AI眼镜开始从“看见并回答”走向“理解并行动”，但看对了、听懂了，还不等于可以立即执行。发送消息、分享照片、下单支付等任务，都在考验产品如何把模糊意图变成用户真正授意的动作。本文给出一套4级交互回路，帮产品经理设计AI眼镜的确认、反馈与撤销机制。

先做一道交互题。

用户走出展馆，看着门口海报说：“把这个地址发给老王。”

眼镜识别出了海报上的地址，也在通讯录里找到了“老王”。问题是，通讯录里有两个老王：一个是客户，一个是大学同学。系统根据最近联系人做了选择，随后提示“已发送”。

从任务完成率看，这次操作成功了；从用户意图看，它可能从一开始就发错了人。

这是AI眼镜从助手走向Agent时，产品经理绕不开的一道题：系统听懂以后，到底在什么时候可以动手？

一、AI眼镜的新问题，发生在“理解”之后

过去谈AI眼镜交互，大家最关心的是它能否听懂人话、识别眼前物体、在嘲杂环境里完成对话。

这些能力解决的是输入问题。当眼镜只负责回答“这是什么”“这段话怎么翻译”时，识别错误通常还可以通过追问纠正。

当任务变成“发给他”“帮我下单”“把这张照片分享到群里”，产品进入了另一个阶段。系统不再只生成答案，而是要对外部世界产生影响。

两者之间应该有一条“提交边界”。

边界之前，AI可以识别、检索、生成草稿和预填信息；边界之后，它会发送、公开、扣款或改变其他设备的状态。

手机用一个可见的“发送”或“支付”按钮表示这条边界。AI眼镜的界面很小，有些甚至没有显示，产品团队必须用声音、手势、触觉或其他设备，重新把这条边界画出来。

二、视线和语音擅长表达意图，却不适合承担所有确认

眼镜有一个手机很难复制的优势：它能同时知道用户在看什么、听到了什么，以及正处在什么环境中。

所以，“把这个发给老王”看起来很自然。视线提供对象，语音提供目标，Agent负责把两者拼成任务。

但从产品风险看，这句话里至少有三个不确定项。

第一，“这个”指的是海报上的地址、活动名称，还是整张照片？

第二，“老王”对应哪个联系人？

第三，“发”代表立即发送，还是先生成一条待确认消息？

视线也存在类似问题。人会长时间注视自己感兴趣、不理解甚至讨厌的东西。“看了两秒”可以帮系统缩小候选范围，却很难单独证明用户愿意执行一项动作。

语音的风险则在于环境。一句“好”，可能是用户回答眼镜，也可能是在回应身边的人。在地铁、会议室和餐厅里，很多用户也不愿把私人消息、联系人和付款金额念出来。

我的判断是：视线和语音是优秀的意图输入，但它们不应自动获得“提交权”。提交权怎么给，要看这项动作的风险。

三、别给所有任务都加一句“请确认”

发现误触风险后，产品容易走到另一个极端：每个动作前都问一次“是否继续”。

这会让AI眼镜变成一名过度谨慎的助理。用户问一次天气要确认，翻一页提词要确认，暂停音乐还要确认。原本想减少交互，最后反而增加了一层对话。

确认机制的设计目标，既要拦住高代价错误，也要让低风险任务快速通过。

可以先用4个问题给动作分级：

• 动作是否容易撤销？
• 结果只对用户自己可见，还是会影响他人？
• 系统对任务对象有多确定？
• 任务是否涉及金钱、隐私、账号或物理设备？

根据答案，我把AI眼镜的交互拆成4级。这不是行业通用标准，而是一套便于产品团队讨论的分级方法。

1级：直接返回

任务只读取信息，没有改变外部状态。例如识别菜单、播报天气、翻译路牌。

系统可以直接给出结果，用户随时重问即可纠正。这一级最需要的不是确认，而是让用户知道AI正在回答哪个对象。

2级：轻量反馈

动作可撤销，主要影响用户自己。例如暂停音乐、收藏一个地点、翻动提词页。

这类动作适合“先执行，后反馈”。一次轻震、一个短提示音或一条视野边缘提示，就能告诉用户状态已经变化，同时保留快速撤销入口。

3级：明确确认

动作会影响他人、向外发布内容，或产生一定成本。例如发送消息、共享照片、提交日程邀请。

系统可以先生成草稿，但要把接收人、内容和执行动作一起呈现给用户。确认信号应当与原始语音分开，例如用一次明确捏合提交，或在带屏眼镜上选中“发送”。

4级：二次确认

任务涉及金钱、敏感信息、账号权限，或对物理设备进行高风险控制。例如完成支付、开锁、向外部应用授权。

这一级应使用两个相互独立的信号。眼镜负责说清对象和后果，手机、手表或可信生物信号完成第二次确认。任何一个信号存在歧义，任务都应停留在待确认状态。

图1：AI眼镜4级交互回路，制图：知序

四、视线负责“是哪个”，手势负责“就这样做”

