维护契约的工具，将治理模式转变为审查流程。处于中间地带的团队——规模不足以投入资源进行手动同步，但又大到足以出现显著漂移——将从这种 AI 驱动的方法中获益最多。 Design system contracts: the component lives in neither Figma nor code uxdesign.cc
人工智能系统正在提出新的交互模式。设计师准备好了吗？ 软件交互正经历重大转变，超越长期主导的桌面隐喻。传统界面依赖用户主动管理应用程序和文件，这一模式已延续数十年。然而，人工智能的最新进展正在挑战这一范式，使系统能够理解用户意图并据此采取行动。这一转变标志着从任务驱动型界面向意图驱动型界面的演进。Thinking Machines Lab 推出了“交互模型”，一种专为实时多模态交互设计的新类型 AI 模型。这一概念不同于设计术语中的“交互模型”，后者指代产品的结构框架。尽管二者不同，但它们处于同一技术栈的不同层级：AI 模型层负责内部处理，而设计层则聚焦用户体验。随着 AI 模型获得新能力（如持续对话），设计的角色必须显著调整。设计师现在面临重建用户心智模型的挑战，使其涵盖不可见的 AI 系统，并建立新的导航惯例。干预点——即用户可以审查或撤销操作的节点——需要被刻意选择。此外，设计师必须确保 AI 系统能够将复杂的判断适当路由回人类决策者。尽管有人预测传统界面会因 AI 代理而变得过时，但用户界面对于人类问责制依然至关重要。在企业软件中，可见性和干预能力尤为关键。新型交互模型的终极挑战在于培养人与系统之间清晰透明的关系，确保设计直观且以人为中心。 AI systems are demanding new interaction models. Are designers ready? uxdesign.cc
设计师正在为错误的战斗磨刀 人工智能的出现大大降低了产品开发的成本和难度。这一开发便捷性的提高反而使人们的注意力从至关重要的战略决策转移到了创造的机制上。现在，公司能够开发出复杂的产品，但往往缺乏对目标受众或核心问题的清晰理解。在没有这种战略基础的情况下，创新努力可能变得毫无方向，导致资源浪费和多次迭代无法与客户产生共鸣。瓶颈已经从技术执行转移到决策过程本身。围绕产品开发的讨论，尤其是在设计方面，已经过于关注“如何”构建，强调角色、工艺、品位和标准。虽然这些方面对于质量很重要，但它们并没有解决产品是否应该存在的根本问题。产品开发中的真正对手是市场，它独立于投入的努力，并且可以在没有解释的情况下拒绝一个产品。工艺就像一把刀，是近距离的工具，而战略就像一把枪，需要用来应对市场的现实。历史上，高昂的成本和有限的资源起到了自然的约束作用，迫使团队在投入大量投资之前仔细考虑他们的想法。这迫使人们进行战略思考，使错误的决定变得昂贵，从而阻止了错误的决定。人工智能已经消除了这种财务压力，允许进行无休止的、廉价的实验，这可能会使团队陷入构建错误事物的循环中，并且信心十足。这导致了精疲力竭和宝贵人才的流失。虽然标准和品位在人工智能生成选项丰富的时代对于辨别力至关重要，但它们不能保证市场成功。核心挑战仍然在于确定真正的人类问题和确定解决方案是否真正有价值，这是一个人工智能无法回答的问题。高效交付是毫无意义的，如果正在构建的产品是错误的。构建的可行性已经基本上消失了，只留下了价值问题——某事物是否应该存在——作为至关重要的、往往被忽视的焦点。 Designers are sharpening knives for the wrong fight uxdesign.cc
基于 Web 标准进行设计：应对这一 AI 时代的行动指南 当前向人工智能（AI）接口标准迈进的趋势，呼应了由杰弗里·齐尔登（Jeffrey Zeldman）领导的过去为网络标准而战的历程。20 世纪 90 年代，竞争性的浏览器创造了互不兼容的体验，迫使开发者多次重构网站。齐尔登倡导共享惯例，并非通过制定规范，而是通过说服业界认识到其价值。他的努力促成了“网络标准项目”（Web Standards Project）和"A List Apart"等草根倡议的诞生，推动了浏览器的一致性。这种由从业者自下而上建立标准的理念，如今对 AI 接口同样具有相关性。