AI Chat产品设计中的思考②建议/Sug
北京/产品设计师/178天前/3415浏览
版权
AI Chat产品设计中的思考②建议/Sug
AI Chat为什么需要“Sug”？
在每一个AI Chat产品中，我们几乎都能看到在对话气泡下方或者输入框上方，布局着几个小小的按钮或提示。我们管它叫 “sug”——
Suggestions（建议/提示）
。
它们形态各异，从
开场提示（Onboarding Sug）
、
上下文追问（Contextual Sug）、相关推荐（Related Sug）
等，不一而足。
1.1开场提示（Onboarding Sug）
开场提示也叫冷启动提示。
这是用户与 AI Chat 产品交互的
第一道门槛
，也是解决“空白画布恐惧症”的核心武器。
想象一个初次使用的用户，满怀好奇地打开你的AI产品。他面对的是什么？一个空荡荡的输入框，一个闪烁的光标，和一句“你好，请问有什么可以帮你的吗？”。
然后，沉默发生了。
用户的大脑在飞速运转：“我该问什么？”、“它能做什么？”、“我问的问题会不会很蠢？”、“它能写代码吗？能总结文章吗？”。这种不确定性带来的
认知摩擦力
是巨大的，它往往导致用户在体验到产品的核心价值之前就选择退出。这正是无数AI产品
“首次使用激活率”低下的根本原因。
对于ChatGPT而言，它的目标是
通用性和灵活性
。过多的开场提示可能会限制用户的想象力，更重要的是，ChatGPT是行业标准和开创者，它敢于让用户自己定义对话。但随着产品功能的复杂化，即使是它，也开始回归到Ob-Sug
的引导作用
，以确保用户能充分利用所有新能力。对于非头部、新入场的AI Chat产品，Ob-Sug
依然是提高激活率和留存率的生命线
。
因此，我的核心观点是：
"Ob-Sug" 不是一个“锦上添花”的UI点缀，它是AI产品的核心“导航系统”
。它在AI这个“新大陆”上为用户竖起了第一块路牌。它承载着
教育用户、展示能力、降低摩擦、驱动留存
的四重使命。一个好的Ob-Sug设计，能牵着用户的手，从“试一试”走向“离不开”。
1.1.1💡Ob-Sug设计场景：
用户首次打开对话框时。用户主动开启一个新的对话会话时。
1.1.2🎯设计目标：
- 展示广度：简单来说就是“亮肌肉”，快速、全面地向用户展示 AI 产品的核心能力范围。如上图左边是支小宝，在onboarding页面展示了自己的数据打通能力，与支付宝生态数据互通（PS：最新版本已经无法打通数据了，可能跟产品方向调整有关）。
- 提供典型用例 ：告诉用户“你可以用我来做这些事”。
1.1.3📍关键设计要点：
- 覆盖核心能力：文案必须经过精心挑选，覆盖产品最主要且最具价值的 3-4 个能力象限（如：内容创作、信息总结、代码生成、数据分析等）。（PS：依然记得我们团队为了挑选文案从天亮讨论到天黑😂）
- 拒绝低价值文案：坚决避免使用“你好”、“你是谁”等无法体现 AI 核心价值的低效提示，必须是可操作、有结果预期的指令。
- 醒目的 UI 形态：适合采用卡片式，以吸引用户集中注意力，并清晰地将功能点分组展示。
- 目标：确保用户在黄金 30 秒内，通过点击提示完成一次成功的交互，迅速获得“Aha Moment”。
1.2
上下文追问（Contextual Sug）
上下文追问也就是之前文章提到的智能追问(Smart Follow-up)，
是指根据对话内容的上下文语义与意图，生成的追问选项。
Con-Sug 是AI Chat产品区别于传统搜索的核心交互模式
，也是驱动对话深度和用户粘性的“永动机”。
1.2.1💡Con-Sug设计场景：
AI 完成一次回答，且用户尚未输入下一个问题时。
在实际的UX设计中，又分为两种关键类型：
点击即发送(Click-to-Send)
