Jakob Nielsen：用户预期经济学与AI时代的 Jakob 定律

摘要： 用户会将每一个新设计都与由成千上万个旧设计构建的心理模板进行比较。熟悉的控件能让这种训练成果为你所用，因此界面应当看起来像它本身的样子，并且表现得像它所模仿的对象。我通过心理学和设计领域的 7 项原则解释了哪些期望值得尊重，以及何时改进值得让用户重新学习：雅各布定律（Jakob’s Law）、心智模型与图式、最小惊讶原则、代表性启发法、示能（signifiers）、单纯曝光效应以及 MAYA 原则。

（本文所有插图均使用 GPT Image 2.5 Sunburst 制作。）

这篇文章长达近 10,000 字，因为它涵盖了广阔的 UX 理论和建议领域，并回顾了 125 年的研究文献。如需简短概述，请观看我的 6 分钟 动画讲解视频（YouTube）。

用户在来到你的产品之前，已经由其他公司付费完成了“预训练”。在任何人接触你的设计之前，成千上万的网站、应用、商店、门和表单已经塑造了他或她的期望：按钮长什么样，搜索功能在哪里，“取消”做什么，以及结账流程如何进行。

用机器学习的术语来说，你的新手引导是一次持续几秒钟的微调运行，应用于一个由数十亿次先前曝光构建的基础模型。你的产品在用户的脑海中运行，而那个大脑是在其他人的产品上训练出来的。

用户在来到你的产品之前，已经由其他公司付费完成了“预训练”。违背惯例，就是要求他们在你的门口摒弃那些学到的经验。

在观察用户行为的 40 年里，我发现由于违反期望而导致的设计失败远比因缺少功能而导致的失败更常见。这篇文章联系了 7 项原则和发现：雅各布定律、心智模型与图式理论、最小惊讶原则、代表性启发法、示能、单纯曝光效应以及 MAYA 原则。它们源自不同的研究传统，但都认同期望决定用户体验的成败。

期望拥有其自身的经济体系。你可以通过惯例借用这些期望，并通过一致性将其存入银行。违反它们，就是在向用户征税。创新，则是在花费有限的预算。明智地运作这个经济体系，可用性随之而来。

期望经济：一个兼作心智模型的类比。

给同为 AI 爱好者的同行们一个警告：正如以下章节所示，对话式 AI 和智能体使每一条这样的定律变得更加严苛。

对话式 AI 和智能体提高了用户期望每条定律的风险等级。

雅各布定律：用户大部分时间花在其他网站上

我在 2000 年提出了 Jakob’s Law of the Internet User Experience ：用户大部分时间都花在 其他 网站上，因此他们期望你的网站能像他们已经熟悉的其他网站那样运作。（是的，我用我自己的名字命名了它。品牌效应奏效了。）该定律不仅适用于网站，还适用于人们在不同设计之间自由切换而不局限于某一个的任何场景。在 2026 年，这包括 AI。

算术结果很严峻。假设你运营着一款成功的产品，一位忠实用户每天给你 10 分钟。如果该用户每天花 7 小时盯着屏幕，你的份额仅为 2.4%。（数字是粗略估计；任何合理的估算都会得出相同的结论。）

该用户剩余 97.6% 的屏幕时间属于其他公司的设计，这些设计提供了他/她的大部分训练。你继承了这位“毕业生”。

用户大部分时间花在其他网站上，由那些网站完成训练。你继承了这位“毕业生”。

因此，惯例占据主导地位。设计惯例是一种众包的心智模型。没有人规定标志必须位于左上角并链接到主页，搜索功能必须位于页面顶部附近，或者购物车图标必须存放待购商品。数百万个网站上的数十亿次曝光完成了教学，每个用户都携带着文凭。

惯例让你的产品免费继承这种训练。违背它们，用户就必须在你家门口重新学习这些课程。

设计惯例是一种众包的心智模型。只有当你的替代方案能更好地服务用户时，才偏离它。

心理学家称这种机制为 学习迁移。Edward Thorndike 和 Robert Woodworth 在 1901 年的研究 中表明，技能仅在任务共享相同元素的情况下才会转移。惯例创造了正向迁移。

相比之下，近似惯例可能会产生负向迁移。看起来相同但行为不同的元素会将旧技能变成负担，就像倒装的电灯开关一样。

明显新颖的控制至少能赢得用户的注意。一个看似熟悉却表现异常的控制会招致自信的错误点击。Masahiro Mori 在 1970 年描述了机器人的恐怖谷现象，交互设计中也有类似的情况。近乎标准可能比明显不同更糟糕。

近似惯例导致负向迁移：一个看似熟悉却表现异常的控制会招致自信的错误点击。在国外在道路的“错误一侧”驾驶说明了为什么近乎标准可能比明显不同更糟糕。

这条法则是有约束力的。在我引用的一篇关于雅各布定律的研究中，将 Logo 居中放置而非置于左上角，导致用户无法通过一次点击到达主页的比例从 4% 飙升到了惊人的 24%。仅仅因为一个小小的偏离——某些设计师无疑认为这样更优雅——失败率就增加了六倍。滚动劫持（Scroll-hijacking）是另一种流行的偏离做法，它劫持了用户期望按自己节奏移动页面的滚轮，让用户感到迷失方向。

将 Logo 居中放置导致用户无法通过一次点击到达主页的比例从 4% 升至 24%。某些设计师无疑认为这样更优雅。

只有当你的替代方案能显著提升用户体验时，才应偏离常规。微小的收益或更新颖的作品集展示不足以证明其代价合理。偶尔，一种更好的偏离会成为下一个惯例，其他人纷纷效仿。

大多数偏离并未获得这种殊荣。大多数只是披着风格指南外衣的自我表现。

大多数对常规的偏离从未赢得成为下一个标准的权利。大多数只是披着风格指南外衣的自我表现。

AI 拥有自己的雅各布定律（以及一条反向定律）

重述 2026 年的这一定律：除非你恰好是 OpenAI、Google 或 Anthropic，否则用户大部分 AI 时间都花在 其他 AI 产品上，因此他们期望你的产品像他们已熟悉的市场领导者那样运作。数亿人已经内化了底部的提示框、流式回复、停止按钮、侧边栏的对话列表，以及重新生成和复制按钮。这些惯例诞生不到 4 年，违反它们已经开始向用户收取同样的“税”。

除非你是市场领导者，否则用户大部分 AI 时间都花在其他 AI 产品上，因此他们期望你的产品像他们已熟悉的聊天机器人那样运作。

三个变体完善了这一定律的版本。首先，对话式 AI 继承了地球上最古老的惯例体系：人类对话，包括轮流发言、礼貌，以及假设对方记得三轮前说过的内容。一个丢失上下文的 AI 违反了比字母表还古老的预期。

其次，AI 惯例如同湿水泥，就像 1995 年的网站惯例一样。它们仍在凝固中，最大的产品留下最深的足迹。因此要尽早采用新兴标准，每季度跟踪它们，并将你的创造力留给那些能带来回报的功能领域。

