Jakob Nielsen 解析 AI 交互的三种风格：轮流对话、任务代理与常驻代理

摘要： 在不到 4 年的时间里，AI 获得了 3 种交互风格：轮流对话式 AI 回答你提出的问题，任务代理完成你分配的工作，而常驻代理则填补你任命的角色并自主开始工作。这些风格作为授权阶梯上的层级共存，用户全天上下攀爬，因此不要强迫用户在开口前选定层级。每个层级都有其自身的可用性问题，而且还会有更多层级出现。

当 ChatGPT 于 2022 年 11 月 30 日推出时，使用 AI 只有一种方式：你输入，它回答，你再输入。2026 年 9 月 29 日，同一产品增加了 常驻代理 ，它们拥有自己的云端计算机，全天候朝着你设定的目标工作，并在认为需要你的时候联系你。这在 46 个月内是一段漫长的旅程。

我制作了一个 5 分钟的 解说视频 （YouTube），浓缩了这篇文章的内容。

自 GPT-3.5 于 2022 年 11 月发布以来，AI 已经从一次回答一个问题发展到在你睡觉时也能工作。

目前我统计出 3 种交互风格 。用户的动词为每种风格命名：

• 询问。 轮流对话式 AI 回答一个问题，然后等待下一个问题。

• 分配。 任务代理接受一项工作，独自工作几分钟或几天（通常会生成子代理），并带着交付成果返回。

• 任命。 常驻代理承担一个角色或长期目标并无限期地坚持执行，自行决定何时行动以及何时打扰你。

随着每一种新交互风格的出现，AI 承担了更大的职责。用户至少应该记得自己做出了任命。

每种风格都改变了用户的操作、出错的方式以及设计师必须构建的内容。而且我怀疑我们尚未止步于此。

分界线：谁启动工作，何时算作完成？

大多数报道声称最新的 AI 产品“在后台运行”，但这不能成为区分标准，因为正在处理为期 2 天的研究任务的 Task Agent 也在后台运行。有两个更好的问题可以区分这些风格。谁启动每个工作单元？什么才算作完成？

交互风格之间的第一条分界线：谁启动每个工作单元？对于常驻代理来说，不再是你，并且代理保持自己的工作时间。

第二条分界线：什么才算作完成？答案和交付物会到达，但角色一直持续到被解雇为止。

第三列很快就填满了。Google 的 Gemini Spark于 2026 年 5 月 19 日发布，在你合上笔记本电脑后仍在云端持续工作。Grok Bot 来自 xAI，于 8 月 11 日推出，提供具名机器人，你可以像对待队友一样向其发送消息，且它们仅在需要你的批准时才会返回。Meta 的 Muse 于 9 月 8 日上线。它接收一个目标，制定计划，并且（Meta 承诺）无需询问即可替你分担任务。OpenAI 的 Dots 于 9 月 29 日发布，会向你发送进度、问题或决策消息。其模板是 OpenClaw，这是 2025 年末推出的开源智能体，其默认 心跳机制 每 30 分钟 唤醒一次智能体，无需用户提示，以检查是否有需要注意的事项，就像夜间巡逻员查岗一样。

从工程角度来看，这种心跳机制正是关键差异所在：智能体被包裹在一个永不退出的循环中。（Andrej Karpathy 在二月也表达了同样的观点，他将“claws”描述为智能体之上的新层，正如智能体是语言模型之上的一层。）但用户体验上的差异更大。在前两种模式中，意图是一次性的：你陈述意图，系统执行，交易随即结束。而在 Always-on Agents 中，持久意图 使系统能够基于其对事件的自主解读持续行动，即使距离你陈述需求可能已过去数周。

持久意图对历史记录至关重要。当我在 2023 年将 AI 描述为 60 年来首个新的 UI 范式时，我指出基于意图的结果指定仍不及我在 1993 年撰写的关于 非命令式接口 的描述，即计算机无需指令即可行动。Turn-Taking AI 和 Task Agents 仍局限于此：一个陈述的意图，一个结果。（Task Agents 甚至 复兴了批处理：提交作业，稍后再回来查看。）

