智能体正在从工具向伙伴进化，但当前的交互方式仍停留在老虎机式的问答循环。当模糊意图遇上狭窄输入框，我们被迫压缩真实需求，智能体则用大而全的通用答案应付。本文深度剖析了意图共建（Intent Co-construction）的交互革命——如何通过多模态洞察、隐喻化呈现和渐进式记忆，让AI真正成为能读懂弦外之音、激发深层思考的对话伙伴。

当我们把内心模糊的想法告诉智能体时，期待的是意料之内的标准答案，还是预期之外的惊喜？

随着智能体能力以惊人的速度在进化，我们对智能体“善解人意”的期望越来越高，但结果往往事与愿违。如果问题是模糊抽象的，通常也只能得到大而全的通用答案。于是我们陷入反复追问、修正的循环，伴随着大量的努力和挫败感之后勉强得到一个符合预期的结果。

这是人与智能体之间非常主流的交互方式之一，但这是我们想要的未来吗？

真正的共鸣往往潜藏在棋逢对手的对话之中。相比于你问我答就结束的方式，我们和伙伴留下深刻印象的交流，更多的时候不是要立刻得出答案，而是在一来一回的反问、确认和启发中，慢慢浮现出水面下真正的意图。

如果智能体要从“工具”跃升为“伙伴”，不妨重新想象一下，它仅仅是有问必答，还是能真正陪伴我们探索，激发我们思考，最终帮助我们发现和抵达自己真正内心深处的意图？

01 速度≠理解

意识朦胧的早晨，你刚刚给家人编辑好一段早上的问候，手指下意识地落到了“发送”按钮，轻轻一点，成功发送。这个再自然不过的动作，如果回到几十年前会怎么样？

你可能得先在屏幕上小心翼翼地敲击一行行代码，错一个字母或多一个空格，计算机就会用难懂的乱码“指责”你。

本质上这两种体验的差别，是在人类的模糊意图和计算机精确指令之间的“翻译”难题。早在上世纪80年代唐纳德·诺曼（Don Norman）就将这个难题具体化为了两道鸿沟：从我们脑中想法到机器指令有一道“执行的鸿沟”，从机器反馈到我们理解结果之间还有一道“评估的鸿沟”。

鸿沟越小，意图的传达和结果的理解就会变得更顺畅。从文本命令行（CLI）到图形用户界面（GUI），人机交互领域几十年来的努力都在大幅缩小这两道鸿沟。

“执行的鸿沟”和“评估的鸿沟”：用户与任何设备成功交互必须克服的两大挑战

集成了智能体的各个应用也在遵循这条路径。不断把执行的门槛降到最低，让我们更快给智能体传达自己想说的。但这种快，是否意味着我们的意图真的被清晰传达到了？

02 智能体在帮我们更好地探索吗？

“荷兰的首都是哪里？”

“荷兰的首都是阿姆斯特丹，但荷兰的政府机构、中央部门、议会和外国使馆都设在海牙…”

“生成一个计时器 Demo，要能直接使用。”

“好的，这个 Python 脚本实现了一个简单的倒计时器，用户可以输入秒数，然后程序会进行倒计时，并在结束时打印消息…”

的确，在做总结文章、文字翻译、初级数学计算这类意图清晰、目标明确、上下文需求低的任务时，智能体能准确且及时地提供答案。但如果面对现实生活中更复杂一点的任务，是不是还能保持这么高效呢？

无懈可击，但毫无用处

“帮我规划一次让全家人都能开心的日本旅行。”

“好的，为您规划一次让全家人都能享受的日本旅行，以下是一些建议，您可以根据实际情况进行调整。春季（3-5月）和秋季（9-11月）天气温和，是较适合亲子旅行的季节。根据家庭成员的假期来确定旅行天数。如果计划在多个城市间移动，可以考虑购买 Japan Rail Pass，但需根据具体行程计算是否划算…”

和智能体的交流似乎没有执行层面的鸿沟，你并没有在“怎么发送”的任务上遇到任何困难，智能体也能及时根据问题提供标准方案，但这对我们来说有多少价值？

父母想要悠闲地泡温泉，孩子渴望去环球影城，伴侣则期待更小众、独特的文化体验…每个人对于这趟旅行的期待都不一样，然而智能体给出的回答似乎没法这些诉求。但我们为什么在一开始没有把这些细节一起提供给智能体？

老虎机式的对话陷阱

当我们带着这些模糊的复杂问题求助于智能体时，99%的情况下都绕不开输入框，这是当前我们与AI或智能体最主流的交互方式之一。这种简洁高效的模式最初是 ChatGPT 希望让人们以最直接的方式，体验大语言模型所带来的革命性突破。