第三个变体是 反向雅各布定律：在 AI 中形成的预期现在回流到传统软件中，暴露了其僵化性。三十年来，用户容忍了只匹配精确关键词的搜索栏、需要点击 12 个复选框的过滤器，以及因多余括号而拒绝电话号码的表单。其他每个网站同样死板，因此僵化成了惯例。

这种容忍度已经过期。每天花一小时使用理解混乱意图并修复糟糕措辞的 AI，会让昨天的标准网页搜索感觉像是脑死亡。

AI 正在提高所有软件对意图容忍度 的基线期望。即使你的产品本身不包含 AI，AI 产品现在也在训练用户的期望。

雅各布定律的反向应用：一旦用户习惯了 AI 的意图容忍度，僵化的传统表单和仅基于关键词的搜索就会显得毫无智能。

心智模型与图式：大脑会自动补全你的设计

大约三分之一的美国人认为他们的家用恒温器像汽车的油门一样工作：把它调到 90 度，房子就会加热得更快。事实并非如此。

恒温器只会打开或关闭炉子。将其设置为 90 度并不会让炉子更费力地工作。它只是让炉子一直运行，直到房子达到令人窒热的 90 度。但那些持有“油门”信念的人会把温度调高以快速温暖寒冷的房间，然后忘记调低，结果整晚都被烤着。

Willett Kempton 在一篇1986 年的论文中记录了这些关于家庭供暖相互竞争的“反馈”理论和“阀门”理论，估计有 25–50% 的美国人持有物理上错误的阀门模型。一个不起眼的恒温器就体现了整个问题。人们可以逻辑清晰地行动却仍然出错，因为他们的模型是错误的。

多达一半的美国人持有家庭供暖的阀门模型：把恒温器调到 90 度，房子就会加热得更快。这个模型是错的，但行为在逻辑上遵循该模型。

定义：心智模型是一个人对于某事物如何工作的内部表征：一种简化的、通常不完整的理论，使他能预测系统的行为并决定如何应对。关键词是简化。

没有人携带网站架构或操作系统文件结构的精确蓝图。但一个粗略的工作理论通常足以完成任务，即使它在关键方面是错误的。

这一概念可追溯到苏格兰心理学家 Kenneth Craik，他在 1943 年的书The Nature of Explanation 中提出，大脑会构建现实的“小规模模型”以预期事件。这一想法随后沉寂了 40 年，直到 Philip Johnson-Laird 的书Mental Models 以及由 Dedre Gentner 和 Albert Stevens 编辑的一部配套文集（均出版于 1983 年）将其带入主流。从此它进入人机交互领域并从未离开。

心智模型的价值在于预测重要的结果，即使它并不完全真实。工程师们仍然使用牛顿物理学建造桥梁，尽管爱因斯坦的理论更为完备，因为牛顿的理论对于桥梁承受的载荷来说已经足够准确。

Kempton 的阀门理论家正确预测了房间会变暖和，但他们的模型在恒温器的行为与阀门的行为出现分歧时失效了。一个在无害之处出错的可用模型，胜过一个人无法持有的精确模型。

始终存在两个模型：用户的（他或她认为 系统如何运作）和设计师的（设计师理解系统如何运作）。界面是两者之间的桥梁。Don Norman 将其称为 system image：即屏幕、标签、行为和文档，用户从中构建自己的模型，而设计师往往从未与用户交谈过。

构建者拥有一个详细的模型，因为他们构建了系统。用户必须根据产品提供的任何证据来构建自己的模型，就像侦探根据一些模糊的线索工作一样。这种差距导致了许多可用性问题。几十年来，我一直重复这个由此产生的口号：你不是用户。

图式理论解释了其底层的机制。

定义： Schema（复数：schemata）是一种组织化的知识结构，它编码了事物是什么、它们如何关联以及接下来通常会发生什么。感知和记忆通过将传入的细节匹配到最接近的存储模板并用该模板的默认值填补缺口来重构现实。

Immanuel Kant 在 1781 年使用了这个术语，Frederic Bartlett 在 1932 年使其成为实证研究，Jean Piaget 围绕它建立了儿童发展理论，而 David Rumelhart 在 1980 年的章节中将 schemata 誉为“认知的基石”。认知科学中很少有想法比这更经久不衰。

Bartlett 在他 1932 年的书 Remembering 中的方法简洁优雅。英国参与者阅读了“The War of the Ghosts”，这是一篇充满陌生意象和事件的美洲原住民民间故事，然后复述它，有些人反复复述长达数月。

复述以三种系统性的方式发生偏移：同化（独木舟变成了船，海豹狩猎变成了捕鱼），简化（奇怪的细节被省略），以及锐化（选定的细节变得更加突出）。记忆从最可用的模板重建了故事。

你的用户对界面也做同样的事情。大脑会自动补全。用户在搜索框通常所在的位置寻找搜索框，无论你是否在那里放置了一个，并且他们后来会记得你的结账流程像其他所有结账流程一样工作。对抗模板，模板通常会赢。

大脑会自动补全：用户在搜索框通常所在的位置寻找搜索框，无论你是否在那里放置了一个。

用户带着通过先前经验建立的丰富 schemata 到来。匹配它们，你就能获得无需培训的可用性。每一个无谓的偏差都会增加 schema debt：用户以错误和犹豫为代价，而你以流失的转化和支持工单为代价。

当你发现用户模型与你的系统之间存在差距时，你有三种可能的修复方案。按此顺序尝试：

1. 更改设计 以匹配用户已有的模型。这几乎总是正确的答案。

2. 如果无法匹配现有模型，就让正确的模型易于形成 通过可见状态、诚实标签以及展示操作后果的反馈来实现。

3. 仅作为最后手段，教授新模型，并接受大多数用户会跳过说明的事实。因为团队偏爱自己的发明而强迫用户放弃可用的模型是 普罗克拉斯提斯式设计（Procrustean design）：拉伸客人以适应床铺。（忒修斯用普罗克拉斯提斯自己的方法杀死了他，这一命运值得你在下次重新设计评审中深思。）

普罗克拉斯提斯式设计迫使用户放弃可用的心智模型，因为团队偏爱自己的发明。首先改变设计；仅将教授新模型作为最后手段。

如何发现差距？观察真实用户。当某人做出让你嘀咕“他们到底为什么要那样做？”的行为时，你就找到了该用户模型与你模型之间可能存在的分歧。将这种令人困惑的行为视为关于用户模型的数据，而不是用户错误。在针对 5 名用户的测试中，不匹配往往很快显现，因为一个人接一个人做出了相同的错误预测。

修复心智模型不匹配的三步：好的裁缝修改西装以合身顾客。普罗克拉斯提斯则反其道而行之，使用了步骤 3 的一种折磨版本。

犹豫标志着可见的故障，但一些代价最高的误解会产生完全自信的点击。为了在下一次可用性研究中揭示心智模型，选择一个在两种合理模型下后果不同的操作。在揭示结果之前，要求用户预测结果。