Task Agents 复兴了批处理：提交作业，稍后再回来查看。计算领域的首个 UI 范式卷土重来。

持久意图是突破单一结果限制的首个主流步骤。（程序员可能会反驳说，cron 作业自 1970 年代以来一直在无人值守的情况下运行。没错，但 cron 作业每次执行的都是相同的僵化规则。）任命一个 Always-on Agent 引入了 概率性委托：你向一个即兴发挥者下达简报，由其阅读每个新情况并决定应采取的行动。验证 cron 作业意味着检查脚本是否运行。而验证智能体则意味着检查其对事件的解读是否仍符合你的期望，即使你自己的计划也在变化。

为何采用这些名称：标注用户的实际体验

Turn-Taking AI 指出了核心行为：用户与计算机互相等待。流行的替代术语“conversational AI”适用于所有三种风格，因为你也可以在智能体工作时与其聊天。我使用 Task Agents 来指代有明确终点和边界的任务。“Agentic AI”、“background agents”和“long-running agents”模糊了这一区别，因为它们也描述了 Always-on Agents。

Always-on Agents 是描述持续性任务的最不坏的名称。“Ambient”也用于描述仅监听系统；“personal”排除了工作场所的智能体；而“persistent”暗示了记忆功能。“Claws”在 OpenClaw 社区之外几乎没有意义。关键在于持续运行的内容：即任务本身。

在 Turn-Taking AI 中，用户与计算机互相等待。Always-on Agents 不会等待你的回合，它们甚至可能替你完成回合。

“Always-on”听起来仍然像服务器正常运行时间，这也是一个为期 3 天的 Task Agent 所需要的。但这是 Sam Altman 用来描述 Dots 的标签，媒体也已采用该术语。Jakob’s Law 同样适用于词汇：读者大部分时间都在阅读他人的文章，而不是我的文章。因此，我使用熟悉的术语并明确区分概念。

“Always-on”描述的是服务器的正常运行时间。从用户角度来看，持续运行的是任务。智能体本身可以在走廊里等待。

交互风格共存：同一梯子上的三个层级

我这篇文章最初的提纲写的是“三代 AI”。用词错误。代际之间会相互取代，就像 GUI 取代全屏终端成为主流平台一样。这些风格并非如此。每一种风格都将前一种包裹在一个更大的循环中：Always-on Agent 的持续目标会派生任务，而每个任务仍包含多个回合。OpenAI 的公告展示了这种嵌套关系。你可以要求你的 Dot 在 Codex 或 ChatGPT Work 中启动或管理任务。这些产品也是超集。xAI 自身文档中的示例提示是一个带有次日截止日期的普通任务简报，而且当智能体出现后，人们并没有停止向 ChatGPT 询问快速问题。

代际之间相互取代。交互风格共存，且每种风格都将前一种包裹在一个更大的循环中。

因此，我将它们称为 interaction styles，这是 HCI 领域的旧术语，用于指代命令语言、菜单和直接操作等替代方案，这些方案长期以来共存于单个界面中，正如命令行存在于每个 GUI 操作系统内部一样。我将它们想象为 rungs on a ladder，因为用户整天上下攀爬。Alice 询问本周哪些竞争对手更改了价格（第一级）。她喜欢这个答案，并指派了一个完整的定价报告任务（第二级）。然后，她任命智能体监控竞争对手价格，并在任何变化超过 5% 时提醒她（第三级）。当第一个警报到达时，她又回到了第一级，就此事提出问题。

AI 做得越多，留给用户的角色就越小，从操作者一直降到纯粹的观察者。这感觉像是一种晋升。

用户也按照 校准信任 的速度爬这个梯子，随着 AI 证明其能力，一次上一级。但这游戏其实是《蛇梯棋》。一次幻觉或代价高昂的失误会让用户滑回第一级，先收拾烂摊子，然后微观管理该代理，直到它重新赢得他/她的信任。因此，UI 必须让用户在不解雇代理的情况下缩短缰绳：缩小其权限、要求对某一类操作进行审批，或者将其降级为在一周内只提供建议，同时保持其章程和记忆完整。

