AI Native 的产品,界面应该是“液态”的
深度解析AI Native产品的液态界面设计思路,重新定义下一代软件交互逻辑。1. 梳理传统“AI套壳”类产品的界面架构缺陷与交互痛点2. 讲解AI Native产品围绕用户意图动态适配界面的核心设计理念3. 介绍消除深层导航、上下文即入口等液态界面的落地方向

上一期,我们聊了原来系统中关于数据、服务和业务规则这些资产怎样复用。这一期看看,界面和功能该怎么重新组织。
我认为,AI Native 产品应该围绕「目标—任务—成果」组织界面,围绕「可组合、可验证、可撤销」组织功能。
过去两年,我们见到了很多软件的“AI 化”:在原本已经固化的菜单栏、工作区或者侧边栏旁边,塞了一个对话框。说是 AI Wrapper,也就是 AI 套壳,或者叫 Copilot,副驾驶,原来的软件结构其实没怎么动。
这种“左侧传统 GUI,右侧 Chatbot”的界面结构,还是把 AI 当作了一个外挂插件。用户得先知道功能在哪儿、页面怎么走,只是旁边多了一个能回答问题的助手。
当模型能理解图像和文本、利用上下文、调用工具时,我觉得我们就应该重新考虑软件的组织方式了。从“确定性的功能树”走向“概率性的意图网络”,说得直白一点,就是不再要求用户每次都沿着预先设计好的菜单找功能,而是让系统根据当前意图,组织完成任务需要的能力。
如果从零构建一款 AI Native 产品,界面和功能就不能只沿用原来的树状层级。
先说界面:让软件适应人的意图
传统软件的交互逻辑是,人去适应软件的设计。用户必须先理解产品经理设计的导航栏、各级菜单和功能页,再把自己的需求拆解成一个个页面切换和按钮点击。
AI Native 产品的交互逻辑应该有所改变。用户正在做什么、手里有什么材料、想得到什么结果,这些信息应该直接影响界面的组织,界面可以随着任务发生变化。
消除深层导航树
传统 SaaS 动辄有几十个二级菜单、上百个功能页。我认为,大部分低频配置和复杂筛选器都应该从主界面消失,下沉为模型可以调用的工具或技能,也就是 Tools、Skills,由模型在理解上下文后按需唤醒。
能力仍然在,只是不必每一项都占据一个固定入口。用户需要完成一件事,系统就把相关能力组织出来,别先让人翻半天菜单。
上下文即入口
界面不再是静态的功能陈列柜,而是一个动态的工作区。用户选中一段文本、圈出一块图像,或者拖入一份数据表,系统就可以根据当前对象,推测下一步最可能需要什么,把最相关的几个操作放到附近。
选中一份表,就在旁边看到“对比”“生成图表”;选中一段文字,就可以直接改这一段。当前正在处理的内容,本身就是入口。
我一直觉得纯聊天框是 AI 时代的过渡产物。读长文本会很累,修改一个局部参数还要反复打字,而且经常缺少确定的状态反馈:到底改了哪里,现在是什么状态,还要再读一遍回答才能弄明白。
我认为,未来的主流形态是自然语言与图形界面的深度融合。自然语言适合表达意图,图形界面适合查看状态、选择对象和精确调整。生成式 UI 则可以进一步根据任务,把需要的信息和操作组织到一起。

按需即时渲染的微组件
比如,用户说“帮我对比 Q3 各个项目的工作情况”,AI 不应该只输出一段文字,也不应该让用户自己去翻找报表页面。它应该直接在当前对话流或画布中,生成一张可交互的对比图表。
用户可以点选项目、调整比较范围,结果跟着变化。任务完成后,这些临时控件随上下文归档,不必为了这一次比较,往主界面上永久加一个入口。
以“画布”为中心的人机协作空间
这里可以参考 Codex 的交互范式:对话承担意图输入与任务沟通,工作区承载项目文件和修改结果。AI 负责生成代码、执行命令和运行检查,我们通过差异视图审阅修改,针对局部内容提出意见,也可以直接动手调整。Codex 的官方代码审阅说明里,就有查看修改、逐行反馈和撤销变更的具体方式。
我看重的是,人和 AI 围绕同一份项目文件持续协作。AI 做完以后,成果就在那里;人可以接着改,AI 也能接着处理。自然语言表达的意图,最终要落到实际成果物上。
代码如此,文档、报告也可以沿着这个方向设计。“画布”不一定真是一块可以随意拖拽的白板,它首先得是一个能承载成果、让双方继续操作的地方。