为了揭示心智模型，选择一个在两种合理模型下后果不同的操作，并在你揭示结果之前要求用户预测结果。

AI 的民间模型在错误的地方出错

用户持有 AI 的民间模型，每个模型都可能扭曲他们使用系统的方式。“数据库”和“搜索引擎”模型暗示忠实检索，因此幻觉感觉像是在撒谎（数据库不会凭空捏造行）。

“人”模型是最强的自动补全。流畅的话轮转换触发人类对话图式，用户用人类默认值填补空白。他们可能假设系统记得上个月的聊天，知道自己何时不确定，并且言出必行。这些民间模型都不符合大型语言模型的行为方式。

图式作为捆绑包激活，这提高了风险。当界面表现出一种高显著性的人类特征，如流畅的散文，图式传染（schema contagion） 就会完成剩下的工作。

然后用户的大脑可能会假定其余的人类技能库：常识、情景记忆、对无知的意识以及基本算术。在 30 万年的人类互动中，这些特质是一起出现的。一位写得像罗德学者一样的同事仍然可以数出一个单词中的字母数量。

图式传染：某一项高显著性的人类特征，例如流畅的表达，会让人们把整套人类特质都代入其中，包括系统可能并不具备的判断力。

AI 打破了这种相关性，呈现出锯齿状能力：在综合方面超越人类，却容易犯琐碎的逻辑错误，且这条看不见的边界随着每次模型发布而变动。当一个拥有博士级词汇量的系统犯下幼儿园级别的错误时，可能会引发图式破碎，用户可能在鲁莽的过度信任与全盘否定之间像钟摆一样摇摆。页脚免责声明无法遏制图式传染，因为流畅的文字会在每一轮交互中重新激活人类图式。

在我从事 UX 工作的 43 年中，我第一次只能部分使用修复方法一（改变设计以匹配用户的模型），因为无论我们在其周围包裹什么，技术的核心行为始终保持概率性。因此，AI 设计必须异常倚重修复方法二：帮助用户形成一个可行的新模型，具体做法包括展示来源、揭示系统能看到和不能看到的内容（上下文指示器优于小字免责声明），并在使用时刻于界面中说明功能。

就像恒温器一样，一个够用的模型即可。一个博览群书但患有失忆症、仅依据桌上资料工作且从不承认自己在猜测的温度计，是一个能引导正确习惯的模型。对于智能体，用户需要一个关于委托契约的心智模型：智能体可以自行处理哪些内容，哪些需要许可。如果把这些边界隐藏在设置页面里，用户的图式会乐呵呵地自动补全错误的边界。

智能体需要一个委托契约，明确列出它们可以自行做什么以及哪些操作需要许可。如果边界模糊不清，它们就会被创造性地解读。

最小惊讶原则：意外是一种可用性缺陷

定义：最小惊讶原则（POLA，也称为最小意外原则）指出，当多个设计方案都能满足需求时，应选择违反用户预期最少的那一个。

这一原则有文献记载，它始于程序员，他们是该原则的首批受害者和首批倡导者。“最小惊讶定律”最早见于1967 年的PL/I Bulletin，当时程序员们抱怨 IBM 的新 PL/I 语言，其类型转换规则导致了算术上的意外。到 1972 年，编程语言文献已明确阐述这一定律：每个构造都应表现得与其语法暗示一致，语言设计者应尊重既定惯例。

IBM 的 Mike Cowlishaw 在设计 REXX 语言时，将这一民间传说转化为一种工程方法。他筛选每个候选特性时的标准是其“令人惊讶的程度”：一个会不可预测地出错的功能“具有高惊讶因子，因此是不可取的”（IBM Systems Journal, 1984）。Eric Raymond 后来在 The Art of Unix Programming (2003) 中将这一理念奉为 最小惊讶原则。

使用强烈的措辞是有意为之的。惊讶是用户喃喃自语“刚才发生了什么？”的时刻。在那一刻，无论规范怎么说，设计都失败了。

每一次惊讶都会收取一笔 惊讶税：一次犹豫、一次错误点击、需要恢复的错误，以及用户对品牌信任的一次小额扣除。每笔税款都很小。但在整个购买漏斗中，它们会累积成放弃行为。

每一次惊讶都会收取一笔惊讶税：一次犹豫、一次错误点击和一次小额的信任扣除。在整个购买漏斗中，这些税款会累积成放弃行为。

示例： 一个订阅取消对话框询问“取消订阅吗？”并提供两个按钮：“Cancel”和“OK”。标签中没有揭示哪个按钮能停止扣费。尽管如此，有人还是发布了它。

提供“Cancel”和“OK”的取消对话框让用户猜测哪个按钮能停止扣费。

为什么当修复只需一眼就能完成时，意外却如此伤人？因为惯例以习惯的形式存在，而习惯在用户查阅知识之前就会触发。Paul Fitts 和 Michael Posner 在 1967 年将技能获取描述为三个阶段：认知阶段、关联阶段和自主阶段。经验丰富的用户在自主阶段会自动运行你所在领域的常规操作。被违反的惯例会将他们拉回任务中途的认知阶段，就像盲打者突然被迫寻找按键一样。

Don Norman 在 1981 年将由此产生的失误命名为 捕获错误：即使人们知道得更多，熟悉的序列也会捕获行为。等到知识跟上时，习惯已经行动了。所以要为反射进行设计，因为它最先触发。

习惯在知识能够干预之前就执行了熟悉的序列，即使用户知道得更多。

可预测性是你所能买到的最便宜的可用性，因为你遵守的每一个惯例都引入了别人已付费的培训：Ctrl+Z 用于撤销，Esc 用于关闭对话框，移动端上的滑动返回，以及主要操作放在平台对话框通常放置的位置。自 1994 年以来，一致性一直是 我的 10 项可用性启发式列表 中的第 4 条启发式，而 POLA（最小惊讶原则）是其执行机构。 游乐园出售惊讶；软件团队则在支持工单和被遗弃的购物车中为此买单。

我的操作性测试：观察 5 位用户尝试你的核心任务。如果有 2 人在同一个控件上犹豫，你就找到了一个“惊讶税”的征收点。在打磨像素之前先修复它。（不，2/5 这个阈值并非一成不变，因为定性研究不支持硬性统计数据。但作为经验法则，几十年来它一直对我很有效。）

团队以两种方式滥用这一原则。首先，他们将其作为维持现状的盾牌来否决改进措施，却忘记了保留一个有缺陷的流程会向每一位未来用户征税，只为迁就少数老用户。在屈服于怀旧情绪之前，请计算总账，包括未来的用户。

其次，团队用自己的预期取代用户的预期。在一个项目上待了 6 个月后，一切对你来说都显得理所当然，包括那些其他人根本无法猜到的东西。请与从未见过该产品的人进行测试，因为只有他们还能感到惊讶。

有时创新值得让用户感到惊讶。当确实如此时，要带着“安全气囊”去制造惊讶：宣布变更，展示预览，起初将旧行为设为默认选项，并将撤销功能放在一键可达的地方。有意为之的惊讶，绝非意外发生。