和
点击即填充(Click-to-Fill)。
这两种交互方式代表了设计中
效率
与
控制
之间的取舍。
- 点击即发送 (Click-to-Send)：用户点击 Con-Sug 气泡后，该提示文本会立即被视为一个新的用户输入，并自动发送给 AI，生成下一轮回答。这种类型的sug通常跟在对话气泡的下面，表示关联性。
- 点击即填充 (Click-to-Fill)：用户点击 Con-Sug 气泡后，该提示文本会自动填充到输入框中，光标位于文本末尾。用户可以对文本进行修改、补充或添加额外上下文，然后手动点击发送。这种类型的sug通常跟输入组件绑在一起，核心目的是辅助用户快速生成输入内容，而非直接完成交互。
优秀的产品设计师会
同时使用这两种类型
，根据 Con-Sug 的内容和预期的用户行为来决定采用哪种交互：
- 如果 Con-Sug 是“更进一步”（例如：“帮我列出 5 个相关资料”），通常采用 点击即发送 以提高效率；
- 如果 Con-Sug 是“应用转化”（例如：“将这个大纲写成一篇文章”），由于用户很可能想修改文章的语气、字数或特定要求，最好采用 点击填充输入框，给予用户修改的机会。
1.2.2🎯设计目标（体验侧）：
- 展示深度：引导用户对当前话题进行更深入的探索或延伸。
- 确保连贯性：维持对话的流畅和逻辑，自然地增加对话轮次。
1.2.3📍关键设计要点（体验侧）：
- 相关性是生命线：这类提示必须基于上一轮对话的内容和结果动态生成。如果提示与上下文无关，它就是干扰用户的“噪音”。
- 启发性与行动性：文案应提供有价值的“下一步行动”，例如：深入探讨型-“用更简单的语言解释。”反向思考型-“反驳一下刚才的观点。”应用转化型-“帮我把这个总结写成一封邮件。”
- 克制且即时隐藏：适合采用胶囊式的轻量级 UI，并且一旦检测到用户开始在输入框打字，必须立即自动隐藏，不给用户的输入造成任何阻碍。
1.3相关推荐（Related Sug）
虽然在实际应用中，相关推荐通常与上下文追问有所重叠，但从产品设计师的视角来看，它更侧重于
跨越会话或跨领域的发现。
它区别于
上下文追问的关键是相关推荐sug基于用户画像和历史偏好
而非上下文
。
比如豆包，它打通了与B站和抖音的相关数据，才会在对话流里推荐个性化的视频内容。未来具有
非常强的商业价值。
"sug"的价值：为用户和产品赋能
优秀的产品设计总是能实现用户价值和商业价值的统一，“sug”系统就是这种设计的完美体现。
“sug”的设计原则：从“有用”到“爱用”
平衡“引导”与“干扰”的边界，是设计师的“内功”。sug的设计必须遵循以下四大原则：
1.原则一：相关性> 一切
这是第一天条。一个上下文sug如果与当前话题无关，它就不是“建议”，而是“噪音”和垃圾信息”。这会迅速摧毁用户对AI“智能”的信任。一款产品究竟是“人工智能”还是“人工智障”，
相关性是第一判断基准。
2.原则二：可操作性
sug的文案必须是具体的“
指令
”，而不是模糊的“
概念
”。用户应该能一眼看懂点击后会发生什么。
反例1：
“你可以继续问我。” (废话)
反例2：
“关于这个话题的更多信息。” (模糊)
正例1：
“帮我把这个总结写成一封邮件。” (清晰、可操作)
正例2：
“用表格对比A和B的优缺点。” (清晰、可操作)
可点击 Sug = 需要完整 UI 体系，而 ChatGPT与Gemini 的目标不是“做一个超级App”
你注意一下国内 App：智谱清言、腾讯元宝、百度文心、夸克AI、豆包、阿里灵光、小米澎湃 OS 内置大模型等，他们极度依赖“智能建议按钮”，因为：
他们要做的是“带有模型能力的产品”，而ChatGPT和Gemini做的是“让模型自己成为产品”。
这两件事完全不一样。
