在将近一年前开始从事 Gen-AI 大模型项目时，我经常回顾开发过程。起初，我借鉴了双棱形模型，但很快意识到这并不理想，肯定需要一定程度的修改。

双菱形模型由英国设计委员会在2005年提出，并源自我们历史上截然不同的时代——当设计思维和数字范式刚刚开始。随着技术的快速发展，尤其是人工智能的发展，在近年来导致交互范式发生了重大转变(参考AI: First New UI Paradigm in 60 Years，

https://www.nngroup.com/articles/ai-paradigm/ )，迫切需要重新思考设计过程和人机交互方式。

第一部分: 重新评估的必要性

如果您之前已经在做GenAI产品/功能，或者刚刚开始做，您可能会发现采用逆向工程方法是有益的。这种方法涉及检查当前技术能够实现什么，并找出如何利用它来实现用户目标。

现在，如果您已经把双棱形作为一个具体的基准点，您可能会失望，就像我在各个方向上摸索时一样。虽然过程旨在指导进展，但一个不切实际的过程可能会导致一定程度的挫折，因为其他利益相关者没有朝着那个方向同行。让我们简要地检查一下双棱形和它在人工智能相关问题解决中所带来的挑战。

Double Diamond 双棱形方法

• 过于关注可取性：第一棱形的左侧主要关于理解人类需求（可取性），往往以评估人工智能解决方案的可行性和可维持性为代价。这可能导致花费时间探索以人为中心的问题，而忽视了对其实际人工智能解决方案的评估。

• 针对确定性系统的设计：确定性系统可可预测地执行设定的任务，而概率性系统以不确定的结果动态响应输入。双棱形主要适用于确定性系统，难以适应人工智能开发的概率性和迭代性质。这导致双棱形的线性进展与人工智能开发的迭代性质不匹配(更多阅读“用户体验的新时代”https://www.intercom.com/blog/design-ux-machine-learning-ai/#)。

  
  

  

• 忽视现实世界约束：在工业领域，利益相关者预先确定了一些结果，如设计一个人工智能聊天机器人，并不罕见。这种方法与双棱形模型的优先考虑用户需求的原则相矛盾。然而，有时在这些约束下工作是必要的。（Talk by Andy Budd — Design’s Mid-Life Crisis

  https://www.youtube.com/watch?v=KnJH6fyf-ek&list=LL&index=1&ab_channel=FBTB）

  

不过，我们必须明白设计本质上是一种混乱的活动，没有任何过程是完美的。双棱形的优势在于它提供了一个有结构的方法来解决问题，帮助团队应对现代产品开发的复杂性。因此，我们将以双棱形作为我们过程的基础，并对其进行调整，使其更具可行性，以适应Gen-AI过程。

第二部分: 建议的Gen-AI 设计流程

让我们简要审视以上列出的每个步骤：

• 定义：此初步阶段致力于确定产品的核心领域、优先考虑基于人工智能的机遇、确定数据来源，并明确旨在解决的用户问题和目标*

• 开发：随后的阶段涉及多样的数据集收集、设计提示的创建、概念的原型制作以及初步人工智能解决方案的部署——这对于发现真实数据和交互模式至关重要。

• 完善：棱形模型的扩展阶段通过评估人工智能性能、执行用户研究活动和迭代改进设计进一步拓宽了用例。

*如前所述，重要的是要承认，在某些情况下，利益相关者可能已经在这个阶段有一个高层次的预期结果。尽管如此，关键是不要忽视你要解决的核心用户问题的定义以及成功标准可能会是什么样子。

关键考虑事项：

A. 重点放在以人工智能为驱动的机会上：有必要澄清，省略“探索阶段”并不意味着忽视探索活动。相反，用户研究和探索比以往更为重要，以实现真正的价值。然而，探索不应被限制在线性的进展中，而应成为贯穿各个阶段的迭代过程。（相关书籍阅读：《持续的探索习惯》 Continuous Discovery Habits，https://www.amazon.de/-/en/Continuous-Discovery-Habits-Discover-Products/dp/1736633309）

B. 细化阶段的整合：这个阶段专门介绍了AI产品的概率性质，强调了对持续评估和改进的需求。一旦对数据输出有信心，工作重点可以转向扩大解决方案的规模，并将其扩展到已确定核心领域内的更多用例。

C. 承认数据的关键作用：设计决策将受到数据性质和模型反应的深刻影响。至关重要的是，在每个阶段积极参与，以塑造最佳体验。

第三部分：深入了解新的Gen-AI流程

让我们详细探讨每个流程，以更好地开始：

第一阶段：定义

这个阶段的关键步骤可能包括：

• 确定需要用GenAI解决的产品核心用例，重点关注需要解决的挑战。

• 探索与人工智能相关的机会，然后根据其潜在影响和实施数量的需求进行优先排序。

• 确定和验证数据源，以确保其可靠性和响应质量。

• 制定问题陈述，借助通过这些活动获得的洞察力，并根据需要进行进一步的发现工作。

“在Gen-AI中定义UX是一种平衡的艺术。从技术可以实现的角度倒推，花费相当多的时间了解用户需求，确保技术为人类服务，而非相反。”