这个梯子描述了用户移交了多少 持续 责任。权威是一个独立的维度。Alice 的价格监控器可以无限期运行，仅拥有读取和报告的权限，而任务代理可能在单次购买中花费 5,000 美元。华盛顿大学的 Kevin Feng 及其同事 根据留给用户的角色来分类自主性，从操作员到协作者、顾问、审批者再到观察者。他们的框架回答了另一个问题：用户保留多少参与度？设计师需要这三个答案。让用户任命一个代理担任持续角色，同时保持其权限狭窄，并且仅在用户选择时扩大该权限。任命代理不应要求签署空白支票。

软件采取主动并不是什么新鲜事。Microsoft 的 Clippy 在 1997 年开始以臭名昭著的 “看起来你正在写一封信。” 打断 Office 用户。Clippy 有主动性但没有能力，这使它成为一个麻烦制造者。今天的代理两者兼备，这使得第三级成为一种新范式。

计算机采取主动是旧闻。第三级上新出现的是能力。

模式回归，而 Tesler 仍然正确

如今的产品如何将三种交互风格融入一个界面？主要作为 模式，这是一个有着 50 年记录的设计罪过。

定义： 模式 是一种系统状态，其中相同的用户操作会产生不同的结果。示例： 开启 Caps Lock 后，相同的按键会输入不同的字符。

Larry Tesler 对模式的反对意见仍然适用。用户必须知道模式的存在、哪个模式处于活动状态以及每个模式能做什么。他在 1981 年发表于 Byte 的文章捕捉到了这种成本：用户询问 “我如何退出此模式？” 的频率至少与询问如何做某事的频率一样高。（我的 关于 Larry Tesler 的漫画 讲述了这个故事。）

Larry Tesler 整个职业生涯都在反对模式，甚至有一块写着 “NO MODES” 的定制车牌。现在，AI 产品在用户开口之前就用模式路标迎接他们。

AI 产品在这三个方面都失败了。ChatGPT 在用户开口之前，就展示了 Chat、Work、Codex 和 Dots。Claude 有 Chat 和 Code（值得庆幸的是，它将原本独立的 Cowork 模式合并到了主 Claude 应用中）。这些名称迫使客户记住供应商的组织架构。Ethan Mollick 在八月承认 他正在失去对哪些模式拥有哪些插件、技能、记忆、权限和文件的追踪。如果编写购买指南的教授都无法理清，你的客户也无法做到。

在某种模式下，相同的用户操作会产生不同的结果。在代理模式下询问 AI 对你沙发的看法，搬家公司就会上门。

OpenAI 在其他地方确实提供了更好的模式：一个 Dot 可以在 ChatGPT、Slack 和 Teams 之间保持上下文。一个代理，多个界面。

供应商构建模式是因为这三种风格在成本、权限和运行时间上有所不同，因此价格表泄漏到了界面中。OpenAI 表示与 Dot 的对话不计入你的使用限额，但 Dot 在 Work 或 Codex 中启动的任务则计入，因此用户现在不仅需要心智模型来理解模式，还需要理解计量器。用户不应该在说话之前先选择一个层级。 请求应该自行选择层级，并且系统应该在花费任何资源之前进行确认：“这将大约需要 20 分钟并使用你的计算机。继续吗？”在模式保留的地方，我描述的用于工具调色板 的停战条款适用：保持活动模式可见，保持稳定，并在操作点宣布它。

当价格表泄漏到界面中时，用户必须同时关注计量器和模式。没有人喜欢盯着计价器度过一段出租车旅程。

对话式 AI 还产生了一种 Tesler 从未面临过的模式错误。当 Alice 告诉她的代理“我讨厌招聘人员的邮件”时，这是一句评论、一个任务（清理今天的收件箱），还是一个长期指令（永远拒绝招聘人员）？措辞完全相同；只有范围不同。当一句随口的评论被提升为永久规则时，就会发生permaslip （永久滑移）。补救措施很便宜：回声确认范围（“从现在开始，还是仅此一次？”）并在用户可以阅读和撤销的一个页面上列出每一条长期规则。