主流与 AI 的交互方式几乎都是以纯输入框为主体

然而，要把自己记忆中大家的期望偏好，全家的预算等等细节内容一下子都塞进这个细窄输入框，还要不停反复编辑修改…太累了。

“先不搞这么麻烦，删掉一些好了。”

大脑天生喜欢走捷径，为了快点说出自己的模糊想法，就会下意识地省略掉那些三言两语无法说清的背景、偏好和其他维度的细节，强行压缩成“让家人开心”这几个贫瘠的文字扔进输入框，将期望高度依赖于智能体的能力。

接下来像赌徒一样拉下控制杆，祈祷碰上一个猜中心思的好结果。智能体为了在少得可怜的上下文里提高“中奖率”，只能炫技式地调用各种工具，输出大而全的通用答案。

结果我们并没有得到有助于启发思考的向导，而是一堆未经消化的倾泻式信息。这种互动方式变得越来越像老虎机一样，充满了各种不确定的结果。这在无形中不断加重我们的认知负担，让我们离探索真正的问题越来越远。

即使智能体的能力已经进化到可以处理高维、模糊、充满探索性的任务，和智能体交流的方式，仍然是我们自己都不擅长用来表达复杂思想的低维通道。

“当参与者要求 ChatGPT 生成一条社交媒体帖子时， ChatGPT 的输出太长了。她不得不要求它缩短长度。她说：‘通常它根本不听我的，还是太长，所以我一直说缩短那个缩短那个，直到缩减到 280 个字符。’ ”

—— 来源：《早期生成式人工智能用户行为》

别再猜了，先想想真正的问题

我们现在回头来看最初的想法，如果要真正规划一次让家人都开心的旅行，如果不问智能体，我们通常会怎么做？也许是对自己不知道的事情反复思考、查询、假设等等一系列探索性的行为，希望在大家不同的需求之间规划出都能接受的旅行方案。

没有清晰的指令，没有明确的执行，模糊又混乱的挑战才是我们的日常。无论是安排一次家庭旅行，还是启动一个新的工作项目，我们最常面对的棘手问题往往是如何从模糊的冲动，转变为明确有价值的目标。

所以我们应该怎么做，才让智能体帮我们更好地探索那些模糊又脆弱的冲动，建立更连贯自然的交流，而不是一次次地反复猜谜？

“不要容忍随意和偶然。设计的逻辑性和精确性，最终都是表达对用户的尊重。”

—— 迪特·拉姆斯

03 像伙伴一样：意图共建式交互

“这盆花是不是要换个位置摆好看点？”

“怎么了，为什么突然想换个位置？我以为你挺喜欢现在这样的。”

“也不是不喜欢…最近总觉得看哪里都不太顺眼，想给自己换个心情。”

…

我们和自己的朋友、恋人、家人等等交流探讨话题时，并不会期待对方立刻给出一个标准答案，而往往会从一个模糊的初始意图或者冲动开始。

对方可能会顺着你的话说：“那我们试试窗边？阳光好可能长得更茂盛。”也可能更深一层探寻我们背后的动机：“最近是不是有点累？我感觉你想换的不是花的位置，是想给生活找点新的感觉。”

人和人的交流是一个动态、充满探索的过程。这个过程不仅仅是简单的信息传递，而是两个人一起把模糊的想法，通过你一言我一语的互动，共同发现、打磨、甚至塑造出了最初没想到的新大陆。

这是一种意图共建（Intent Co-construction）的过程。

随着人与智能体的关系从“工具”向“伙伴”演进，我们向智能体倾诉越来越多模糊的意图。为了应对这种需求趋势的转变，我们应该如何借鉴伙伴之间交流的模式，设计人与智能体之间深度连接和共建意图的交互方式？

Anthropic 的官方介绍：遇见 Claude，你的思考伙伴

洞察言外之意的多模态

一个阳光正好的周末，开着车窗，车里放着喜欢的歌手专辑，驶向一直想去的新公园玩。

我们在车上跟语音助手说想去的地方，助手迅速在屏幕上列出三条路线，用不同颜色标注了时间和拥堵情况，还贴心地推荐了从算法上看最快到达的那一条。

但当我们下意识选择这条路开到一半后，发现不太对劲。

尽管物理上来说是最短的距离，但是这条路线需要频繁变道，路窄得刚好只能通过一辆车，两旁是随时可能打开的车门和突然窜出的小孩。我们的精神一直高度紧张，握着方向盘的手心开始出汗，开的时候还在不断抱怨路窄人多，最后差点撞上了前面的电单车。

但是导航仍然不为所动，坚持最开始选择的那条路线。

的确，现在我们能通过多模态的方式更明确传递指令给智能助手。但是当没办法一次性表达完整时，产生的也是通用解决方案。

“如果用户一直觉得这条线路太复杂难走，要不要换成距离比较长但是更好走的选择？”

“他一直在骂脏话，而且检测到经常急刹急停，是不是因为道路的复杂程度是用户难以驾驭的?”

