AIGC交互体验：生成等待体验设计

CH-39-02-025·约 20 分钟·AI产品设计与用户体验·更新 2026-08-14

设想一个周六傍晚，你在市中心一家网红餐厅点了一份招牌披萨。点完单，服务员收了菜单转身就走，留你对着空荡荡的桌面发呆。你开始胡思乱想：披萨做了吗？还要等多久？是不是把我的单忘了？三分钟过去，却像熬了三个小时。而隔壁餐厅呢——服务员先告诉你“大约15分钟”，透过透明厨房你能看见面饼被高高抛起，前台先送上一碟开胃小菜，电视里播放着后厨花絮。同样是等待，后者却让你觉得“等得值”。AI生成内容时，用户面对的正是这种“等餐”场景。当大模型在后台努力“烹饪”时，用户看到的是空白页面还是精心设计的等待反馈，直接决定了产品的体验质感。这就是生成等待体验设计要解决的事：把等待，变成体验的一部分。

岗位关联

对 AI 从业者而言，这是产品竞争力的隐藏战场——谁能把数秒到数十秒的生成等待变得透明、有趣、可控，谁就能在用户心智中建立“这个 AI 产品很懂我”的认知，最终转化为留存与口碑。

可视化演示
等待焦虑成因
进度可视化
预估时间提示
渐进式呈现
趣味过渡动画
预期管理策略
状态反馈设计
体验评估优化
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

展示进度可视化与预估时间策略、渐进式流式输出设计及趣味过渡动画情绪管理，交互切换理解AI生成等待体验核心设计方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+modeData.progress.caption+'

等待焦虑成因

餐厅等餐时，最让人抓狂的从来不是“饿”，而是“不知道”——不知道菜做了没，不知道还要等多久，不知道是不是被漏掉了。这种信息黑箱让每一秒都被无限放大，三分钟仿佛半小时。AI 生成也一样：用户点击“生成”后，如果屏幕上只有一个转圈图标或者一片空白，就相当于服务员收了菜单后彻底消失。

心理学研究发现，不确定性是焦虑的燃料。人对未知的等待会产生比实际过程更强烈的负面情绪。这背后有三个叠加因素：其一，不确定性，用户无法判断任务是否在正常推进；其二，时间感知偏差，空闲状态下注意力全部聚焦于时间流逝，主观感受被拉长，研究表明无反馈时 1 分钟的主观体验接近 3 分钟；其三，认知负荷压力，用户没有其他任务可以转移注意力，烦躁情绪不断累积。此外，场景容忍差异也很关键——赶稿子的用户对 5 秒等待都无法忍受，睡前闲聊的用户却能接受 20 秒。

好的餐厅绝不会让客人面对信息黑箱——开放式厨房、服务员的同步说明，都是在降低不确定性这个乘子的权重。等待体验设计的第一步同理：别让用户黑箱等待。把不确定性拿掉，焦虑就塌了一半。

T_{\text{感知}} = t_{\text{实际}} \times \left(1 + \alpha \times U\right)

心理等待时长等于实际时长乘上一个由“不确定性”驱动的放大因子。不确定性越高，用户感知的等待就越长。

实际等待时长客观时钟记录的真实流逝时间，单位是秒，它是一切感知的基准。
$t_{\text{实际}}$
不确定性指数取值 0 到 1 之间的量，0 表示用户完全确定进度（如清晰看到阶段进展），1 表示完全未知（如只有一个转圈）。
$U$
焦虑敏感系数因人因场景而异的常量，用户越急躁或场景越紧急，它的取值越大。
$\alpha$
心理等待时长用户主观感受到的等待时间，等于实际时长乘以括号内的放大因子，不确定性越高放大越明显。
$T_{\text{感知}} = t_{\text{实际}} \times (1 + \alpha \times U)$

进度可视化

高档餐厅常有“透明厨房”或“传菜窗口”，客人能亲眼看见厨师的刀工与火焰，于是对“菜正在做”深信不疑。进度可视化就是 AI 产品中的透明厨房——把后台不可见的处理过程转化为用户可感知的视觉反馈，从根源上消除不确定性。

