WHY｜为什么是 Hybrid UI
随着人工智能（AI）技术的快速发展，人与 AI 配合的工作方式变得更加多样化，从简单的数据处理到复杂的决策制定。伴随这种协作方式的拓展，用户交互行为也发生了深刻变化，包括交互的频率、方式、内容以及对结果的预期和处理等。AI 不仅带来了强大的工具功能，也提高了用户对智能体验的期望。
[外链图片转存中…(img-4SA7JGwH-1733747215460)]
在 AI 时代，用户行为从以执行行为（DO）为主，转变为用户通过 AI 提供意图信息（Chat），让 AI 执行任务，同时感知 AI 的过程和结果，并辅助决策。这种转变要求设计师在传统 GUI 和新型自然语言对话方式之间找到平衡，兼顾用户的对话式和操作式体验。
混合用户界面（Hybrid UI） 探索 AI 对话式界面和 GUI 操作界面的融合。通过不同的关键 UI 元素，Hybrid UI 解决用户 Chat 和 Do 的意图表达需求。
基于业务实践，我们归纳出三类界面模式，设计师可以根据产品需求选择合适的模式：
-
Do 为主： 以界面操作为主，偶尔唤起 AI 快捷指令。例如 Quick Bar、固定指令式、内嵌生成式等。
-
Do + Chat 均衡： 自然语言与界面操作均衡配合。例如双区联动交互、交互式操作气泡等。
-
Chat 为主： 以自然语言为主，几乎没有界面操作。例如侧边式 Copilot、独立 Web Bot 等。
-
唤醒阶段： 让用户了解 AI 的能力与用法。设计目标是吸引用户，帮助首次接触的用户快速理解 AI 的功能和预期。相关资产：欢迎&提示。
-
表达阶段： 引导用户向 AI 准确表达意图。设计目标是让用户快捷、准确表达意图，并清晰查看发送内容。相关资产：用户输入、用户发送。
-
确认阶段： 让用户感知任务的 AI 执行过程。设计目标是清晰传递任务状态。相关资产：生成过程。
-
反馈阶段： 用户核查并应用 AI 的结果。设计目标是让用户清晰看到并信任 AI 的任务结果，并快速应用生成内容。相关资产：结果展示、结果应用。
唤醒｜AI 标识方案
回到 Google 的 Gemini 采用☆星星作为 Logo，其实把☆星星和🪄 魔棒当做 AI 功能的图标，已经在国外产品中是一种共识了。一致的图像设计可提高用户对 AI 的可预测性和信任度。随着 AI 应用场景的发展，标识的设计和使用也在演变。目前，四芒星闪光点是常见符号，代表 AI 功能，或用于区分 AI 生成的信息。
悬浮在页面侧边
AI 助手可悬浮在页面侧边，随时待命，为用户提供高效协助，是工作中的得力伙伴。
😋 跟随场景出现入口
某些 AI 助手会根据特定任务场景适时出现入口，帮助用户高效完成任务。
可触发智能工具栏 (Quick Bar)
编辑场景下，AI 助手可触发智能工具栏，为用户提供便捷的辅助工具，提升工作效率。
🤖 AI 原生应用
AI 应用原生的标识设计，可以提升用户的功能认知和交互效率。
📌 固定在产品底部导航栏
移动端 AI 入口常固定在产品的底部导航栏，确保用户随时能快速进入 AI 功能模块。
🍃 悬浮在产品侧边
移动端中的 AI 入口以悬浮形式出现在侧边，不占用过多空间，又能及时提供服务。例如在地图类产品中，用户可随时唤醒 AI。
😋 跟随场景出现入口
在特定任务场景中，AI 入口贴心适时地出现，助力用户完成任务。
👋 可触发智能工具栏 (Quick Bar)
移动端编辑场景中，AI 助手可触发 Quick Bar，为编辑任务提供智能化支持。
唤醒｜欢迎提示
当用户首次接触 AI 产品时，欢迎提示组件可迅速帮助他们了解 AI 的能力和用法，从而降低学习成本，提升初始体验。
欢迎 & 提示组件适用于唤醒 AI 阶段，目标是让用户快速理解 AI 能实现的功能范围及意图预期：
-
清晰传达 AI 的功能和能力： 帮助用户快速认知并掌握 AI 的使用方法。
-
降低用户学习成本： 精心设计的提示与推荐内容使用户快速上手。
-
提供温馨体验： 用视觉吸引力与直观设计提升用户满意度和忠诚度。
通过生动的文案和直观的介绍，欢迎组件帮助用户了解 AI 产品，减少学习困惑。其设计注重吸引注意力，为用户打造便捷、温馨的初始体验。
注： 欢迎组件通常搭载推荐组件，可适用于不同场景。
提示组件通过用户行为、偏好和历史数据，精准推荐内容与服务：
-
个性化推荐： 提高用户发现有价值内容的效率。
-
持续优化： 随着用户数据的积累动态调整推荐，满足用户的变化需求。
示意 1：简洁清晰的欢迎介绍与问题推荐
- 特点： 简单直接的文案和设计，帮助用户快速理解。
示意 2：主标题和辅助解释
- 特点： 突出推荐功能，辅助文案可自定义。
示意 3：去除背景，突出推荐功能
- 特点： 推荐功能细化描述，帮助用户更深入理解。
示意 4：加入品牌形象，分组推荐功能
- 特点： 分组信息展示，信息层次清晰。
示意 5：精心设计的视觉效果与文案
- 特点： 通过视觉吸引与引导文案，增强用户兴趣。
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。