用得越久,产品也应该有所变化
传统软件在第一天使用和第一千天使用时,除了数据不同,界面往往几乎一模一样。而 AI Native 产品的界面,我觉得应该具备渐进式演化的能力。
比如,每次生成报告,你都会删掉一段废话,习惯先看结论,偏爱某种字体和配色。如果这些偏好已经反复出现,产品就应该记住,下次生成时直接用上。总不能每次都让我从头教一遍。
再比如,用户每周五下午都会执行“拉取数据 → 清洗异常值 → 生成图表 → 发送邮件”这一串任务。系统识别出这种重复模式后,可以把它整理成一个专属的一键触发器,将原本需要多轮对话的任务,重新固化为高效按钮。
这个按钮可以替用户启动整套任务,涉及对外发送时,仍然走到相应的确认节点。用户习惯可以让路径更短,必要的确认还得留着。
用户说了想做什么,产品就应该帮着把目标和条件整理出来。有些条件可以从已有信息里带出来,真正会影响结果或者执行范围的,才需要向用户问清楚。
至少,不能让用户为了用这个产品,需要先学会写一段完整的提示词。
再来看功能:围绕结果交付重新切分
传统软件的功能模块往往围绕增删改查,也就是 CRUD 来设计。用户想完成一项任务,就得自己把“新建、筛选、导出”等操作串起来,每个表单、每次状态流转,都可能需要人工触发。
AI Native 产品应该把更多精力放在完整任务上。用户表达目标,系统利用上下文记忆和工具集,组合底层能力,推进结果交付。前面说的“对比 Q3 各个项目的工作情况”,就不该被拆成一堆需要用户自己寻找的按钮。
执行过程中,能重试的步骤自己重试,能从已有信息里补齐的条件自己补齐,影响结果或执行范围的关键决策再请用户确认。别动不动弹一个错误,让用户改参数、翻文档,再从头来一遍。
这要求产品经理和工程师重新分配精力。与其为每一个边缘场景设计一张专门的页面,我觉得更需要把下面几件事做好。
原子能力原子化
把业务操作封装成职责清晰、可以组合的 API 或 Tools,并给出明确的 Schema 描述。也就是把“能做什么、需要哪些参数、会返回什么”说清楚,让模型能够准确调用。
用户看到的是完整任务,系统内部仍然要有可靠的基本能力。否则,上面说得再聪明,真正执行时还是会卡住。
状态可观测与可回滚
当 AI 在后台连续执行了十步操作,界面必须让用户看清楚做到了哪一步、改了什么、哪里出了问题。执行轨迹,也就是 Trace,应该能帮助人理解过程。
对于支持恢复的操作,还应该能退回先前状态。比如改坏了一份草稿,用户应该能找回修改前的版本。用户只有拥有“随时撤销”的安全感,才敢把控制权交给 AI。
当然,这种恢复能力有边界。已经发出去的邮件、已经完成的扣款,不能指望一个撤销按钮就恢复原状。所以,确认要放在执行之前。
人机协同的断点设计
信息检索、格式转换、草稿生成,可以让 AI 在授权范围内自主执行。对外发送邮件、扣款、覆盖核心数据,就需要在相应节点停下来,让用户确认。
界面的核心职责,是把这些关键节点说清楚。准备改什么、前后有什么区别、会影响谁,都应该直接呈现出来。Diff,也就是差异对比,在这里就很有用。
比如一封邮件,确认时至少要能看见收件人、正文和附件。用户看到这次准备发送的内容,再决定是否发出;需要调整,也能直接回到对应位置修改。

我觉得,界面应该是液态的
AI Native 产品的终极形态,不是“一个更聪明的聊天机器人”,也不是“长满了 AI 按钮的传统软件”。
我觉得 AI Native 产品的界面应该是液态的。平时保持克制与留白,一旦感知到用户的意图和上下文,就迅速凝聚成最趁手的工具形态;任务完成,随即消散。
功能不再被锁死在各种各样的菜单里,而是作为随时待命的底层能力,在人与 AI 的协作中按需出现。用户表达目标,产品组织任务,双方围绕成果继续往前做。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务,帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
想把这些做法用到你的业务里?
留下你的场景和痛点,我们帮你判断从哪一步开始。
联系我们