当创新需要制造惊讶时，请带着“安全气囊”去惊讶：宣布变更，展示预览，起初将旧行为设为默认选项，并将撤销功能放在一键可达的地方。

区分两种类型的惊喜。结果惊喜，即优于预期的结果，是愉悦。操作惊讶，即控件表现与预期相反，是惊愕。无论目的地带来的愉悦有多少，都无法弥补令人困惑的旅程。

用户体验中有好的惊喜和坏的惊喜。不要混淆两者。

聊天机器人用文字制造惊讶，智能体用行动制造惊讶

AI 产品在构造上就是惊讶机器。相同的提示词在不同日期可能产生不同的输出，这打破了一个深层的软件惯例：相同输入，相同输出。计算机领域花了 50 年教导用户机器是确定性的，而生成式 AI 在未告知任何人的情况下废除了这一规则。设计师无法消除变异性，但他们可以通过将替代方案呈现为明确的草稿、将重新生成标记为请求新草稿、以及保持昨天保存的答案固定不变，使其变得清晰可辨。

生成式 AI 废除了相同输入产生相同输出的惯例。明确标记重新生成功能，以便用户知道他们正在请求另一份草稿。

对于代理型 AI（agentic AI），风险从像素跃升为后果，因为智能体通过行动制造惊讶。它可能订错航班、发错邮件列表或删除错误的文件。经典的补救措施成为强制要求：执行前预览，执行期间显示可见状态，执行后提供活动日志，并为智能体接触的一切提供撤销功能。

授予自主权应像对待新的人类助理一样：先是建议，然后是请求批准，接着是小任务的独立行动，由用户控制每一次晋升。一个不断让老板感到惊讶的助理会被解雇。一个不断让用户感到惊讶的智能体会被卸载。

逐步授予自主权，由用户控制每一次升级。那些反复让用户感到惊讶的智能体最终会被弃用。

代表性启发法：用户通过外观来评判你的 UI

定义： 代表性启发法是一种心理捷径，人们通过 A 与其对 B 类别原型的相似程度来判断 A 属于 B 类别的概率，而忽略了基础比率、样本量和逻辑。

Amos Tversky 和 Daniel Kahneman 于 1972 年提出了这一启发法，并在他们 1974 年发表于 Science 的论文 中使其闻名，该论文探讨了不确定性下的判断。他们的标志性案例是 Linda 问题 （1983）：参与者阅读了关于 Linda 的描述（31 岁，单身，直言不讳，哲学专业，关注社会正义），并对关于她的陈述进行排序。

85% 的参与者认为“银行出纳员且积极参与女权运动”比单纯的“银行出纳员”更有可能发生，这在逻辑上是不可能的，因为每一位女权主义银行出纳员同时也是银行出纳员。描述符合女权主义者的原型，而相似性碾压了逻辑。

在 Linda 问题中，85% 的参与者认为“银行出纳员且积极参与女权运动”比单纯的“银行出纳员”更有可能发生，这在逻辑上是不可能的。相似性碾压了逻辑。

（Kahneman 因这项研究计划获得了 2002 年的诺贝尔经济学奖。Tversky 已于 1996 年去世，委员会不追授奖项。）

用户没有太多时间去推理你的界面，因此他们也通过相似性对像素进行分类：

• 可点击性是一种伪装。 看起来像按钮原型的元素会被点击。在扁平设计风潮期间，许多真正的按钮脱去了这层伪装变得隐形，而装饰性盒子却意外穿上了它，收割了无效的点击。

可点击性是一种伪装。看起来像按钮的装饰性元素会收割无效的点击，而被剥去伪装的真正按钮则无人问津。

• 整个页面都有原型。 结账页面应该看起来像结账页面，搜索结果页面应该看起来像搜索结果页面。用户首先识别类别，其次操作细节。

• 信任是一种相似性判断。 在 BJ Fogg 的斯坦福研究 （2003 年，2,684 名参与者）中，46% 关于网站可信度的评论涉及视觉设计，这是迄今为止最大的类别。而在 2006 年，Gitte Lindgaard 及其同事表明，人们仅通过 50 毫秒 浏览页面就能形成一致的视觉吸引力判断。在阅读一个单词之前，访客就会判断你的网站是像一家合法企业还是像诈骗网站，因此业余的排版会让一家诚实的公司穿上 诈骗伪装。这不公平，但可以预测。

信任是一种相似性判断，视觉吸引力在 50 毫秒内就会被评判。一家拥有业余设计的诚实公司无论如何都会穿上诈骗伪装。

黑暗设计 行业依靠伪装进行欺骗：伪装成真实按钮的虚假下载按钮、伪装成编辑内容的广告、伪装成操作系统的假冒对话框，以及伪装成你银行的钓鱼网站。每一种都有效，因为图式在审查之前就触发了。这种设计读取用户的想法，然后掏空他们的口袋。

整个流派都对用户充满敌意。每种欺骗也会耗尽所有设计师共享的公共资源。一旦用户知道伪装会撒谎，他们也会对你的诚实按钮犹豫不决。

黑暗模式依靠伪装进行欺骗。钓鱼之所以有效，是因为图式在审查之前就触发了。

团队也通过相似性欺骗自己。他们招募“看起来像我们的人物角色”的参与者，而不是行为符合细分群体的参与者。他们将 5 人定性研究的发现视为总体统计数据，这是 Tversky 和 Kahneman 在 1971 年诊断为小数目定律信念的错误。用 5 个用户测试以发现可用性问题；用数千个用户测量转化率。

AI 流畅度穿着专家的外衣

流畅性伪装成专业知识。自信、口齿伶俐的文字信号表明这是一个知识渊博的人，因此用户可能仅仅因为聊天机器人的雄辩而相信其回答。

表面显示“教授”，即使答案缺乏洞察力。这种伪装天生合身，因为大型语言模型是一个代表性引擎，经过训练以生成合理的文本延续。无论输出是否是好答案，它都可能 resemble 好答案的原型。

流畅性伪装成专业知识。表面显示“教授”，即使实质内容缺乏洞察力，因此请将流畅的 AI 输出与来源及验证方法配对。

用户无法检查模型的内部，这使得校准成为一项设计义务：将流畅的输出与来源、不确定性标记和验证可供性配对，以免将雄辩误认为准确。

生成式 AI 也实现了“服装犯罪”的工业化。精美的文案、逼真的标志和克隆的声音过去需要技能和资金，这种成本为用户提供了辨别真实性的粗略线索。如今，任何骗子都能以几分钱获得这三样东西。因此，诚实的产品必须加强那些难以通过模仿伪造的信号，例如经过验证的发件人、一致的域名和内容来源。

最后，注意你所在组织内部 AI 输出的“伪装”。幻觉生成的分析看起来像一份尽职的报告，配有标题、表格和执行摘要，而审查者会给予这种格式在其他地方已赢得的可信度。通过检查其主张来评判 AI 的工作，因为剪裁得体的西装可能是空的。

薄弱的分析被格式化得像一份尽职的报告。通过检查其主张来评判 AI 的工作；优雅的剪裁不能替代验证。

能指：看起来像你是什么，并说出你能做什么

“服装”告诉用户某物属于哪个类别。能指更进一步：它告诉用户可以 做 什么。我的好朋友 Don Norman 在他 1988 年的经典著作 The Design of Everyday Things（在我看来，仍然是关于用户体验写得最好的书）中向设计师介绍了可供性（affordances）的概念。他在 2013 年的修订版中完善了术语，遵循他 2008 年的文章 “Signifiers, not affordances”：在界面中重要的是 能指（signifier），即传达操作可能性的可感知信号。