重要提示：

1. 熟悉人工智能和LLMs基础知识：在这里，您应该熟悉人工智能的基本原理以及大型语言模型（LLMs）的工作原理，包括它们固有的局限性，例如生成不正确信息的潜力，即所谓的“幻觉”，以及有偏见的训练数据对其影响（AI for UX: Getting Started

https://www.nngroup.com/articles/ai-ux-getting-started/）。

认识到这些局限性对于评估可行性和有效地优先考虑想法至关重要。生成AI的显著用例包括内容创作、摘要、知识发现和自动化。

2. 针对核心用户需求进行创新：除非AI解决方案能够帮助用户实现他们所期望的结果，否则它将毫无用处。始终将焦点放在用户的基本需求上，因为即使在技术不断发展的过程中，这些需求仍然保持不变。利用“工作为了完成”等框架可以帮助监测用户在整个过程中的需求（jobs to be done framework - https://jobs-to-be-done.com/jobs-to-be-done-a-framework-for-customer-needs-c883cbf61c90）。正如俗话所说：“人们不想买一个四分之一英寸的钻头，他们想要一个四分之一英寸的孔。” —— 理查德·莱维特

3. 在整个过程中充分利用数据：数据在生成式AI项目中扮演着重要的角色，它对结果的方向和质量有着显著的影响。“垃圾进，垃圾出”的原则强调了高质量数据的重要性，这些数据应该准确、完整、一致、新鲜和独特。通过评估项目可用数据的质量和相关性，确保进行明智的设计决策。（谷歌：People+AI Guidebook

https://pair.withgoogle.com/guidebook/chapters）

第二阶段：开发

这个阶段的关键步骤可能包括：

• 通过探索潜在数据集、建立工作流程和创建样式指南来平衡数据和用户需求。

• 定义提示和响应类型，以匹配所需的语气和结果的声音。

• 对于与创造和发现相关的AI特性，在复杂性来自于不可预测的用户查询的情况下，考虑开发提示建议，以便更容易地表达用户的意思。

• 启动初始的AI解决方案，以实时了解输入和输出，验证响应以解决未解决的问题，并确定意外的结果，同时专注于最终的解决方案。正如一句谚语所说：“设计任何东西都要考虑它在更大的上下文中的位置——椅子在房间里，房间在房子里，房子在环境中，环境在城市规划中”——埃罗·萨里宁。

"在设计Gen-AI时，请记住完美是一个动态的目标。尽早发布您的MVP，以理解实际世界数据，确保输出功能正确，观察用户反应，并完善您前进的道路。

重要提示：

• 共同设计提示词：与团队共同合作，引导生成式人工智能的响应，同时解决潜在的挑战。在整个过程中，要让文案团队参与其中，丰富用户体验，确保其个性化而不过于机械。（谷歌：生成式人工智能提示样本https://cloud.google.com/vertex-ai/docs/generative-ai/learn/prompt-samples#summarization）

• 计划协同学习Co-learning：引入反馈循环以进行持续改进，类似于Bard和ChatGPT，用户在每次交互后提出建议，有助于模型的演进。主动告知用户可能出现的错误，并提供清晰的替代方案。（谷歌：人与人工智能指南）

• 分阶段引入：由于Gen-AI相对较新，因此重要的是向用户介绍其能力、限制、潜在的变化、改进方法以及结果背后的逻辑。无论系统有多么强大，都可能出现错误。帮助用户从失败中恢复有助于建立信任，即使回应是有缺陷的。

第三阶段：优化

这个阶段的关键步骤可能包括：

• 协助进行人工评估，审查和管理生成的内容，并将其引导到符合道德和社会责任的方向。

• 分析用户互动，进行广泛的用户研究，以确定改进的方向。

• 发现新机会，将应用范围扩大到同一领域的更多用例。

“一旦在初步测试和调优中对数据质量感到自信，通过用户研究和数据分析，尝试优化解决方案并探索在相同领域内的其他用例。”

主要信息：

1. 进行定量和定性研究：与其他项目类似，您应该执行定性和定量研究方法，如A/B测试，以了解对主要关键绩效指标的潜在影响，以及用户可用性测试，提供定性洞察力来理解用户的推理。（产品设计师的三个基本研究技巧 https://uxplanet.org/3-essential-research-tips-for-product-designers-732cc4cc5062）。

2. 监测数据以提升参与度：如果您注意到很多用户在初始交互之后就离开了，数据可能是主要问题之一。密切关注生成的错误的假正和假负，并注意潜在的意外后果：除了产生错误的结果外，可能会出现诸如重复和翻译错误的问题。（谷歌：People + AI Guidebook）

3. 负责任地扩展至新的用例：在增加了自信心后，考虑利用收集到的数据扩展到其他媒介以解决不同的用户问题。在设计过程中考虑到通过人工评估发现的道德问题，以确保避免偏见、尊重隐私并防止伤害。

总结

通过本文，我想为大家展示一下我在开发GenAI功能方面的方法。虽然没有适用于所有人的万能解决方案，但我希望这篇文章能在你的Gen AI之旅中以某种方式对你有所帮助。同时，尽情享受探索这个未开拓领域的过程。