Bates采莓理论指出AI搜索设计误区

Marcia Bates在1989年提出的“采莓式搜索”（Berrypicking）理论指出，真实搜索并非静态的单次查询，而是随用户认知不断演进、从多源收集碎片化信息的过程。这一观点对当前AI搜索设计具有关键指导意义，因为大语言模型往往沿袭了传统检索系统“一问一答”的静态假设，忽视了用户需求的流动性。 研究表明，当任务被拆解为多轮对话时，主流LLM的表现平均下降39%，且难以从早期错误猜测中恢复。这印证了Bates的核心主张：成功的搜索难以用单一结果集衡量，而是一次动态旅程。设计师应借鉴Bates的五项原则优化AI体验：首先，支持演进式搜索，展示问题历史并允许修改早期假设，而非强制重新开始；其次，显性化搜索策略，将Bates定义的29种战术（如缩小、扩大、追踪）转化为界面按钮，降低用户试错成本；第三，提供自动化层级选择，让用户根据信任度在建议、执行和全自动代理间切换，避免盲目依赖Level 4的全自动模式；第四，夯实内容底层，确保元数据、索引和语义层的质量，因为糟糕的数据基础无法通过界面美化弥补；最后，保留浏览空间，在生成答案周围展示相关来源和邻居节点，防止AI摘要扼杀用户的探索性…

摘自 UX Collective

还没有足够的连续观测数据，暂不绘制趋势。