分好风险后，下一步不是为每一级找一个固定硬件，而是让不同通道承担自己擅长的那段任务。

视线适合缩小对象范围。用户看向某个门牌、一张海报或一件商品，系统就有了上下文。视线提供的是候选对象，并非提交指令。

语音适合说清目标和约束。用户可以说“把地址发给今天下午要见的客户”，让Agent结合日程、通讯录和当前画面组织任务。

手势适合精确选择和提交。捏合、轻触或按压是离散动作，比“好”这样可能出现在普通对话里的词更容易识别。Meta为AI眼镜设计的肌电腕带，以及Google展示的手表手势控制，都可以看成这类回程通道的探索。

触觉适合告知结果。手腕上一次短震可以表示“已识别”，两次急促震动可以表示“执行失败”。反馈模式需要简单且稳定，避免用户重新学一套过于复杂的“震动密码”。

手机和手表则是可信的接管层。当眼镜无法完整展示合同、账单、多个收件人或权限范围时，任务应转到大屏设备继续。这不是任务失败，而是产品对复杂度和风险做出的正常分工。

一次完整任务可以按这条链路进行：

意图输入→对象锁定→生成草稿→风险分级→用户确认→对外执行→结果反馈→撤销或补偿。

关键是，这条链路里每一步都能被看见。用户要知道AI选了谁、准备做什么、正在等待哪个确认，以及刚才的动作是否成功。

五、写PRD时，别只写“用户确认后执行”

“用户确认后执行”是一句看起来没问题，落到开发时却充满歧义的需求。

用户用什么确认？确认前看到什么？语音和手势同时出现时听谁的？执行后多久还能撤销？

对AI眼镜来说，一个可开发、可验收的确认需求，至少要写清6件事。

1.任务目标

明确最终改变的外部状态。“识别地址”是中间步骤，“向指定联系人发送包含该地址的消息”才是任务目标。

2.对象与置信度

记录AI识别了哪个视觉对象、哪个联系人，以及确定程度。当多个候选对象分数接近时，系统应先让用户做澄清，而不是用默认值猜一个。

3.风险等级

说明这项动作为什么属于1至4级，不要把确认级别留给开发临时判断。同一个功能里也可能存在不同等级：生成消息草稿是2级，发送草稿是3级。

4.确认通道

定义主确认通道和备用通道。公共场合优先提供静默手势；手势识别失败时，可以转到手机，而不是让用户无限重复同一个动作。

5.结果反馈

说清系统在“已识别”“已提交”“已成功”和“已失败”时分别怎么告知用户。这四个状态不应共用同一个提示音或震动。

6.撤销与补偿

撤销可以回到原状态，例如取消收藏；补偿是在原动作已经发生后减少影响，例如快速撤回消息或联系收件人更正信息。两者要在需求中分开。

图2：AI眼镜确认机制PRD检查项，制图：知序

六、交互做对没有，还要看用户有没有在真实场合使用

眼镜、手表和腕带的交互测试，很容易只看识别准确率和响应时间。这些指标很重要，但它们主要回答“技术有没有识别出动作”，还没回答“确认机制有没有保护用户”。

产品经理还要关注下面几组数据。

第一组是误触与漏拦截。日常手势被当成指令的比例是多少？高风险动作里，有多少次跳过了应有的确认？

第二组是对象纠正率。用户多少次更换了AI选中的联系人、照片或地址？这个数字比单纯的语音识别率更接近任务风险。

第三组是确认放弃率。用户进入待确认状态后，有多少人放弃了任务？放弃率过高，可能是信息展示不清，也可能是确认动作太难。

第四组是短时撤销率。动作完成后很快又被撤销，通常意味着用户在确认阶段没有真正看懂结果。

第五组是静默完成率。在不拿手机、不念出私密内容的情况下，用户完成了多少任务？这是眼镜和手腕通道是否真正降低交互成本的直接信号。

第六组是跨通道接管率。有多少任务在眼镜上开始，最后需要手机接管？接管本身不一定是坏事，但如果连低风险、高频任务也大量跳回手机，眼镜就还没有形成独立价值。

每个团队都要根据任务风险和早期基线设定阈值，不必追求一个通用的“行业标准”。相比一个看起来漂亮的识别数字，这些任务数据更能说明用户是否真正信任这套交互。

七、写在最后

过去一年，AI眼镜的焦点大多是“能看见多少”和“能听懂多少”。当眼镜开始调用联系人、消息、支付和其他设备，一个更实际的问题出现了：它有没有得到用户此刻的授意？

产品经理可以先检查6件事：

1. AI识别的任务对象是否对用户可见？
2. 什么动作可以直接执行，什么动作需要明确确认？
3. 确认信号是否与普通说话、注视和日常动作有足够区分？
4. 用户是否能知道任务处于生成、待确认、执行还是失败状态？
5. 眼镜无法承载复杂信息时，手机或手表如何接管？
6. 动作发生后，用户如何撤销，系统如何补偿？

一副真正成熟的AI眼镜，不会因为多问一句就显得笨，也不会因为抢着执行就显得聪明。

它应该知道哪些时候可以安静地完成任务，也知道哪些时候必须把决定权交还给人。

参考资料

Google：3 Google updates from Galaxy Unpacked 2026

Meta：Meta Ray-Ban Display: AI Glasses With an EMG Wristband

Meta：Introducing Our First AI Glasses Built For Prescriptions

Nature：A generic non-invasive neuromotor interface for human-computer interaction