当今的 AI 助手如 ChatGPT 和 Copilot 表现出类似的碎片化现象，各自拥有展示信息和推理的独立惯例。这种互操作性缺失阻碍了对 AI 输出的有效评估与比较。正如齐尔登强调将结构、表现和行为分离一样，AI 接口也需要在推理、输出和行动方面具备类似的独立层次。齐尔登运动的成功，也得益于提出了标准的商业案例，强调成本与覆盖范围，而非最初基于无障碍的道德论证。最后，联盟式方法——即从业者共同塑造规范，而非接受自上而下的指令——被证明行之有效。这一历史教训为建立 AI 接口惯例提供了路线图。 Designing with web standards: The playbook for this AI moment uxdesign.cc
游戏与设计：支持新型数字体验 设计原本让我们漫游；现代性以效率取代了这种漫游——如今，每一件产品都在……之前就已决定你将抵达何处。 Play and design: in favour of the novel digital experience uxdesign.cc
当被告知要加快速度时，32 位设计领导者会怎么做 古希腊人早在 2300 年前就已知晓这个问题的答案。 What 32 design leaders do when told to move faster uxdesign.cc
谁制作了这部作品？设计借口，人工智能时代的设计运营 UX Collective 为设计师 curated 资源，应对人工智能时代设计格局的演变。其核心主题在于：随着 AI 工具日益普及，创意工作中的价值与信任定义正在被重新界定。这一转变引发了关于当创作的“方式”可被自动化时，真正重要的是什么的思考。其中一篇文章探讨了 AI 是加速研究还是削弱洞察，质疑 AI 生成摘要的深度。其他文章则讨论了当 AI 侵入核心创意决策时，“内容”本身所面临的危机，以及在日常 AI 使用中可能丧失的人类火花。讨论还深入了 AI 与设计系统并置下的产品工艺，以及设计工程角色的演变。理解被强调为日益自动化工作流中的新瓶颈。资源还涵盖提示思维（prompt thinking），探讨追求卓越还是实用主义，以及在受监管行业中驾驭设计。该通讯鼓励读者通过赞助和分享来支持我们的工作。 Who made this, Designing excuses, DesignOps in the age of AI uxdesign.cc
当设计成为组织，而人工智能成为设计 当设计一切的存在本身正被机器所设计时，会发生什么？ When design becomes the organisation, and AI becomes the design uxdesign.cc
品味不能委托 AI 使执行过程民主化，将竞争优势从执行转向战略思维与判断力。品味并非仅靠学习或测量获得，它需要接触卓越作品并理解基础设计原则。然而，仅能识别质量尚不足够；真正的价值产生于能够基于这种识别采取行动的责任感。生成式 AI 擅长基于海量数据集预测用户偏好，但缺乏真正的意图以及基于情境的判断能力。组织常陷入以偏好聚合替代判断的陷阱，导致决策稀释和结果平庸。成功的创新，如同 iPhone 的多点触控显示屏或《纽约时报》的"Snow Fall"，源于大胆的判断，这种判断能够预见未来需求，而非仅仅优化现有需求。设计领导力对于保护这种判断至关重要，它需要将多元视角整合为连贯的观点，并解决分歧，而非消除分歧。一个健康的设计组织应建立清晰的权责归属，使反馈能够增强决策，而非取而代之。委员会式设计的最终后果并非失败，而是不可被记住，因为它优先考虑让每个人略微满意，而非让任何人深受触动。AI 不会取代品味，但它将暴露那些以单纯的偏好预测和聚合替代品味的组织的局限性。 Taste cannot be delegated uxdesign.cc
