苹果机器学习研究团队近日发表了一篇关于AI智能体用户体验设计的学术论文，通过系统性研究揭示了用户对这类工具的交互期待与行为模式。该研究针对当前AI智能体开发中界面设计规范缺失的问题，构建了涵盖四大核心维度的分析框架，并通过真人模拟实验验证了用户在不同场景下的真实需求。
研究团队首先对市场上九款主流AI智能体进行深度拆解，包括Claude Computer Use、OpenAI Operator等桌面及移动端产品。通过与八位行业专家合作，研究人员建立了包含用户指令输入、操作透明度、控制权分配和认知模型匹配的评估体系。这个框架覆盖了从用户发出指令到AI执行反馈的全流程，特别关注系统如何解释操作逻辑、处理错误以及转移控制权等关键环节。
在用户实验阶段，研究采用"绿野仙踪"测试方法，招募20名有AI使用经验的参与者完成在线购物和度假租赁任务。为确保数据真实性，实验隐藏了关键信息：所有AI操作均由隔壁房间的研究员手动执行，包括故意设置错误或制造系统卡顿。这种设计使研究者能够精准捕捉用户面对AI决策时的心理变化，排除技术故障对实验结果的干扰。
实验数据揭示了用户对透明度的矛盾需求：他们既希望了解AI的工作进程，又拒绝过度干预每个执行步骤。这种偏好呈现明显的场景依赖性——在探索性任务中，用户要求系统展示更多中间步骤和解释；而在涉及支付或账户修改等高风险操作时，则坚持保留最终确认权。研究特别指出，当AI在模糊选项中擅自做决定时，用户信任度会出现断崖式下降。
用户反馈显示，面对不确定情况时，人们更倾向AI暂停执行并请求澄清，而非为了维持自动化流程而随机选择。这种偏好在可能产生实际损失的场景中尤为强烈，例如错误购买商品或预订错误日期。研究强调，人机交互的信任基础极其脆弱，任何未经告知的计划变更或静默假设都可能导致用户立即终止使用。
该研究为AI智能体设计提供了重要参考：系统应在不同任务阶段动态调整透明度水平，在探索性场景中增加解释性信息，在关键决策点强化用户控制。特别是在处理模糊指令时，主动寻求澄清比盲目执行更能维持用户信任。这些发现对开发更符合人类认知习惯的AI交互系统具有指导意义。