写着“拉”的门把手，写着“按”的凸起按钮，写着“点击”的下划线短语：有了这样的能指，设计无需手册即可自我解释。一扇需要贴着“推”标识的门作为门已经失败了。

一扇需要贴着“推”标识的门作为门已经失败了。

代表性和能指共同解释了为什么界面应该看起来像它们所是的样子。每个控件都必须穿着其真实的类别并宣传其真实的操作。2010 年代的扁平化设计风格进行了一场长达十年的剥离这些信号的自然实验，用户输了。无边框按钮、无下划线的链接和无框字段迫使人们悬停、戳弄和猜测。我发布我的 10 个基本 GUI 小部件的 86 条指南 主要是为了修复那种损害。

不可见的能力就是不存在的能力。

扁平化设计剥离了界面的能指，用户输了。

能指回答了用户对每个控件提出的两个问题中的第一个：“我在这里能做什么？”第二个问题是“如果我做了会发生什么？”Tom Djajadiningrat 及其同事在一篇题为 “But how, Donald, tell us how?” 的 2002 年论文 中将第二个问题的答案命名为 前馈（feedforward）。前馈预先描述操作的后果；反馈事后报告它们。

按钮标签是一种示能；一个列出文件名的“删除 14 个文件？”确认框是前馈；清空后的文件夹则是反馈。

前馈在用户采取行动之前告知该操作将产生什么结果，正如反馈在行动之后告知用户发生了什么。

诺曼于 1986 年提出的两个鸿沟概念统摄了这三者。示能和前馈弥合执行鸿沟（我如何让它做我想做的事？），而反馈弥合评估鸿沟（它做了我想要的事吗？）。

示能、前馈、反馈：每个控件都欠用户三个答案。

但有一个陷阱：前馈会随着单纯暴露而衰减。每天显示 20 次确认对话框，菲茨和波斯纳的自主阶段就会吞噬安全检查本身。用户不再阅读预览，而是凭肌肉记忆点击“确认”，你的安全气囊便沦为灾难前的仪式性点击。

结果是 安全气囊悖论：统一的摩擦导致盲目批准。对于高风险或不可逆的操作，尤其是涉及 AI 代理时，前馈需要 异常驱动的摩擦。

安全气囊悖论：每天显示 20 次确认对话框，习惯就会吞噬安全检查本身。将中断式确认保留给异常或高风险操作。

让常规、可逆的操作静默运行并支持一键撤销，仅对昂贵、不可逆或超出用户常规模式的操作保留执行前预览。当你必须阻止用户的操作时，故意打破你自己的对话框惯例（例如，要求特定选择而非习惯性点击绿色按钮）。这是 UX 中可控剂量的 惊讶感 可以成为特性的地方，因为它能在捕获错误造成实际金钱损失之前，将用户从自主阶段惊醒。

最好的 AI 产品正在重新发现按钮

聊天框是一个示能真空：一个空矩形，没有向用户提供能力菜单、可见选项或关于系统优势和局限的线索。经典 GUI 无论有何缺点，都将命令展示出来；对话式 UI 则将命令隐藏在空洞的凝视背后。用诺曼的话说，聊天同时扩大了两个鸿沟：用户必须猜测他们可以问什么以及如何措辞，然后猜测回答是否满足了他们的需求。

聊天框是一个示能真空：一个空矩形承诺了一切却未指示任何内容。

更糟糕的是，空框要求用户撰写精心组织的文字才能获得良好结果。正如我在分析 表达障碍 时所论证的，富裕国家约有一半人口缺乏舒适地表达复杂意图的写作技能。这些用户需要示能来告诉他们该问什么以及如何问。

示例提示词、建议芯片、斜杠命令、能力菜单以及针对频繁意图的结构化表单，为对话添加了熟悉的 GUI 示能。2026 年最好的 AI 产品正在重新发现按钮。

表达障碍：空白的提示框要求精心组织的文字，而富裕国家大约一半的人口缺乏提供这种文字的写作能力。

对于智能体（agents），用持久的状态界面取代滚动的文本记录：一个显示活动任务和受影响对象的实时仪表盘。如果没有状态标识符，智能体就会变得不可问责，无论它感觉多么神奇。

Mere-Exposure Effect: Familiarity Breeds Liking, Not Contempt

定义： 单纯曝光效应是指由于反复接触某一刺激物而导致的好感度增加，无需奖励、说服或互动。

密歇根大学的 Robert Zajonc 谨慎地选择了 mere 这个词。他将1968年的专著命名为 “Attitudinal Effects of Mere Exposure” (PDF)，以强调仅仅是曝光就起到了作用。他的参与者看到了不同频率出现的无意义单词、汉字式象形符号和年鉴照片，刺激物出现得越频繁，他们就越喜欢它。

随后情况变得更加奇怪。在1980年发表于 Science 的一篇论文中，William Kunst-Wilson 和 Zajonc 仅闪烁不规则多边形一毫秒，时间太短以至于无法被有意识地识别。当被问及见过哪些形状时，参与者的表现与随机猜测无异。但当被问及他们 喜欢 哪些形状时，他们可靠地更偏好那些曾曝光过的形状。这是一种无需记忆的好感。Robert Bornstein 在1989年进行的 元分析 涵盖了从1968年到1987年发表的200多项实验，并证实了该效应在各种刺激类型中的存在。

历史提供了一个纪念碑大小的证明。1887年，巴黎的艺术精英们请愿反对计划建造的埃菲尔铁塔，称其无用且丑陋。经过几十年的曝光后，这座“丑陋”的铁塔成为了法国本身的象征。

为什么曝光会滋生好感？最有支持的答案是处理流畅性（processing fluency）：熟悉的刺激物更容易被感知，而这种轻松感本身令人愉悦。Piotr Winkielman 和 John Cacioppo 在 2001年的研究中表明 ，易于处理的图片激活了微笑肌肉，而参与者并未察觉。Rolf Reber 及其合著者（包括 Winkielman）在 2004年 推广了这一发现：任何提高流畅性的因素（熟悉度、对称性、对比度、典型性）都会提高好感度。

处理流畅性：熟悉的设计更容易被感知，这种轻松感本身令人愉悦，即使用户并未察觉。

因此，原型是美丽的。Jamin Halberstadt 和 Gillian Rhodes 在 2003年的研究中发现 ，数字平均化的鸟类、鱼类和汽车都被评为比单个样本更具吸引力。对于汽车这一唯一的人造类别，熟悉度解释了这种偏好。

因此，当用户称传统设计为“简洁”而将创新设计称为“杂乱”时，他们通常是在报告流畅性而非像素数量。符合模板的界面在字面意义上更容易被看清。

原型是美丽的：数字平均化的鸟类、鱼类和汽车比单个标本被评为更具吸引力。

对于用户体验而言，单纯曝光效应提供了支持惯例的情感论据。雅各布定律涵盖了认知层面：标准模式被理解得更快。扎荣茨补充说，它们更受喜爱，因为购物车图标和左上角的标志承载着数十年来通过数十亿次曝光积累的善意。