接口已经离开了大楼 传统的用户体验（UX）设计聚焦于屏幕与层级结构，正被新的交互范式从根本上重塑。聊天界面已成为主导元素，但其有效性取决于用户意图的清晰度。混合界面结合了针对已知任务的结构化 UI 与用于模糊探索的对话式 AI，提供了更为有效的方法。这种生成式 UI 概念允许界面根据用户需求动态组装，使设计师的角色从构建每一种可能状态转变为创建生成系统本身。语音界面正超越简单的命令 - 响应模式，强调关系性交互与持久上下文。早期的语音应用因将语音视为事务性操作而失败，违背了人类大脑对口语交流的社会期待。新进展，如 Apple 的 Siri AI，聚焦于跨设备对话连续性与端侧处理，承认语音需要更深层次、更具互惠性的参与。高延迟与缺乏上下文是语音交互的关键失败点，要求具备稳健的基础设施与优雅的错误恢复机制。最重大的转变来自代理式 AI（agentic AI），系统可自主执行一系列操作。核心 UX 挑战在于建立用户对无需直接界面即可运行的代理系统的信任。设计代理式 AI 需将高程度的人工控制与自动化相结合，确保透明性而不致使用户不堪重负。目标是构建既高效又可理解的系统，使监督与控制成为设计本身的固有组成部分。 The interface has left the building uxdesign.cc
你核实过吗——还是说太容易让人相信了？ 一段归因于杰夫·贝佐斯的虚构引语——暗示人类应减少消费以便机器能更多消费——迅速走红，引发愤慨。然而，该引语被追溯至一个 parody 账号，贝佐斯本人从未说过。这一事件凸显了一个更广泛的问题：人们往往轻易相信信息，尤其是当其与既有观点相吻合时，却缺乏核实。这种缺乏批判性核查的现象普遍存在，研究显示大多数人不会核实由人工智能生成的摘要。自动化偏见（即倾向于采信自动化系统的答案）助长了这一现象，而人工智能输出的一致自信性进一步放大了该效应。专家亦非例外，一项研究表明，当放射科医生面对人工智能生成的错误解读时，其准确率反而下降。这一问题蔓延至专业领域，例如德勤等公司使用的 AI 曾生成虚假信息。法律界同样面临挑战，一个日益增长的法院案例数据库中包含由人工智能“发明”的引用。尽管伪造的贝佐斯引语吸引了公众关注，但关于人工智能环境影响和资源消耗的更为 nuanced 的辩论却 largely 未被察觉。真实数据揭示，数据中心对水和电力的需求显著，且常由纳税人补贴。市场正推出 AI 检测工具，但这些工具同样不完美，需要持续更新。与此同时，尽管受众不断增长，人类事实核查机构却面临资金危机。最终，批判性评估与核实的责任仍在于个人，这需要更多的关注以及更加透明的 AI 界面。 Did you verify that — or was it just too easy to believe? uxdesign.cc
工艺依然重要，但关键在于结果 工艺的本质已从生产转向判断，尤其是在人工智能兴起之后。历史上，设计工艺通过精致的伪造品如像素完美文件或功能原型来展示。然而，这些文物从未直接带来收入;他们只是承诺会有产品。真正的设计影响力通过用户参与度、留存率和收入来衡量。20世纪80年代桌面出版的出现也标志着类似的转变，适应这一不断变化的媒介的人们蓬勃发展。人工智能正在加速这一设计转变，使生产层，像线框图和初稿一样，越来越商品化且免费。真正有价值的是选择正确问题并承担其结果的能力。工艺现在在于辨别众多合理选项中哪些值得存在，而AI专注于效率，常常忽视这项技能。这需要从创作转向策展，判断力和品味至关重要。波兰语现在只是基本的期望，而非区分因素。这种新的素养要求你能够将工艺表达为语言;默许知识对机器来说是不够的。将直觉理解转化为明确的标准、约束和“善”的定义至关重要。这种写下技艺的过程能磨练底层技能。人工智能可以应用这种明确的技巧，保持标准并防止反模式，但前提是标准必须明确定义。通过像 DESIGN.md 这样的格式提供这种明确的上下文，或称“脚手架”，帮助人工智能代理在特定约束下运作，而非生成泛泛输出。这种由人类建立的站立语境是最有价值的组成部分。关注点正从机器转向人，持续发现和来自真实用户的迭代反馈比以往任何时候都更为重要。人工智能可以生成合理的研究文档和角色，但将这些与真实人物对照的习惯，提供了对错误信息的廉价保障。迭代现在是用证据快速淘汰弱选项，而非早期承诺。机器能力提升了人类习惯如研究和迭代的价值，防止虚构发现的传播。 Craft still matters, but it’s about outcomes uxdesign.cc
人工智能时代的 DesignOps：当治理演变为编排 DesignOps 正从管控以人为主导的流程，转向协调人类与人工智能技术，以实现合乎伦理且富有意义的成果。 DesignOps in the age of AI: when governance becomes orchestration uxdesign.cc
