Deep Research: [72] People + AI Guidebook（Google PAIR）：把以人为本写成可执行的工作流¶

TL;DR (1-2 sentences)¶

Google PAIR Guidebook 提供了一套完整的以人为本AI 产品设计框架，核心在于打破模型即产品的迷思，强调用户信任、心智模型引导、反馈回路设计与故障降级策略。它将 AI 视为需要与人协作的动态系统，而非单纯的自动化工具。

AI 的价值在于增强而非仅是自动化：只有当 AI 能显著提升效率或提供独特能力（如个性化推荐）时才应使用，避免为了 AI 而 AI。
建立正确的心智模型：用户往往高估或低估 AI 能力。产品必须通过引导（Onboarding）和解释（Explainability）让用户理解 AI 的能力边界。
信任需要校准：信任不是越多越好，而是要与系统能力匹配。高风险场景（如医疗）需要高可解释性，低风险场景（如推荐歌曲）可以黑盒。
拥抱不确定性与错误：AI 必然会出错。设计重心应从追求完美转向优雅降级（Graceful Failure），让用户在 AI 失败时也能完成任务。
反馈即数据：每一次用户纠错、拒绝建议或显式点赞，都是优化模型的宝贵数据。反馈回路（Feedback Loop）的设计是产品护城河。
数据是产品的核心组件：数据的采集、清洗和评测不再只是工程师的事，而是产品经理定义成功的关键环节。

阶段一：决定是否使用 AI - [ ] 这是一个概率性问题吗？（如果是确定性规则，不要用 AI） - [ ] 错误的代价用户能承受吗？ - [ ] 我们有数据来训练或微调模型吗？

阶段二：心智与信任 - [ ] 用户能一眼看出这是 AI 生成的内容吗？ - [ ] 用户知道如果不满意该怎么办吗（修改/重试/人工介入）？ - [ ] 系统是否解释了它为什么这样做（在必要时）？

阶段三：反馈与控制 - [ ] 用户能方便地撤销（Undo）AI 的操作吗？ - [ ] 用户能否关闭或调整 AI 的干预程度？ - [ ] 用户的纠错行为是否会被系统记录并用于学习？

阶段四：错误处理 - [ ] 当 AI 生成乱码或离谱内容时，UI 是否会崩溃？ - [ ] 是否有备用的非 AI 流程让用户完成任务？

常见坑	对策
过度承诺：让用户以为 AI 全知全能，导致预期落差。	坦诚边界：在 Onboarding 明确告知我是处于学习阶段的助手，可能会犯错。
幽灵模式：AI 默默做事，用户不知道发生了什么，感到失控。	透明化：使用动效或状态栏展示 AI 的状态（思考中、处理中、已完成）。
死胡同：AI 给出的结果不可编辑，用户只能全部删除重写。	人机协作：提供编辑而非重生成；提供 Copilot 模式而非 Autopilot。
反馈黑洞：收集了反馈但模型从未改进，用户失去耐心。	闭环运营：定期发布因为你们的反馈，我们学会了 X的更新日志。