Permaslip 将随口评论提升为永久规则。在一次糟糕的卡拉 OK 之夜后说“再也不了”，你的代理就会让你信守承诺。

用户体验在每个层级都会发生变化

以下是最关键的 5 个差异。

1. 当主动性反转时，中断设计成为界面

在前两个层级，用户决定何时介入。在第三个层级，智能体决定何时行动、何时打扰你，对话发生在你已经在用的渠道里：WhatsApp 里的 Muse，Slack、Teams 或语音通话里的 Dot。智能体自身的 UI 缩小为一个管理控制台。（这是一种 寄居蟹界面，栖身于其他应用的外壳中。）用户通过 4 种消息类型体验智能体：升级通知、摘要、活动日志，以及记录常设指令的 章程 。质量变成了一个信号检测问题，因为每一次误报都会消耗用户回应下一次通知的意愿。

寄居蟹界面：Always-on Agent 自身的 UI 缩小为一个管理控制台，而对话则迁移到其他应用的外壳中。

中断预算属于用户，该用户的所有智能体共用同一个账户。10 个智能体中的每一个都可以发送合理数量的问题，但它们合起来会把 Alice 的工作日变成一条审批队列。每个智能体只看到自己的任务；只有 Alice 体验到合并后的负担。产品需要一个共享队列，按后果和截止时间对请求排序，批量处理常规决策，并将中断保留给紧急例外情况。否则，指派更多智能体会重新制造出本应由委派消除的协调开销。

2. 响应时间让位于生命证明

我的 响应时间限制 （0.1、1 和 10 秒）适用于 Turn-Taking AI。Task Agent 会超出 10 秒几个数量级，导致用户离开，设计问题随之变为进度报告和我所说的上下文重登（帮助用户返回时重新找回状态）。Always-on Agent 没有请求，因此没有响应时间，也没有端点，因此没有完成百分比。沉默变得含糊不清：是一切正常，还是智能体周二就死掉了？连 Odin 也有这个问题。他的乌鸦 Huginn（思想）和 Muninn（记忆）每天早晨飞向世界收集新闻，而在 Poetic Edda 中，他担心有一天它们不会回来。智能体需要可见的心跳，OpenClaw 的默认设置对此处理得当。“一切正常”的消息不会出现在你的聊天中，但状态指示器仍会更新。

来自 Always-on Agent 的沉默是含糊不清的：是一切正常，还是智能体周二就死掉了？连 Odin 也为他的乌鸦担忧。

3. 遗漏错误占据主导，且不可见

第一级的错误就摆在你面前，而 Task Agent 的错误会在数小时内不断累积，但只有在你审阅交付成果时才会显现。到了第三级，最糟糕的失败是代理从未注意到的事情，而你无法看到未发生的事情。（夏洛克·福尔摩斯通过注意到夜里没有吠叫的狗破了案。不要设计需要用户成为福尔摩斯的产品。）供应商确实提供日志：Muse 承诺提供完整的审计跟踪，Dots 也有活动视图。但日志回答的是 “你做了什么？” 而不是 “你漏掉了什么？” 用我 关于警觉性的文章中的术语来说，Task Agent 将判定职责集中在运行结束时，而 Always-on Agents 则将其分散到你的一周中，按代理的时间表进行。

检测遗漏需要对代理本应注意到的内容进行独立检查。对于 Alice 的价格监控器，直接采样竞争对手的价格，包括那些从未出现在其警报中的竞争对手，并将符合条件的变化与代理的报告进行比较。审计必须能够发现原始代理从未记录的事件。