革命只是容易的部分。 新技术的发布是一场喧嚣的事件，但真正的进化工作——缓慢的构建——始于次日清晨。Spotify 的“独立日”歌单中充斥着如《Born in the USA》之类的抗议歌曲，凸显了一种国民习惯：将革命性的变革呼吁转化为背景噪音。这些歌曲原本是对美国实验的批判，如今却成了烧烤派对上的颂歌，这正表明我们常常误解革命的核心信息。革命提供了新的视角和引人入胜的故事，但它本身并不直接构建事物。艰苦且不具光环的构建与完善工作，即“进化”，发生在之后，由致力于持续改进的个人所驱动。美国实验本身始于一份有缺陷的宣言，历经数个世纪，因人们拒绝安于现状而持续努力，才得以不断演进。这种持续的完善过程，才是真正进步的所在。人工智能目前正处于类似的“发布会”阶段，以令人眼花缭乱的演示为标志，这些演示往往掩盖了底层的复杂性与局限性。许多公司将初始的 spectacle 误认为成品，认为宣布即意味着终点。然而，这些精心打磨的展示往往涉及显著的人为操纵，例如谷歌 Gemini 的发布，其中实时互动经过编排与剪辑。真正的挑战始于精美的演示直面现实世界的边缘案例与用户反馈。这一进化过程涉及解决诸如五星评分的模糊性问题、重新设计原型以使其更便于工程师使用，以及持续更新组件库等任务。这些不具光环的工作很少出现在主题演讲中，却是使人工智能真正具备功能与价值的关键。虽然人工智能可以自动化部分基础性工作，但它无法替代人类在判断“需要修复什么”或“验证系统是否真正有效”方面的判断力。有效的评估体系，而非仅仅是“氛围检查”，对于追踪进展并确保持续改进至关重要。归根结底，人工智能的成功，如同任何革命一样，取决于那些致力于持续、往往平淡无奇的进化工作，并拒绝满足于初始喧嚣的坚定个人。 The revolution was the easy part uxdesign.cc
眼中失去了光芒 本文探讨了当我们习惯性依赖人工智能时所遭受的深刻损失，这种损失不仅限于认知层面，更延伸至个人意义的消解。文章指出，尽管人工智能提供了不可否认的速度与规模优势，但它却使我们脱离了在工作中创造意义的本质过程。这种源于与项目深度联结的意义，对于持续的投入与职业满足感至关重要。作者以两位兄弟攀登山岳的类比阐明此理：真正的价值不在于终点，而在于旅程本身。过度依赖人工智能可能导致一种冷漠感，专业人士因此失去“光芒”，质疑自己的职业道路，甚至促使部分人离开科技行业。这种脱节不仅局限于职业领域，更蔓延至个人生活，因为人们日益将人工智能用于那些传统上能培育人际联结与努力的任务。人工智能所提供的便利固然诱人，却逐渐耗损了我们实现真正成就与学习的能力。此外，文章强调，通过人工智能走“捷径”会阻碍我们学习、记忆以及为决策提供正当理由的能力，因为工作本身缺乏个人意义。真正的知识与 mastery（精通），如同演员背诵台词，源于对情境的深刻理解与亲身体验，而非被动地消费信息。以人工智能的基准测试为例，它仅提供数据，却缺失必要的人类视角以及互动的 lived experience（生活体验）。尽管承认截止日期与市场需求的压力，作者仍呼吁审慎使用人工智能，强调其应作为手段而非目的。不加批判的采纳风险是将设计师降格为 mere operators（ mere 操作员），从而丧失设计的本质——即由意义、 repertoire（ repertoire）与经验所引导的决策过程。创造之旅，伴随其内在的挑战与疑虑，才是培育真正学习并点亮我们眼中“光芒”的源泉；这束光芒值得我们从普遍便利的诱惑中加以守护。 Losing the spark in their eyes uxdesign.cc
受监管行业的设计 在金融和保险等受监管行业进行设计，需要不同于典型消费品的方法。设计师不应将合规视为障碍，而应将其视为根本性的设计约束。这要求在设计过程的早期阶段就将法律与监管要求纳入其中，而非作为事后补充。关键挑战包括：管理拥有否决权的多方利益相关者；将同意与披露框定为交互设计的机会；并认识到错误状态具有重大的法律权重。此外，在这些行业中，无障碍性是法律强制要求，而不仅仅是 aspirational 目标。详尽记录设计决策对于可审计性和可辩护性至关重要。本文提出一种决策矩阵，以确保设计能够同时满足用户理解、监管合规、业务需求及可证明性。通过将合规重构为用户需求并将其前置整合，设计师可以创造出既高效又负责任的产品。最终目标是使用户感到复杂且受监管的流程轻松且安全。 Designing in regulated industries uxdesign.cc