具体落地有四种常见形态。进度条设计：用一条线性条表示任务完成度，用户一眼就能判断“走到哪了”。百分比反馈：用数字强化对进度的量化感知，比纯色条更精确。分阶段进度：把生成任务拆成“加载模型 → 分析需求 → 生成文本 → 优化润色”等阶段，每完成一步点亮一个节点，用户不仅知道完成多少，还知道接下来要做什么。骨架屏占位：在结果真正出现前，用灰色占位块勾勒出最终布局的轮廓，用户提前看到内容的“身材”，耐心会大幅提升。

传菜窗口里那道菜，从切配到下锅再到装盘，每一步都被客人看在眼里，等待就不再是焦虑，而变成了期盼。好的进度可视化，让 AI 的“后厨”同样透明可信。

P = \frac{S_{\text{完成}}}{S_{\text{总数}}} \times 100\%

显示给用户的进度百分比，等于已完成步骤数除以总步骤数再乘以百分之百。这是所有确定性进度条背后的基础算式。

已完成步骤数生成任务中已经处理完的阶段数量，比如五步中完成了三步。
$S_{\text{完成}}$
总步骤数任务的全部阶段数量，是进度计算的基准，通常由产品预定义。
$S_{\text{总数}}$
进度百分比两者相除再乘 100%，得到用户界面上显示的进度值。
$P = \frac{S_{\text{完成}}}{S_{\text{总数}}} \times 100\%$

预估时间提示

好服务员会在下单后补一句：“这道菜现做，大概 15 分钟。”有了时间锚点，客人会自动调整预期——看一眼表，刷两条短视频，时间就溜走了。AI 生成中的预估时间提示，正是这种“心理锚点”。

它通常基于平均耗时数据：从大量同类型任务的历史耗时中计算均值，作为初始参照。随后采用动态剩余时间，根据已消耗时长与当前进度实时推算，避免静态文案失真。成熟的系统更倾向范围时间预估——说“大约 1-2 分钟”而非“1 分 30 秒”，为系统误差预留缓冲，也降低用户对精准度的苛刻期待。当实际耗时超出边界时，超时兜底提示必须上线：主动告知延迟原因，并给出“继续等待”或“重新生成”的出口，避免用户陷入无尽等待。

就像服务员说“15 分钟”后，即使最后多等了 2 分钟，客人也不至于暴走——因为心理预期早已被校准。预估时间提示的本质，是在用户心里种下一颗“预期种子”，让时间有了刻度，焦虑便无处附着。

\hat{t}_{\text{剩余}} = \frac{t_{\text{已耗}}}{S_{\text{完成}}} \times \left(S_{\text{总数}} - S_{\text{完成}}\right)

按当前平均速度推断完成剩余步骤所需的时间：已耗时间除以已完成步骤数得到单步耗时，再乘以剩余步骤数。

已耗时间从请求发出到当前时刻的真实流逝时间，是动态估算的输入。
$t_{\text{已耗}}$
已完成步骤数当前进度下已经完成的任务阶段数量。
$S_{\text{完成}}$
总步骤数整个任务预定义的阶段总数，它与已完成的差值就是剩余步骤。
$S_{\text{总数}}$
预估剩余时间按当前平均速度推断完成剩余步骤还需要的时间，随进度推进不断更新。
$\hat{t}_{\text{剩余}} = \frac{t_{\text{已耗}}}{S_{\text{完成}}} \times (S_{\text{总数}} - S_{\text{完成}})$

渐进式呈现

好餐厅不会让客人对着空桌干等——先上一碟小菜，再送一盅例汤，餐具未动而味觉先行，等待便有了内容。AI 生成中的渐进式呈现，就是“先上开胃菜”的智慧。

最常见的形态是流式输出：大模型逐字返回结果，页面像打字机一样把内容实时敲出来。用户看到第一个字时，就已经收到“它在工作”的强信号。逐块渲染应用于图片或复杂排版，画面分段出现，先轮廓后细节；结果预览优先则是先返回摘要或大纲骨架，后台再补全细节，让用户先拿到最关心的部分；局部内容发布更进一步，边生成边提交已完成区块，比如长表单先出上半部分。渐进式呈现的关键指标是 TTFT，即首个输出单元到达的时间——它越短，用户的“启动感知”越快。