这种善意储备就是熟悉度资本。产品内部的一致性会使其复利增长，因为每一个复用相同图标、颜色和布局地标屏幕都会存入一小笔资金。

设计师们在追求原创性的永恒过程中，往往对熟悉的设计抱有蔑视。但用户喜欢熟悉的元素，部分原因在于睡在熟悉的洞穴中曾帮助他们避免被洞熊吃掉。挑战数百万年的进化规律是有风险的。

然而，无论多么合理的重新设计都会消耗熟悉度资本，其中最大的成本落在你最忠诚的用户身上。期望有两个来源：新手带来的世界通用惯例，以及老手带来的产品自身历史。这就是为什么重新设计的抱怨来自你最好的客户，也是为什么“指标改善了”和“论坛炸锅了”往往同时成立。

有时这种提取是值得的。无论如何，请为此做好预算规划。

重新设计会提取熟悉度资本，且从最忠诚的用户那里提取最多。今天被憎恨的版本将成为明天被喜爱的经典。

三种滥用情况值得警惕。第一，过度曝光：正如博恩斯坦及其同事在 1990 年所示，曝光–喜好曲线呈倒 U 型。广告商称之为疲劳；用户则会对你的第五个完全相同的追加销售横幅说出不可言喻的话。

轮换并间隔安排促销创意。重复可以建立对品牌的喜爱，但一成不变的横幅会滋生那句谚语所说的蔑视。

第二，“用户已经习惯了”这一借口：那个自动驾驶般执行 14 步工作流的老手展示了人类的韧性。这并非对设计的赞美，因为它仍然让每一位新员工花费数周时间进行培训。分别衡量任务表现和偏好，并让表现凌驾于喜爱之上。熟悉的垃圾仍然是垃圾。

老手自动驾驶般执行 14 步工作流展示了人类的韧性。熟悉的垃圾仍然是垃圾。

第三，误读 A/B 测试：变化厌恶可能导致更好的重新设计在首周失败，仅仅因为它不熟悉，而平庸的现有版本的满意度评分因多年的曝光而被虚高。运行重新设计实验 2–4 周，并判断趋势线而非初始快照。

AI 模型替换 = 隐形重新设计

单纯曝光效应有助于解释 AI 的采用速度。聊天线程因多年的短信使用而预先获得了好感，这使得一种陌生的技术能够借助地球上最熟悉的交互模式之一进入大众视野。

但 AI 产品找到了一种新的方式来消耗熟悉度资本：在不改变像素的情况下改变行为。更换底层模型后，语气、冗长程度和拒绝模式可能会在一夜之间发生变化，而界面看起来却完全相同。用户将这些变化体验为重新设计。当用户抗议某个 AI 产品在升级后“变差”时，他们可能是在对变化的个性做出反应，而不是对质量下降做出反应。OpenAI 在 2025 年 8 月学到了这一点，当时它用 GPT-5 取代了 GPT-4o，并且 用户发起了反抗。在 3 天内，旧模型回归，Sam Altman 承认 OpenAI 低估了人们在 GPT-4o 中喜欢的东西对他们的重要性，“即使 GPT-5 在大多数方面表现更好。”

更换底层 AI 模型，语气、冗长程度和拒绝模式会在一夜之间发生变化，而界面看起来却完全相同。尽管像素保持不变，用户仍会体验到一次重新设计。

补救措施遵循经典的重构实践：宣布模型变更，逐步推出，在过渡期间保留旧模型可用，并在升级过程中保持产品的语气和人设稳定。曝光也以 AI 的速度累积：像流式文本和“思考”指示器这样的模式在大约 2 年内从新颖变为预期，因为日常 AI 使用让人们接触这些模式的频率远高于偶尔访问网站。

MAYA 原则：设计到熟悉的边缘，切勿超越

定义： MAYA 原则（Most Advanced Yet Acceptable）指出，设计应在尽可能先进的同时，对其目标用户而言仍可接受。它必须足够可识别，以便用户能将其映射到他们已知的内容上。

Raymond Loewy (1893–1986)，这位出生于法国的美国设计师常被誉为工业设计之父，他在 20 世纪留下了深刻的印记：Lucky Strike 包装、修长的可口可乐瓶、Greyhound 巴士、Shell 标志、S-1 机车以及 NASA Skylab 的内部设计（传记）。他在 1951 年的自传 Never Leave Well Enough Alone 中提出了 MAYA，这是他自己的首字母缩写词。他认为公众会拒绝那些代表与其所习惯接受的规范“偏离过大”的解决方案。

Loewy 看到消费者在新事物的吸引力（亲新性）和对它的恐惧（恐新性）之间挣扎。产品通过解决这种张力来获胜：大胆到足以令人兴奋，熟悉到足以操作。他的机车看起来像未来，但其控制装置位于工程师双手预期的位置。这种组合促成了销售。

52 年来，MAYA 原则一直是一位杰出从业者的直觉判断。随后，代尔夫特理工大学的 Paul Hekkert 及其合著者在三项消费品研究中对其进行了验证（British Journal of Psychology, 2003）。典型性与新颖性共同预测了审美偏好，并且人们更喜欢新颖的设计 只要新颖性不会破坏典型性。这一结果证实了 Loewy 的观点。

我将每次发布视为在消耗一份 新颖性预算。用户在产生抵触情绪之前只能吸收有限程度的陌生感，因此应将预算花在能带来回报的改动上，并让设计的其余部分保持令人安心的平淡。

每次发布都在消耗新颖性预算。将预算花在能为用户带来能力回报的改动上，跳过那些装饰性的叛逆行为。

团队常以两种截然相反的方式搞砸这份预算。失败模式 1 是怯懦：只引用“尚可接受”而忘记“最先进”，克隆竞争对手，并在同质化的海洋中再添加一个产品。

Hekkert 的研究发现表明，峰值偏好位于最大典型性之下，因此感觉完全熟悉的设计会错过最佳点。首字母缩略词中将野心置于首位是有原因的。失败模式 2 是休克疗法：同时推进所有方面。

补救措施包括：每次发布只推进一个维度，同时保留布局骨架、核心图标和入口点。在过渡期间保留经典模式。使用主流用户而非早期采用者来测试可接受性，因为后者生活在前沿之外，会兴高采烈地挥手送你坠崖。定期重新调查前沿，因为它在不断移动。

使用主流用户而非早期采用者来测试可接受性，因为后者生活在前沿之外，会兴高采烈地挥手送你坠崖。

2007 年的“过于先进”在 2026 年已成为基准。当时，在黑莓忠实拥趸看来，在玻璃上打字是迈得太大的一步。如今，物理手机键盘已是博物馆藏品。

有两种特殊的惯例类型完善了整体图景。桥梁惯例 是一个熟悉的把手，固定在新机制上以帮助用户过渡。早期 iOS 中的缝制皮革和木质书架引导了一代人进入多点触控时代。一旦过渡完成，Apple 便在 2013 年的 iOS 7 扁平化设计中拆除了这座桥梁。