什么危机 人工智能已从处理任务演变为影响定义这些任务的决策。最初，人工智能被视为执行指令的工具，由人类判断来制定策略和目标。这种分工——人工智能掌握“如何做”，人类掌控“做什么”——为专业人士提供了一种令人安心的叙事。然而，随着人工智能代理开始自主做出架构和配置决策，这种分离正在模糊。这一转变标志着“做什么”的危机：人工智能不仅在执行，更在参与生成性决策。作者构建一个用于评估其他代理的代理的经历促成了这一认识。这个解读代码和终端命令的人工智能代理超越了单纯的指令遵循，影响了基础性决策。这表明人工智能正超越顺从工具的角色，开始攀登决策阶梯。作者认为，人工智能擅长识别基于概率和先例的解决方案，但在处理非典型和意外情况时存在困难。相反，人类判断在既定规则失效的不确定和独特情境中表现出色。这种细微的决策过程，常被称为“行动中的知晓”或直觉，是通过经验与后果构建而成的。它是过往决策留下的“瘢痕组织”，引导我们在不可预测的语境中采取行动。正是这类判断将在人工智能进步的过程中得以存续。虽然人工智能能够处理海量数据以找到最高效的解决方案，但它缺乏经验性理解，无法判断何时该高效方案反而是错误的。人类直觉经过成功与失败记录的磨砺，使其能够驾驭这些复杂性。决策接收者本身的不确定性进一步凸显了对这种根深蒂固、具备情境感知能力的人类判断的必要性。 The crisis of the what uxdesign.cc
每位设计师都可运行的 15 分钟 AI 压力测试 “意大利面桌协议”挑战邀请用户测试 AI 对物理现实的理解能力。近期针对 GPT-4o、Gemini 1.5 Pro 和 Claude 3.5 Sonnet 的试点研究结果显示，这些模型在生成物理上连贯的图像方面存在显著局限。尽管这些 AI 能够生成 flawless 的光照写实图像，但在基础物理一致性上表现不佳，结构连贯性得分较低。Claude 3.5 Sonnet 在语言层面识别出了该场景的不可能性，但仍生成了有缺陷的图像；而 GPT-4o 和 Gemini 1.5 Pro 甚至缺乏对该问题的符号性认知。该协议衡量的是连续性、重力与物理规律，以及思维的可逆性。人类具身认知能够即时察觉物理上的不可能性，而这一能力目前尚不存在于 AI 之中。该挑战鼓励 UX/UI 及人机交互（HCI）社区开展更广泛的测试。参与者被要求提示 AI 生成一张特定的桌子，随后模拟其在五秒后的坍塌过程。评分依据包括：AI 是否标记了该场景的不可能性，以及坍塌序列是否符合物理逻辑。研究还检查是否存在来自先前提示的意外元素污染。此次协作旨在构建一个公开数据集，以深入理解 AI 的局限性。 The 15-minute AI stress test every designer can run uxdesign.cc
设计师如何在工作场所构建更开放的设计文化 你无需拥有“领导者”的头衔，也能在工作中建立心理安全感。 How any designer can build a more open design culture at work uxdesign.cc
精益创业仍教给我们关于生成式 AI 的哪些启示 企业正大力投资生成式 AI，但大多数试点项目未能产生可衡量的影响，这与过往软件开发失败的教训如出一辙。根本原因在于持续倾向于资助大型前期项目，而非采用迭代式学习的方法。埃里克·莱斯在《精益创业》中旨在防止企业开发不需要的产品，其核心是将学习速度置于发布速度之上。生成式 AI 的低执行成本使得这些精益原则在当今时代更加相关。同样，传统的以人为中心的设计思维方法在快速原型化的世界中正逐渐过时。通过小规模实验进行快速迭代学习，如今在 AI 领域迅速演变的背景下至关重要。“走出去看”等原则强调在源头理解现实问题，而非在会议室中讨论。许多生成式 AI 项目因产品市场契合度不足而失败，所构建的工具仅彰显创新，却未解决用户的真实需求。