开胃菜不是为了吃饱，而是为了让等待有滋味。渐进式呈现让 AI 生成过程“边做边上菜”，用户从第一秒起就有东西可看，等待从煎熬变成了追更。

\text{TTFT} = t_{\text{首输出}} - t_{\text{请求}}

TTFT（Time To First Token，首令牌时间）等于首个输出单元出现时刻减去请求发出时刻。这个值越小，用户越早收到“正在工作”的信号。

首输出时刻用户看到第一个字、第一块画面或第一条预览的时间戳。
$t_{\text{首输出}}$
请求时刻用户点击“生成”按钮、请求真正发出的时间戳。
$t_{\text{请求}}$
首令牌时间两者的差值，衡量系统从“发出请求”到“用户可见产出”的间隔，是渐进式呈现的核心指标。
$\text{TTFT} = t_{\text{首输出}} - t_{\text{请求}}$

趣味过渡动画

有的餐厅会在等位区安排小丑表演，或提供开盲盒的小游戏——把等待变得有趣，不是为了让人不饿，而是让等待本身成为一段娱乐时光。趣味过渡动画，就是 AI 产品里的“小丑表演”。

设计手法上有四招。品牌化转场：将等待动画与品牌 IP 结合，比如吉祥物揉面、机器人煮咖啡，把等待转化为品牌曝光时刻。拟物化动画：模拟现实场景（“后厨正在为你烹饪”），让用户产生情境代入感。彩蛋隐藏机制：随机埋藏趣味文案或神秘图形，每次等待都像“开盲盒”，催生期待感。多感官反馈：视觉动效配合轻声音效或震动，让等待感知更立体。但必须记住，趣味是手段而非目的——动画时长最好控制在 1-2 秒内循环，绝不能喧宾夺主，掩盖用户对任务进度的掌握。

小丑表演不会让菜做得更快，但会让客人笑出声。趣味动画的价值不在于缩短物理时间，而在于把等待过程从“成本消耗”变成“体验增值”。

T_{\text{感知}} = \frac{T_{\text{实际}}}{1 + \gamma \times F}

感知等待时间等于实际等待时间除以一加趣味因子的乘积。趣味强度越高、设计质量越好，用户主观感受到的等待越短。

实际等待时间真实经过的秒数，是感知的基础值。
$T_{\text{实际}}$
趣味强度趣味元素在单位等待时间内的出现密度，密度越高越能占据注意力。
$F$
趣味系数表示趣味元素对用户注意力的转移效果，设计越精妙，系数越大。
$\gamma$
感知等待时间分母中趣味因子越大，感知时间越短；若趣味设计粗糙，系数趋近于零，感知时间回到实际值。
$T_{\text{感知}} = \frac{T_{\text{实际}}}{1 + \gamma \times F}$

预期管理策略

餐厅菜单上总有一行小字：“本店菜品现点现做，高峰时段需等待 20-30 分钟。”这句提前声明，远比客人入座后才被告知要等位更容易被接受。预期管理的精髓，就是“前言打预防针”——在任务开始前就校准用户的心理预期。

具体策略有四条。任务分解说明：开始前告知“本任务需要完成 5 个步骤”，让等待被结构化，用户知道前面还有多少路。边界承诺告知：明示上下限，“最多 2 分钟”，用户心里有底，超时前的耐心会被充分激活。排队信息透明：当系统繁忙时，展示当前排队位置与前进步伐，让用户确认“我没被遗忘”。用户可控等待：提供取消、暂停或插队优先的选项，把“被动等待”改写为“主动选择”，掌控感会大幅降低焦虑。

菜单上的温馨提示降低了客人的预期锚点，之后每一次“比想象中快”都成了加分项。预期管理不是降低体验，而是把期望锚定在一个可被实际体验超越的位置，让惊喜成为常态。

\text{满意度} = E_{\text{实际}} - E_{\text{预期}}

用户最终满意度等于实际体验减去初始预期。当实际体验大于预期时产生正向失验（惊喜），反之则失望。管理预期本质上是为“惊喜”腾出空间。

实际体验用户完成任务后的真实感受值，包含等待过程中的情绪累积与结果质量。
$E_{\text{实际}}$
用户预期任务开始前，用户心中建立的心理预期值，由历史经验、界面文案和品牌印象共同塑造。
$E_{\text{预期}}$
满意度差值两者相减的结果，正数代表超越期待，负数代表落差；提前管理预期可以主动抬高这个差值的下限。
$\text{满意度} = E_{\text{实际}} - E_{\text{预期}}$