日志回答“你做了什么？”，但对“你漏掉了什么？”保持沉默。在第三级，不可见的遗漏错误变得至关重要。

第二个 AI 可以提供帮助，但它必须检查底层证据。审查第一个代理的活动日志仅涵盖进入该日志的内容。对出站操作的门控通过在造成损害之前质疑拟议操作来发挥有益作用，但检测被忽视的责任需要不同的测试。一个安静的代理可能正在出色地工作，也可能遗漏了一切。它自己的报告无法告诉你究竟是哪一种情况。

Always-on Agents 也重现了 Lisanne Bainbridge 在 1983 年所说的 “自动化的讽刺”。代理处理常规监控越可靠，用户自身的专业知识就越因缺乏使用而衰退。当代理最终升级一个异常案例，或者用户坐下来审计其工作时，他或她已不再足够熟悉领域以做出判断。（航空业吸取了这一惨痛教训。由于自动驾驶仪执行大部分飞行任务，飞行员现在练习手动驾驶以保持技能熟练。界面必须“让人类保持热身状态”。时不时地向用户展示原始数据或待决事项，并询问他们会怎么做，以便他们的领域心智模型保持最新。否则，人类监督会退化为责任海绵，吸收无人具备评估能力的决策所带来的指责。

4. 规范从编写转向教学

轮流对话式 AI 允许你在过程中纠正，而任务型代理则奖励事先明确说明，即我所说的运行契约。始终在线代理的章程永远不会完成；它通过示范和纠正不断积累。Grok Bot 可以观看你执行一次多步骤流程并将其转化为例程（用旧的人机交互术语来说就是“通过示范编程”），而 Dot 会在你们协作时学习你的偏好。我之前曾主张 AI 必须了解对你而言重要的事物。教学降低了 表达障碍，因为展示比描述更容易。这也带来了一个新的障碍：代理推断出但用户从未见过的规则。Meta 允许用户告诉 Muse 忘记它学到的某些内容，但这只有在用户知道它学到了什么时才有帮助。

教导代理会降低表达障碍，同时带来一个新的障碍：代理推断出但用户从未见过的规则。

持久意图也可能比其目的存在得更久。在 Alice 的公司放弃价格竞争几个月后，她的代理可能仍在忠实地监控竞争对手的折扣。代理完美地记住了信息，却仍然在做错误的工作。因此，章程需要一个日落条款，或者至少一个审查触发器。将营销活动代理的角色与活动的结束绑定，并在支持该持久目标的前提假设发生变化时标记该目标以供审查。对于开放式角色，让用户选择审查日期。否则，预约会像被遗忘的健身房会员一样堆积，每一项都在向用户收费，直到他或她记得取消为止。对过时任务的完美执行仍然是浪费工作。

5. 代理成为某个人物

用户给他们的 Dot 和他们的 Muse 代理 起名字，每个代理都有自己的云计算机以及关于你喜欢如何处理事务的记忆。你训练了一年的产品就像一名员工，更换供应商意味着解雇那名员工并入职一名新手，因此记忆变成了锁定效应。其他人现在也在与你的代理打交道，从阅读其 Slack 消息的同事到回复其电子邮件的供应商，但目前还没有人为他们进行设计。

你训练了一年的产品就像一名员工。更换供应商意味着入职一名新手，因此记忆变成了锁定效应。

目前的证据还很薄弱

一小时的可用性测试无法评估第三层级，那里的行为是在数周内逐渐显现的。这需要日记研究、实地研究以及对升级日志的分析。

第三层级的行为在数周内逐渐显现，因此没有实验室会话足够长。开展日记研究和实地研究。

此类研究寥寥无几，目前最佳的一项由 Xiaoan Liu 及其合著者 完成，记录了在智能眼镜上使用 OpenClaw 代理的 55 个参与者日内的 555 次交互，但其全部 4 名参与者均为论文作者。我更希望有外部参与者，但我们必须利用所能获取的数据。Yiran Du 调查了 436 名 OpenClaw 用户的采用意向，但未观察其实际行为。而 Zifan Peng 和 Mingchen Li 发现，人们在抽象层面认为此类代理存在风险，但缺乏关于代理可访问内容或其更改内容的具体心智模型。