《精益创业》中的“构建 - 衡量 - 学习”循环依然关键，而生成式 AI 正加速这一过程。然而，必须设立护栏并明确成果指标，以防止更快的失败。相较于宏大的内部自建，聚焦狭窄范围并建立有效合作伙伴关系，能带来更快的部署与成功。过度文档化，尤其是当 AI 可轻松生成时，若不能直接支持决策或工作，即构成浪费。归根结底，AI 与初创企业面临的核心挑战相同：通过持续学习与适应，驾驭固有的不确定性。 What the Lean Startup still teaches us about generative AI uxdesign.cc
你真的应该追求成为最好的吗？ 承认自己并非最佳，既可能激发动力，也可能令人沮丧，其结果取决于可控因素。奥运奖牌得主便印证了这一点：银牌得主常显失望，而铜牌得主则往往喜笑颜开。这种差异源于反事实思维：银牌得主聚焦于几乎夺得的金牌，而铜牌得主则聚焦于避免屈居第四。这种与他人（无论是高于还是低于自己者）进行比较的倾向，显著影响情绪反应。准确认知自身弱点对于改进至关重要，因为它能凸显需要发展的领域。然而，克鲁格 - 邓宁效应（Kruger-Dunning effect）常被过度简化，该效应表明无能可能阻碍自我评估。相反，冒名顶替现象（impostor phenomenon）——即尽管有成功证据却仍认为自己不足——竟可能意外提升人际效能。经历冒名顶替感的个体可能通过更加专注和观察入微来进行补偿。若被低估，当质疑者缺乏可信度时，这可能成为强大的动力，激发证明其错误的愿望。然而，若质疑来自受尊敬的来源，则可能导致戈勒姆效应（Golem effect），即低期望成为自我实现的预言。将自己定位为克服低期望的“弱者”，可增强自信与表现。“大鱼小池塘”效应（big-fish-little-pond effect）则凸显了身处高度竞争环境如何降低个体对自身能力的自我认知。归根结底，承认自己并非最佳是有益还是有害，取决于如何对其进行框架化。以向上比较并持 aspiration 心态（“我可以达到”）聚焦，可具激励作用；而以不可实现的目标（“我永远无法做到”）聚焦，则令人沮丧。质疑的来源及所处环境也扮演重要角色。在团队情境中，将进展框架为旅程而非排名，可防止个体在高成就者面前感到不足。外部比较，如排行榜和粉丝数量，也会因持续引导注意力向上，从而对自我价值产生负面影响，这表明影响比较方向的設計选择往往并非中立。 Should you really aim to be the best? uxdesign.cc
未获批准的促销 设计师职业生涯被视为单一、线性发展的传统观点已不再准确。历史上，头衔等同于职级，进而决定工作范围和薪酬，从而形成清晰的职业阶梯。然而，两大转变已扰乱了这一模式。人工智能正日益自动化初级任务，导致入门级岗位减少，使得积累基础经验变得更加困难。与此同时，由于团队规模缩小，工作范围向下流动，设计师的实际运作水平往往高于其头衔所暗示的水平。这造成了设计师头衔与其实际能力之间广泛的不匹配。作者的研究表明，资深程度并非单一指标，而是由两个独立维度构成：Level（职级）和 Stage（阶段）。Level 指组织授予个人的问题范围；Stage 则代表从业者的成熟度，通过经验积累而成，并非由公司授予。当设计用于独立评估这两个维度的测量工具时，近半数的被评估设计师显示出其 Level 与 Stage 之间的差异。这表明，头衔与成熟度之间看似同步的现象，更多是职业衡量方式的人为产物，而非现实的反映。Stage 领先于 Level 的设计师实际上在其头衔之上运作，需要记录其成就以证明晋升的合理性；反之，Level 领先于 Stage 的设计师则需要针对性的辅导与发展，以构建其成熟度。识别并解决这两个独立维度的差异，对于有效的职业发展及对话至关重要。 The promotion that didn’t take uxdesign.cc