…

真正的挑战在于，不仅仅要关注用户在说什么，还要结合用户是怎么说的，主动关注周围各个环境的变化，动态洞察。打字时的一气呵成还是频繁删改？圈出数据点时果断还是犹豫…这些下意识信号往往代表我们最真实的想法。

Hume AI（2025）基于语音或图像等多模态分析识别对方情绪，给出深思熟虑的回答

我们需要的智能体，不单单是同时处理文本、语音、图像、视频、手势等多种信息通道的能力，而是一个在确保隐私的前提下，能从多模态信号的不匹配中，敏锐持续解读出我们弦外之音的伙伴。

“要设计最佳用户体验，关注用户的行为，而不是他们的言论。用户的自我陈述不可靠，用户对未来行为的猜测也不可靠。用户并不知道自己想要什么。”

—— 雅各布·尼尔森

现在我们不妨再往前想一步。假设通过多模态的捕捉，智能体已经完全理解了我们的真实意图。但如果它只是将一个看似完美的答案像数据报告一样丢给我们，这种方式是不是真的利于我们吸收？

信息是流动的“过程”

现在我们试着倒带，重新去一次新公园那段路。这次的导航助手从智能体换成了坐在副驾，活生生的朋友。开到一半的时候，我们又遇到了那条算法的推荐路线，看着窄小的巷子下意识紧张了起来，朋友立刻就察觉到了，全程带着我们路过各种挑战：

“这条路很难走，我带你走另一条。”

“过了前面那个咖啡店右转。”

“我们快到了，路边开始有拿着野餐垫的人了。”

…

整个过程很顺利，但是我们发现，其实朋友提供的信息并不一定比语音助手多，但朋友能及时根据不同的场景，通过让我们理解的方式提供当下最需要的关键信息。

同样，智能体输出的信息维度多种多样，文本也绝不是唯一的承载方式。我们试着回想最近一次印象深刻的对话，它之所以难忘，也许是因为像词典一样的庞大信息量。但更多时候是因为我们被讲述方式所吸引，让我们脑子里“有画面”了，这种感觉其实就是一种隐喻。

“好的隐喻不是解释，而是创造新的理解，启发我们与观点互动的方式。”

—— 来源：《The secret of good metaphors》

文件看起来像纸张，文件目录看起来像文件夹，计算器、记事本、闹钟…早在上世纪，个人计算机就基于人们熟悉的物理元素，通过图形隐喻的方式把陌生又复杂的命令行巧妙地融入了日常生活。

Apple Lisa II 截屏（1984）桌面上的图标，菜单栏，图形面板等大幅降低了个人计算机的操作门槛

隐喻的目的在于恰当地唤醒人过往的经验，与另一个看似无关的事物巧妙联结，帮助理解。那它和智能体的输出有什么关系？

可以试想一下，通常当我们想通过智能体深入了解一个疑惑的时候会怎么做。也许是直接询问，也许是让智能体搜索整合各个来源的行业报告或者论文，或者我们事先网罗好一连串的资料给智能体帮我们提炼总结。

尽管智能体已经很努力了，但是我们每次点开结果看到满屏的文字，也会下意识感到不少理解的压力。

我们不知道智能体思考过程是怎么样的，不知道我想到的它想到没有，我们应该从哪里开始理解…我们真正需要的，不仅仅是一个结果，而是像好朋友在跟你娓娓道来他的想法一样，让信息变成共同探索答案的启发式过程。

秘塔 AI（2025）根据问题在画布中实时可视化智能体的全思考过程

但即使清楚了思考过程，最终答案还是非常晦涩怎么办？

我们面对各种资料和信息的时候，经常能在趋势信息中看到图表，形状和思维导图形成的流程，氛围音效和图像组成的故事…无论是什么样的交流，都会将不同维度的信息精心编排为约定俗成，容易理解的呈现方式，以更容易理解的方式传递意义。

Google NotebookLM（2025）将读取到的资料可以自主转换为图文并茂的视频讲解、播客讲解、思维导图等等各种易理解的方式解释，让学习从单向的接收变成了鲜活的共建