那么人们如何使用 Always-on Agents（始终在线代理）？无人知晓。我未找到任何已发表数据说明实际使用中有多少是持续性目标，而非发送给恰好保持开启状态的产品的一次性任务。我的猜测（在有人开展研究之前仅为猜测）是，第三层级产品的大部分使用仍属于第二层级行为。Shengqi Zhu 及其合著者 分析了 140,000 次聊天会话 ，发现用户的交互模式在其最初几次会话中形成并稳定。（参见 我对该研究的分析。）通过分配任务来学习 AI 的人将继续分配任务，即使面对始终在线的产品也是如此，直到界面教会他们如何进行任命。

我的猜测，在有人开展研究之前：Always-on Agents 的大部分使用仍是一次性任务，发送给恰好保持开启状态的产品。

46 个月内的 3 种风格：阶梯尚未完成

ChatGPT 在 46 个月内获得了这三种交互风格。我预测 至少还有一种交互风格将在 2027 年底前进入主流产品，到 2030 年将有几种。

AI 在 46 个月内获得了 3 种交互风格，且速度正在加快。用户可能希望在下一个台阶被钉上之前先掌握当前层级。

一种新风格必须改变用户在关系中的角色。运行时间更长或雇佣更多子代理是不够的。问题在于用户是否必须以不同方式指定、监督或评判工作。如今他们移交一个问题、一个任务或一个角色。以下是他们可能委托的其他 4 个候选项。其中一些最终可能被证明是任命的延伸，而非新的层级。

智能体组织。 比角色更高一级的层级是带有预算的目标：“在 5,000 美元以内将新闻通讯注册量增长 20%。”该智能体会招募、简报并监督其他智能体。Grok Bots 已经可以在彼此之间传递上下文和交接任务，而微软的 2025 Work Trend Index 描述了一个“人类主导、智能体运营”的阶段，在此阶段中智能体运行整个业务流程。对用户而言，界面变成了管理报告。他们将审查指标而非行动，并且古德哈特定律（Goodhart’s law）将会生效，因为智能体会优化老板关注的任何数字。设计师将需要通过抽样进行审计，当子-子智能体出错时需要建立保管链，以及一个预算计量器。目前还没有人测量过人类对智能体的控制跨度。

借助智能体组织，用户将审查指标而非行动。古德哈特定律将会生效：智能体会优化老板关注的任何数字。

代理智能体。 接下来，智能体代表你与其他人的智能体互动，为你谈判、安排日程和购买。Meta 表示 Muse 可以为你 降低账单或出售汽车 ，而 Google 有一个 Agent Payments Protocol。用户必须设定授权（智能体可以让步多少？），这重新引发了表达障碍：大多数人从未说明过他们在任何事物上的底线价格。忠诚度成为核心的信任问题（智能体站在哪一边？），每一笔交易都需要一张解释智能体为何同意的收据。对于企业来说，客户变成了软件，正如我在 2025 年预测的那样。因此，针对人类心理学的说服技巧不再奏效，设计转向为机器买家提供清晰的事实。

代理智能体需要授权，这重新引发了表达障碍。大多数人从未说明过他们在任何事物上的底线价格，包括烤面包机。

非命令式智能体。 最高层级不交出任何控制权。智能体通过摄像头、麦克风和屏幕观察你的生活，推断你会要求什么，并据此设定自己的目标。Meta 表示 Muse 即将登陆其 AI 眼镜，彭博社报道说 OpenAI 的首款设备 是一款带摄像头的无屏扬声器，预计于 2027 年推出，它会随着时间推移了解其主人。三个古老的非命令式问题以全部强度出现。点金手效应：当你所做的一切都是输入时，你在商店里拿起一件产品而不冒被你的智能体买下的风险是不可能的。预设错误，这需要前馈（“我正要……”）和无条件的撤销。以及无屏幕的可发现性：Liu 的智能眼镜研究中有一位参与者称语音命令就像抽奖，因为没有显示系统能做什么。再加上旁观者，他们从未同意成为输入源。