桥梁只是脚手架；错误在于让它们一直存在，直到它们变成了建筑本身。

桥梁惯例是一个熟悉的把手，固定在新机制上以帮助用户过渡。桥梁只是脚手架；错误在于让它们一直存在，直到它们变成了建筑本身。

化石符号 则是相反的情况：指代对象已消亡，但符号仍存续。对于从未接触过软盘的用户来说，软盘图标仍然意味着“保存”。

化石证明，仅凭曝光度就能在其原始类比早已消亡后维持一种惯例的生命力。用一个“更合乎逻辑”的图标替换一个仍在工作的化石，会撤回熟悉度资本，迫使用户学习一个新符号。

一个化石般的符号比它所指代的事物更长寿：对于从未接触过软盘的用户来说，它仍然意味着“保存”。不要替换一个仍在工作的化石。

AI 需要为激进的技术提供熟悉的把手

聊天可能是软件史上最大的 MAYA（Most Advanced Yet Acceptable，最先进但可接受）举措。十年来最先进的技术通过朴素的短信线程触达了十亿人，正如 iPhone 的桥接惯例帮助引入了多点触控。但 AI 扭曲了 MAYA 的时间表：能力现在可以在几个月而非几年内超越可接受度。机器越先进，其把手就需要越熟悉。

代理式 AI 现在面临同样的考验。很少有用户对“自主软件同事”有认知图式，因此成功的代理 UI 将借用用户心中已有的图式：等待审查代理结果的收件箱、待批准的草稿、你会交给新同事的任务简报，以及由他人完成的待办事项列表。

与此同时，AI 领域也充斥着怯懦。一万个无法区分的聊天框海洋绝非创新的胜利。仅聊天的界面往往让新颖性预算未被使用，因为许多任务渴望 GUI 的可见选项、直接操作和预览。聊天在第一轮凭借熟悉度获胜。我的预测：展示意图、选项和后果的混合模式将在第二轮获胜。

随着行业转向 生成式 UI，即 AI 为每个任务即时构建自定义控件和布局，混合模式也面临自己的陷阱。天真的个性化与期望经济发生冲突。如果界面在用户意图每次变化时都改变其布局，肌肉记忆该存在于何处？

每回合都自我重塑的 UI 会征收持续的 适应税。用户永远得不到足够的重复来建立熟悉感，因此他们停留在 Fitts 和 Posner 提出的缓慢认知阶段，就像游客身处一座每晚街道都会重新排列的城市。

每回合都自我重塑的生成式 UI 会征收持续的适应税，而肌肉记忆无处安放。

补救措施是 宪政式 UI：围绕生成式画布的不变骨架。锁定结构语法、导航地标、撤销控件和权限框架，使其保持固定。然后让 AI 在任务视口内生成定制的交互式小部件。定制任务工作区，但要保持那些用户可预测地伸手去拿的地标枯燥不变。

在 AI 中，每季度重新调查可接受度的前沿。去年的 MAYA 判决很可能已经过了有效期。

结论：期望是用户唯一能看到的界面

这 7 个研究传统汇聚于一个结论，并由一个世纪的证据支持：人们通过基于先前经验构建的模板来感知、判断、记忆并形成偏好。人脑短期内不会获得固件更新，因此预计这种模式将持续存在。

从 1901 年桑代克的学习迁移理论到今天的 AI，一个世纪的研究不断汇聚于同一结果。

1932 年，Bartlett 的英国读者把独木舟（canoes）变成了小船（boats）。如今，用户把你创新的结账流程变成了他们记忆中的标准结账流程。他们带着既有的预期来使用你的产品，其行为与这些预期越吻合，可用性、转化率甚至感知美感就越好。

现代认知科学深化了这一古老教训。哲学家 Andy Clark（《Surfing Uncertainty》，2016）和其他预测处理理论的支持者认为，大脑是一台预测机器，它不断猜测接下来会发生什么，并将注意力主要集中在那里世界与其猜测相矛盾的地方。

大脑是一台预测机器：得到证实的猜测感觉毫不费力，而失败的猜测则会吸引注意力。

在这种视角下，所有 7 条原则都有一个共同的主线。图式（Schemata，个体层面）和惯例（conventions，集体层面）提供了预测。惊讶感紧随预测错误之后，它会夺取注意力并将其从用户的任务中移开。而被证实的预测会产生流畅感，使设计更易于使用且令人愉悦，因为用户可以预判设计将如何响应。

预期经济维持着 4 本账簿。借用惯例，你就引入了其他公司已经付费购买的训练成果。积累一致性，熟悉度资本就会复利增长为喜爱度。

预期经济维持着 4 本账簿：借用的惯例、积累的一致性、惊讶税和创新预算。

违背预期，用户每次被出其不意时都要支付惊讶税。进行创新，你会消耗创新预算，这笔预算应用于资助那些能回报用户的功能，而不是装饰性的叛逆。

AI 改变了这些账簿中条目的大小。惯例形成得更快，当代理（agents）采取行动而非仅仅交谈时，惊讶的成本更高，而且创新预算消耗得更快。

这给商业领袖留下了一个战略难题：如果你遵循 Jakob’s Law 并匹配每一个行业惯例，难道不也降低了客户的转换成本吗？在单个控件层面，答案是肯定的。

能在 3 秒内掌握你的结账或提示框的用户，也能同样快速地掌握你竞争对手的产品。但是用独特的 UI 控件困住用户是一种适得其反的做法，因为那种让现有客户留下的怪异之处也会排斥新客户。

相反，应将公共交互惯例与私有上下文权益分开。保持控件符合惯例，以便任何人都能立即进入并操作产品。利用积累的状态、经过验证的工作流、项目历史和已学习的用户偏好来构建你的竞争护城河。让竞争对手帮助训练用户的手部肌肉记忆，并使你的产品成为那个已经了解他们工作的地方。

用独特的控件困住用户是一个糟糕的护城河，因为它会使你自己的入门引导变得更困难。保持交互惯例公开，并从私有上下文权益中构建护城河。

界面应当看起来像它本来的样子，表现得像它所模仿的对象，并且变化速度不应快于用户心智模型的更新速度。用户会将他们自己的界面习惯带入每一个接触的产品中。你的界面将因能否优雅地契合用户脑海中已有的那个模型而受到评判。

37 条满足用户期望的设计准则

这 7 项原则中的每一项通常都有各自的小贴士列表。可用性并非孤立运作，因此这里提供一份整合后的列表：涵盖整个期望经济的 37 条准则。

遵循用户已知的惯例：

1. 在设计前先盘点你所在领域的惯例。 审查前 5 名竞争对手和平台指南，并将它们的通用模式作为布局决策的起点。
2. 将控件放置在历史经验引导用户寻找的位置。 将 Logo 置于左上角并链接到主页，将搜索框置于顶部附近，购物车置于右上角，并将主要操作按钮放在平台对话框通常放置的位置。
3. 为标准任务使用标准控件。 链接应该看起来像链接，按钮应该看起来像按钮，输入框应该看起来像接受输入的地方。伪装的控件就是隐形的控件。
4. 在关键页面上匹配领域原型。结账、登录、搜索和定价页面不适合进行视觉实验，因为用户带着如何完成这些任务的既定期望来到这些页面。
5. 切勿发布“近似”惯例。 一个看起来标准但行为不同的控件会触发习惯然后背叛它。当你必须偏离惯例时，要明显地偏离，以便新颖性在点击之前自我宣告。