不过，当智能体通过精心编排的隐喻，将它的输出打磨得越是清晰美观、逻辑看起来毫无破绽时，越像一个无法被挑战的最终答案。

我们在和伙伴实际交流的时候，也是如此吗？

面对伙伴的观点，除了认可和赞同，我们的回应中还常常伴随着怀疑、否定，有时候甚至整个任务都会因为一次启发而完全改变。有意义的对话和交流，相比于句号，更重要的是逗号或问号。

在交流和记忆中“渐进式构建”

“这个周末我们去爬山吧，我想挑战一下自己。”

“可以啊！不过你上次爬到一半你就说膝盖不舒服了。还可以吗，要不一起找一个容易点的路线？”

“没事，我膝盖好了。”

“别逞强了…”

…

真正的伙伴记得你之前膝盖受过伤，记得你是路痴，记得你不擅长阅读文字…长期记忆能让你们之间的互动不用再从头开始，而是超越了简单的问答的默契，不需要复杂解释就能很准确猜到对方心思。

图左：Project Astra 实时记住“刚才的眼镜”等之前看到或听到的上下文

图右：Dia 浏览器的记忆功能，持续积累、学习浏览历史，真正懂你的品味

为了让智能体真正实现伙伴一样的共建意图，“持久记忆”这一关键能力必不可少：

“决定智能体成败的关键在于你赋予它的上下文的质量。大多数智能体失败不再是模型失败，而是上下文失败。”

—— 来源：《The New Skill in AI is Not Prompting, It’s Context Engineering》

但仅仅记住，好像还不够，我们需要活用这样的特性。正如一开始所说，探索不是为了马上得到答案，而在于能打磨清晰意图，提出更具洞察力的，真正的问题。

ChatGPT 学习与研究模式（2025）接到任务时，它的第一反应不是立刻给出答案，而是先反问用户，明确问题

每当一个个模糊的想法或问题涌上心头，我们希望智能体不仅仅是一个解答者，而是真正的思考伙伴：能够超越当前上下文，基于我们的偏好和记忆主动发起有意义的对话。与我们反复商榷，引导我们抽丝剥茧，最终在一个渐进的，共同构建的过程中，清晰勾勒出真正的意图。

04 意图共建的终点只是我们的起点

通过多模态完成更深刻的洞察，动态帮助了解信息的呈现，像朋友聊天一样有来有回的交流循环…与智能体的对话越深层和有意义，我们在探索中对问题的理解也会更深刻，意图更清晰。

但这里是终点吗？

电影《Her》中，Theodore 在与人工智能“Samantha”的无数次对话中被迫审视自己的情感、过去的失败婚姻，以及他对重新建立联系的渴望与恐惧。Samantha 在过程中不断展现好奇、学习，不断挑战 Theodore 固有的想法，让他更清晰地看清了自己，开始重新感受、面对生活。

电影《Her》截图（2013）

《Her》的世界离我们并不遥远，甚至这就是我们当下的写照。在智能体将作为长期伙伴陪伴着我们的未来，它的终点也许更像是促进我们成长的催化剂，而不是替代人类情感的工具：

意图共建式交互的最终价值，不仅是为了让我们更深刻地认识自己，更是像引擎一样，将深刻的自我认知，转化为在现实世界中成就自己的不竭动力。

当然，时代在变化，但是本质并没有改变。这也是人机交互的先驱们一直以来努力的目标：

“增强人类应对复杂且紧迫问题的能力。”

—— 道格拉斯·恩格巴特（鼠标发明者）

参考文献

• Johnson, Jeff. Designing with the mind in mind: simple guide to understanding user interface design guidelines. Morgan Kaufmann, 2020.
• Whitenton, K. (2018, March 12). The two UX gulfs: evaluation and execution. Nielsen Norman Group. https://www.nngroup.com/articles/two-ux-gulfs-evaluation-execution/
• DOC – The secret of good metaphors. (n.d.). https://www.doc.cc/articles/good-metaphors
• Nielsen, J., Gibbons, S., & Mugunthan, T. (2024, January 30). Accordion Editing and Apple Picking: Early Generative-AI User Behaviors. Nielsen Norman Group. https://www.nngroup.com/articles/accordion-editing-apple-picking/
• Varanasi, L. (2025, May 25). Meta chief AI scientist Yann LeCun says current AI models lack 4 key human traits. Business Insider. https://www.businessinsider.com/meta-yann-lecun-ai-models-lack-4-key-human-traits-2025-5?utm_source=chatgpt.com
• Apple Lisa 2 screenshot – CHM Revolution. (n.d.). https://www.computerhistory.org/revolution/input-output/14/348/1864

*图片来自网络公开资料，若涉及版权请联系修改。