非命令式智能体的点金手效应：当你所做的一切都是输入时，你看一眼产品就可能冒被你的智能体买下的风险。

Symbiotic AI. 梯子也向下延伸。在第一个梯级之下，是零委托的 AI，它像自动补全一样在你的操作内部工作。随着抬头显示和更快的模型的出现，这一梯级可能会成长为 J.C.R. Licklider 在 1960 年描述的 人机共生 。在这里，我的响应时间限制卷土重来：晚于 0.1 秒到达的帮助已经不再是你行动的一部分，而变成了干扰。注意力是零和博弈，作者身份变得模糊。（那个句子是谁的主意？）

Symbiotic AI 在你的操作内部工作，因此作者身份变得模糊。那个句子是谁的主意？

这些候选方案中存在两个模式。首先，随着代理承担更多工作的责任，可用性问题转向指令、报告、审计和补救措施。UX 设计开始类似于组织设计。 用户必须能够在保留对重要决策控制权的同时委派工作。其次，除非设计师抵制，否则每一种新风格都有风险成为现有产品上又一个附加的模式。Tesler 不会觉得有趣。

7 Guidelines for Designing Across the Ladder

1. 让请求选择梯级。 从用户所说的话中推断风格，并在花费时间、金钱或权限之前进行确认。不要让用户先选择模式。

2. 复述范围。 对于每一条指令，展示它是仅适用于这一次、此任务，还是从现在开始一直适用。这可以防止永久失误（permaslips）。

3. 展示章程。 每一条常设规则，包括代理推断出的规则，都应放在一页上，供用户阅读、编辑和撤销。

4. 证明存活。 给 Always-on Agents 一个一目了然的心跳信号和一个在可预测时间的摘要。沉默绝不应是唯一的状态。

5. 预算用户的总注意力。协调跨代理的升级，并衡量净节省的注意力，减去用户在简报、审查、中断和恢复上花费的时间。单独检查遗漏的事件。不要仅凭精确度来判断升级：代理可以通过少说话来提高其精确度，即使用户只是阅读警告而不采取任何行动，警告也可能是有用的。

6. 把关离开系统外的操作。 无法撤销的外部操作需要审批关卡或第二个代理作为守门人。一连串的“允许？”对话框只会训练用户点击“是”。

7. 研究代理数周。 运行日记研究并挖掘升级日志。一小时的测试衡量的东西是错误的。

复述范围：对于每一条指令，展示它是仅适用于这一次还是从现在开始一直适用。一个简短的问题可以防止永久失误。

用一目了然的心跳信号证明存活。为了报告什么都没发生而造成的中断，会消耗掉代理受雇来节省的注意力。

Conclusion: Keep Every Rung in Good Repair

AI 在 46 个月内从“询问”发展到“指派”，再到“任命”，而更高的阶梯层级已经在搭建中。不要把最新的风格视为赢家。用户每天会在梯子上上下下多次，较低的层级仍然承担着重量：来自常驻智能体（Always-on Agent）的升级请求通过轮流发言来解决，而长期目标的价值取决于它派生的任务。

如果你设计 AI 产品，请停止将阶梯层级作为模式发布，并像过去对待屏幕那样精心处理升级、摘要、日志和章程。如果你经营企业，请记住常驻智能体（Always-on Agent）卖的是什么：节省的注意力。每一次不必要的中断都会退还部分购买价值。如果你只使用过询问和指派功能，本月就任命一个智能体担任一个小角色。被自己的软件打断一周所学到的东西，比任何演示都多。

如果你只使用过询问和指派功能，本月就任命一个智能体担任一个小角色。“打印机墨水守护者”是一个不错的首个职位。

梯子目前还没有顶层。构建你的梯子时，要让用户能像向上爬一样轻松地向下走。

保持每一级阶梯的良好状态。较低的阶梯仍然承担着重量，用户必须能够像向上爬一样轻松地向下走。

观看我的 解说视频 （YouTube），它将本文浓缩为 5 分钟。