诚实地装扮界面：

1. 让每个标签都陈述字面真相。控件应完全执行其名称所述的功能：“取消”绝不能意味着“继续”，切换开关的实际效果必须与其标题相符。
2. 同一操作，处处结果一致。 手势或命令应在你的产品中承载单一含义，以便用户能将从一个屏幕学到的知识迁移到下一个屏幕。
3. 将中断式确认留给异常或高风险操作。反复出现的确认对话框会因习惯养成而导致用户盲目点击。让常规、可逆的操作通过一键撤销来执行，并将需要集中注意力的预览留给那些风险较高或情况特殊、足以让用户警觉的操作。
4. 切勿用一种元素的样式去伪装另一种元素。不要把广告设计成内容，不要把促销设计成系统对话框，也不要把赞助结果设计成自然搜索结果。清晰标注付费内容，以便用户一眼就能识别。
5. 在决定信任度的地方投入视觉打磨。 当人们在 50 毫秒内判断视觉吸引力，并基于外观做出许多可信度判断时，一个看起来不专业的支付页面就是自找苦吃。

帮助用户建立正确的心智模型：

1. 使概念模型可见。 展示系统的当前状态、用户数据所在的位置以及每个操作将产生的影响。这些线索有助于用户建立与现实相符的心智模型。
2. 提供能强化正确模型的反馈。 对用户操作的清晰回应能教会他们系统如何运作，并在错误假设造成危害之前予以纠正。
3. 在产生后果的操作前提供前馈信息。 在执行不可逆或代价高昂的步骤之前，用用户的语言展示将会发生什么：哪些文件会被更改，哪些接收者会被联系，或者会产生什么费用。标签说明控件的功能；前馈信息说明它这次将做什么。
4. 首先通过改变设计来修正心智模型的不匹配。 匹配用户已有的模型通常比教给他们一个新模型更容易，尤其是因为大多数用户会跳过入门指导。
5. 用熟悉的图式来弥合新颖性。当你必须引入用户从未接触过的概念时，给他们一个熟悉的锚点，而不是从零开始发明词汇。

根据用户的期望而非你自己的期望进行测试：

1. 记住你不是用户，并且要同时针对主流用户和早期采用者进行测试。在一个项目上待了 6 个月后，你的产品中很少有东西能让你感到惊讶。团队成员和技术爱好者也远远超出了主流用户的接受边界。
2. 观察 5 名用户并将困惑视为数据。当 5 人中有 2 人在同一个控件前犹豫不决时，你就发现了违反预期的证据。这种迟疑就是 bug 报告。
3. 按行为招募用户，并根据主张确定样本规模。 与用户画像相似并不能证明某人如何使用产品。5 名用户的测试可以发现可用性问题；测量转化率通常需要数千名用户。
4. 分别衡量性能和偏好。 曝光度可以在设计仍然难以使用的情况下提升偏好，因此让任务性能数据优先于喜爱程度。
5. 对重新设计的 A/B 测试运行 2–4 周，并判断趋势线。 变化厌恶可能会在第一个星期惩罚更好的设计，而现有版本则因熟悉度而获得虚高的满意度评分。
6. 绝不要以习惯化为糟糕的设计辩护。 用户可以适应几乎任何东西，但他们的韧性不能成为糟糕设计所要求的时间和精力的借口。

像对待戒断反应一样管理变化：

1. 在重新设计中锁定承重的地标元素。 稳定的 Logo 位置、导航、核心手势和主要工作流程让用户能够将积累的熟悉度和技能带入新版本。
2. 依靠积累的情境竞争，而不是独特的控件。 保持控件符合常规，以便新用户能快速上手，并通过保存的状态、工作流程和用户学习到的偏好来建立留存率。
3. 倾向于一系列小改动，而非盛大的揭幕。 一次推进一个维度（新功能、视觉语言或交互模型），以便用户能够吸收增量而非剧变。

1. 为 AI 训练出的期望升级传统的搜索和表单。 习惯于对话式系统的用户期望其他网站也能容忍混乱的意图。僵化的仅关键词搜索和不宽容的输入掩码会收取追溯性的“惊讶税”。
2. 在过渡期间保留经典路径。给用户时间学习新版本，让他们选择进入未来，而不是被驱逐到未来。
3. 一旦用户渡过桥梁就拆除桥接惯例，但保留仍然有效的化石级指示符。 过渡性隐喻是新模型确立后应移除的脚手架。用户已经知道的图标是资本：不要将其换成他们需要解码的图标。
4. 当创新需要令人惊叹时，就把它展示出来。 宣布变更，展示预览，保留旧行为作为初始默认设置，并将撤销功能放在一键可达的位置，以便用户在变更出其不意时能够恢复。
5. 只有当打破惯例能带来核心价值时才这样做，并先对 5 名用户进行测试。 如果参与者犹豫不决或误读控件，那么认知图式债务可能超过新颖性红利。
6. 拒绝纯粹克隆。 如果你的设计中没有任何东西在测试中显得新颖，你可能低估了新颖性预算，并放弃了 MAYA 原则中“最先进”的那一半。

1. 每年重新评估可接受性前沿，对于 AI 则每季度评估一次。 昨天的“过于先进”可能变成今天的期望，因此旧的 MAYA 判断保质期很短。

设计 AI 以赢得其继承的期望：

1. 将生成式 UI 包裹在不变的骨架中。 当 AI 即时生成任务控件时，保持导航地标、权限控制和撤销功能位于固定位置，以免自适应视图破坏用户的空间记忆。

1. 采用新兴的 AI 惯例，而不是发明竞争对手。 无论你是否愿意，用户都会将对提示框、流式回复、停止按钮和可见对话历史的期望从市场领导者转移到你的产品上。
2. 为提示框提供能指符号。 示例提示、建议标签、能力菜单和结构化表单告诉用户 AI 能做什么。一个空矩形什么也没告诉用户，并使表达能力较低的用户陷入困境。

1. 校准 AI 的“服装”。 将流畅的输出与来源、不确定性标记以及验证声明的方法配对，以便用户区分雄辩与准确。
2. 为智能体提供预览、权限层级、活动日志和撤销功能。 智能体应在行动前提出建议，记录其操作，并使回滚变得容易。让它逐步赢得更大的自主权，而不是通过设置页面一次性授予全部权限。

1. 将模型变更视为重新设计。 宣布变更，分阶段推出，在过渡期间保留之前的模型可用，并保持语气和人设稳定。行为是界面的一部分，即使像素没有移动。

遵循前 31 条，你将受益于用户从世界其他地方带来的训练成果。遵循最后 6 条，你的 AI 产品可以收割这些积累的经验。期望值随用户一同到来。你的设计可以利用它们或与之对抗。