ChatGPT 不做可交互 Sug 不是做不到，而是“不愿意做”，而国内大部分 AI App 走的是
降低学习成本 → 强引导式可点击 Sug → 提升留存与任务完成率
这条路，所以它们会把 Sug 做成可交互组件。
两条产品路线，本质目标不同。
3.原则三：克制与时机
这是最考验UX细节的地方。
- UI形态：是气泡还是卡片？气泡更轻量，卡片更醒目。根据场景的干扰程度来选择。
- 出现时机：AI回答一结束就立刻出现？还是等AI回答完全“打字”完毕后再淡入？或者等用户滚动到底部才出现？（推荐AI回答完毕后0.5秒淡入，给用户阅读的间隙）。
- 消失时机：这个需要根据产品定位和实际场景来判断。
①
Onboarding Sug = 用户第一次使用的教学项 → 输入框弹起就隐藏，
这个没什么争议，不再赘述。
②
con-sug有两种流派。流派A：
强调
“强上下文导向型 Sug”，
即
Sug = 当前对话下一步的推荐操作，
所以只要你发新消息，整个上下文“下一步任务空间”就重塑，旧 Sug 就失效，体验感更“线性”，像流程助手。比如豆包，缺点是不便快速多方向尝试。
流派B：
强调“
低摩擦、可复用”，
即
把预设prompt + 当前上下文一起提交但不改变 Sug 状态
，用户常常想尝试多个追问方向（A/B/C），点击一个得到结果后可能还想试另一个——消失反而增加摩擦，比如腾讯元宝，缺点是可能抢占注意力。
③
相关推荐Sug：
强调
引流，
由于具有
非常强的商业价值，
因此是
常驻，不隐藏。
4.原则四：多样性与惊喜感
如果AI每次生成的sug都是“总结一下”、“举个例子”、“还有什么问题吗？”，用户会迅速感到厌倦。我们必须利用LLM的能力，生成一些用户自己可能都想不到、但一点就通的“
Aha Moment
”sug。例如：“将这个故事改编成一个儿童睡前故事”、“用苏格拉底的风格来反驳这个论点”。这种“惊喜感”是AI产品魅力的核心来源。
如何衡量“sug”策略是否有效？
作为产品设计师，我们不能只谈体验，更要懂数据。我们必须量化 "sug" 的成功。在设计功能前，PM通常都会进行埋点，而产品上线后如何进行产品体验上的优化，主要是要看这些埋点数据，设计师也要会看，这样才能帮助你根据数据分析用户行为从而判断下期的优化点。
核心指标（看当下）：
①sug 点击率：
这是最直接的衡量标准，有多少sug被点击了？
②sug 采纳率：
点击sug的用户数 / 总活跃用户数。（看功能的渗透率）
北极星指标（看长远）：
①对话轮次（关键指标）
那些点击了sug的用户，他们的平均对话轮次是否显著高于未点击的用户？
②次日留存 ：
那些在首次使用中就点击了sug的新用户，他们的次日留存率是否更高？（验证sug对“激活”的价值）
③A/B 测试：
"sug" 是A/B测试的最佳场域。文案、数量（3个还是4个？）、UI形态、生成算法……每一个微小的改动都可以，也应该被充分测试，持续迭代。
回到最初的问题，“sug”到底是什么？
它不再是简单的功能按钮，
它是AI产品“同理心”的具象化体现
。一个没有sug的AI，是在被动地“等待指令”；而一个拥有优秀sug的AI，是在主动地“预测和理解”——它在主动思考“根据你刚才说的，我猜你下一步可能需要这个”，并且抢先一步，把它递到你的手中。
这种“被预判”、“被理解”的体验，正是AI产品最迷人的地方。
下期预告：AI Chat产品设计中的思考③：容器/Container
32
举报
声明
51
分享
相关推荐
评论你的想法~
表情
喜欢TA的作品吗？喜欢就快来夸夸TA吧！
推荐素材
你可能喜欢
相关收藏夹
登录注册
32登录即可同步推荐记录哦
51登录即可加入我的收藏
评论登录即可评论想法
分享分享