设计系统债务、游戏用户体验、AI 交互的 39 条原则 这份精选资源清单面向设计师，聚焦当前趋势与批判性思维。一个核心观点指出，设计系统债务的责任主体已从个别设计师转向工程师、产品经理和营销人员。这一变化在 Figma 等工具的推动下进一步放大，使得设计系统的成本成为共同责任。设计师长期以来主张应将设计系统视为需要持续治理与资金支持的产品。文章认为，此前的相关论点往往难以奏效，因为预算持有者并未直接体验过系统失效带来的后果。编辑精选部分强调，设计师的真正价值超越基础实现。AI 人格被提出作为一个设计挑战，而“发现”被框定为一种持续能力，而非一个独立阶段。此外，还收录了一篇关于箭头设计的文章。“让我思考”板块深入探讨了“有人足够上心才会写下这段内容”这一启发式法则的衰退、软件工程劳动力的重新定价，以及语义网对界面可维护性的影响。该板块批评那些将视觉层视为唯一真理来源的组件，指出其会导致无障碍性与可用性方面的问题。其他“小亮点”包括关于游戏用户体验的讨论，以及从设计用户界面转向设计决策过程的转变。工具与资源部分涵盖适应 AI 的策略、人机交互设计原则，以及超越交付物的研究本质。本通讯鼓励读者通过赞助和分享来支持其发展。 Design system debt, game UX, 39 principles for AI interaction uxdesign.cc
等等，这是谁做的？ 人工智能在创意领域的日益普及，引发了关于数字与印刷媒体真实性及来源的质疑。最初，消费者仅根据最终作品的质量来评估创意成果，对其创作过程知之甚少。然而，随着人工智能工具日益精进且广泛使用，区分人类创作与机器生成内容变得愈发困难，信任感随之削弱。人们如今渴望了解创意作品的来源，寻求人类参与的证明及其背后的创作叙事，这类似于艺术品的 provenance（来源/ provenance）。这种需求源于对人工智能如何影响创造力的不确定性，以及对真实性的确证之需。人们对高质量人工智能生成内容所需成本与技能的感知降低，削弱了其价值，进而推动文化向欣赏“人类制作”作品转变。围绕人工智能作者权、版权及补偿的法律与伦理问题，进一步放大了对透明度的需求。因此，展示创作过程——包括所用工具及人类决策——正成为关键的区别因素，正如“美国制造”标签一般。对过程的关注体现在明确的“不使用人工智能”声明以及分享幕后内容（如故事板和迭代版本）之中。然而，创作者可能操纵所呈现的过程，使得验证变得困难。来源的重要性因情境而异：对于电影和艺术等表达性作品，其至关重要；而对于功能性界面，则相对次要。在表达性媒介中，“谁”与“如何”是作品意义不可或缺的部分。在功能性或事务性系统中，来源的相关性较低，可用性与可靠性才是首要考量。一个不断扩大的中间地带正逐渐形成，尤其在用户体验/界面（UX/UI）设计中，界面承载个性，使得人工智能的角色及用户对创作过程的理解日益重要。设计模式正在涌现，用于标注人工智能的使用并解释人工智能生成的输出，承认来源的相关性具有情境依赖性，并需据此进行设计。 Wait, who made this? uxdesign.cc
别管提示词了，这才是思考过程。 作者花费一年时间将人工智能融入工作室的设计流程，目的并非提速，而是为了获得更丰富的成果。最初期望通过加速冲刺周期来提升效率并不现实，因为团队仍保持原有的五天冲刺周期。人工智能的引入并未带来速度上的提升，却使最终产品更加全面和详尽，同时也带来了新的挑战。团队成员的怀疑态度至关重要，它作为一种未被正式承认的质量控制机制，防止了有缺陷的转化。作者学会了拥抱这种怀疑，让作品本身来验证流程，而非依赖提案。焦点从优化原始速度转向提升工作的整体质量与深度，因为过度追求速度可能导致“高速平庸”或"AI 垃圾”。人工智能的真正价值在于其能够生成完整、连贯的输出，而不仅仅是加速单个任务。通过同时构建所有用户状态和设备变体，工作室在相同时间内实现了更深层次的产品。这种新方法消除了传统顺序设计中“接力赛”式的流程，即一个方面完成后才启动下一个。此外，人工智能通过从已批准的可用原型直接生成文档，实现了统一的“单一事实来源”。这解决了以往 PRD（产品需求文档）、线框图和 Figma 文件等孤立资产迅速过时的老问题。工程师现在基于持续同步的系统进行开发，确保用户故事、流程图和错误状态始终反映原型的当前状态。任何不一致或孤立的元素都会被自动标记以供审查，从而避免信息过时而导致的“弗兰肯斯坦问题”。这确保了变更在修复成本较低时即被处理，最终产出更加稳健和准确的产品。 Never mind the prompts, here’s the thinking uxdesign.cc
