Deep Research: PAIR Guidebook¶

PAIR Guidebook¶

Google PAIR Guidebook 是 AI 时代的《设计心理学》，它不讲具体的算法，而是提供了一套包含 23 个设计模式的完整框架，教你如何设计出让用户信任、可控且好用的 AI 产品。它是目前连接 AI 技术与 UX 设计最权威的实操指南。

AI 不是万能锤：在动工前先灵魂拷问，这个问题真的需要 AI 吗？如果规则引擎能解决，别用 AI（模式：Determine if AI adds value）。
信任需要校准：用户对 AI 的信任不是越高越好，而是要与 AI 的实际能力匹配。能力弱时要降低用户预期，能力强时再建立高信任（模式：Calibrate trust）。
坦诚我可能出错：AI 本质是概率系统，必然会出错。设计时必须把错误处理作为核心体验，而不是边缘情况（模式：Design for graceful failure）。
人机共学（Co-learning）：好用的 AI 产品是活的，它随用户反馈进化，用户也随它的引导适应，设计要促进这种双向适应（模式：Plan for co-learning）。
解释要有上下文：不要把模型参数甩给用户，要在用户产生困惑的那个瞬间，给出能帮他做决策的解释（模式：Contextual explanations）。
用户要有控制权：不仅要能开关 AI，还要能微调它的偏好，甚至在其犯错时有人工介入的逃生通道（模式：Granular controls & Human oversight）。
从心理模型切入：用户过去怎么解决这个问题？新 AI 产品要利用旧习惯（借力），而不是强迫用户学全新的概念（模式：Existing mental models）。

需求阶段：使用 Guidebook 的 User Needs vs. AI Strengths 矩阵。只有当痛点是个性化、预测或规模化生成时，才通过 AI 方案。
PRD 撰写：必须包含 Failure States（失败状态）章节。定义：当置信度低于 60% 时，UI 显示什么？当生成结果有攻击性时，兜底文案是什么？
数据准备：在设计初期就定义为了这个体验，我们需要什么样的训练数据？（模式：Data requirements）。

置信度可视化：设计一套视觉语言来表达AI 很确定 vs AI 在瞎猜。不要总是用肯定句，适当使用可能、建议等词汇（模式：Show confidence）。
解释性交互：在 AI 的输出旁边增加 Info Icon 或为什么是这个结果？的展开项，特别是针对高风险决策（模式：Go beyond in-the-moment explanations）。
反馈机制：不要只放一个点赞/点踩。设计隐式反馈（如：用户采纳了建议）和显式反馈（如：用户修改了生成内容），并将这些动作作为信号回传给模型。

构建反馈闭环：不仅仅是记录日志，要设计一条通路，让用户的修正行为（如：修改了 AI 写出的邮件草稿）能成为下一轮微调的数据（模式：Align user feedback）。
分级发布：利用金丝雀发布或灰度测试来观察真实用户对 AI 错误的容忍度，据此调整模型的置信度阈值。

(建议在 PRD 评审和 UI 走查时使用)

常见坑	典型表现	对策
过度信任 (Over-trust)	用户以为 AI 全知全能，直接采纳错误建议导致事故。	降低确定性表达：使用我猜是...、为你找到...等非全知口吻；关键步骤强制人工确认。
恐怖谷效应	AI 试图假装成真人，导致用户感到被欺骗或毛骨悚然。	坦诚机器身份：明确标识内容由 AI 生成；避免使用第一人称我产生情感连接（视产品调性而定）。
解释过载	甩出一堆 Shapley 值或权重图，用户根本看不懂。	场景化解释：只解释这就意味着...，关注对用户决策的影响，而非模型原理。
反馈黑洞	用户点了不感兴趣，但推荐内容毫无变化。	即时响应：点了不感兴趣后，UI 上立即移除相关内容，并弹出一句已优化推荐模型。

第 02 章 (Discovery)：引用 Determine if AI adds value 模式，增加一个决策树图表，帮助读者判断何时引入 AI。
第 03 章 (PRD)：建议将 Reward Function Design（奖赏函数设计）纳入 PRD 模板，对应 Guidebook 中的 Align user feedback。PRD 不仅要写功能，还要写如何定义成功。
第 06 章 (UI)：直接引用 PAIR 的 Mental Models 章节，讨论 Generative UI (GenUI) 如何打破旧的 GUI 范式，同时保留哪些旧习惯以降低认知负荷。
第 11 章 (User)：重点讨论 Trust Calibration（信任校准）。在书里强调：最好的 AI 体验不是让用户 100% 信任，而是让用户的信任度与模型的准确率曲线尽量贴合。