状态反馈设计

等餐过程中若出了岔子——比如某道菜原料售罄，好服务员会立刻过来说明情况并提出替代方案：“不好意思，今天的鲜虾卖完了，换鱿鱼可以吗？”及时交代状态，远比让客人干等到最后才被告知要体面得多。AI 生成同样会有各种岔子，状态反馈设计就是 AI 产品的“服务担当”。

它的核心是多状态呈现：待处理、处理中、处理完成、失败，四种状态必须有清晰的视觉区分，避免用户误判。当网络中断、模型超时等异常中断发生时，系统应立即识别并反馈，而不是让转圈图标永远转下去。面对失败，用失败重试引导给出原因和“一键重试”或“降级方案”，减少用户手足无措。即便最终没有产出，空状态友好也要用温暖的占位说明“暂时没有生成结果”，并提供下一步行动指引。

有担当的餐厅会主动报忧并给出解法，而不是让客人等到最后自己发现菜没了。状态反馈设计让用户在任何意外中都有路可走——这才是完整等待体验的底线保障。

R = \frac{N_{\text{成功重试}}}{N_{\text{总失败}}}

重试成功率等于成功重试次数除以总失败次数。这个比率反映失败引导设计的有效性，也指导产品决定是优化重试机制还是优先修复上游系统。

成功重试次数用户点击重试后，任务最终成功完成的次数。
$N_{\text{成功重试}}$
总失败次数所有需要用户介入处理的失败事件总数，包括超时、报错和空结果。
$N_{\text{总失败}}$
重试成功率两者相除得到 0 到 1 之间的比率；若过低，说明失败引导设计本身有问题，需要重新设计反馈路径。
$R = \frac{N_{\text{成功重试}}}{N_{\text{总失败}}}$

体验评估优化

餐厅老板每天打烊后会翻看评价：“上菜快但小菜凉了”“等位区太吵”。这些反馈被一一记录，第二天调整流程。好的等待体验不是一次设计出来的，而是持续评估优化出来的。

评估优化的闭环由四步构成。等待时长衡量：记录平均等待时长与 P50/P95 分位数，揪出异常长尾；满意度调查：在生成完成后触发轻量问卷（1-5 分），直接采集主观感受；指标监测迭代：将等待满意度与留存率、任务完成率挂钩，用数据指导设计改进；场景化适配设计：不同任务类型（短文本 vs 长视频）、不同设备与网络状态，应采用差异化的等待策略——移动端弱网环境下尤其需要保守的预估与更轻的动画。

老板会在打烊后复盘每一个细节，产品经理同样应在每次发版后回看等待数据。等待体验的打磨是一场没有终点的复利游戏——每优化一次，用户对“等待”的印象就会好转一点，产品的口碑也随之沉淀。

\bar{S} = \frac{1}{N} \sum_{i=1}^{N} S_i

平均满意度等于所有用户满意度评分之和除以用户总数。它是衡量等待体验改版效果的宏观指标，也是跨版本对比的基准。

单用户评分第 i 个用户在问卷中给出的满意度分数，通常为 1-5 的整数。
$S_i$
评分求和将所有参与调研用户的评分累加，得到总分。
$\sum_{i=1}^{N} S_i$
平均满意度总分除以用户总数 N，得到群体的平均满意度水平，用于对比不同版本、不同场景的等待体验差异。
$\bar{S} = \frac{1}{N} \sum_{i=1}^{N} S_i$

AI 应用场景

对话式 AI 的流式输出

阶段：内容生成阶段

解决的问题：在 ChatGPT 类产品中，如果没有流式输出，用户点击发送后要面对数秒到数十秒的空白页面，焦虑感会急剧上升。流式输出让用户从第一个字开始就感知到“模型正在写”。

具体案例：用户在对话框中提问后，AI 回复以打字机效果逐字出现，同时提供“停止生成”按钮。这同时应用了渐进式呈现（流式输出）与用户可控等待（主动停止），将漫长的生成等待转化为实时追更的参与感。

AI 绘图工具的排队与通知

阶段：任务排队与生成阶段

解决的问题：Midjourney 等绘图工具单次生成常需 30 秒以上，且在高峰时段需要排队。用户无法接受一直盯着进度条，产品需要“等待可离开，完成有通知”的模式。

具体案例：用户提交 Prompt 后，系统显示任务进入队列、预估剩余时间与当前排队位置；生成完成后通过站内消息或操作平台发送结果图片，同时展示生成过程的中间预览图（渐进式呈现），让用户在等待中看到画面逐步成形。

企业级 AI 报告生成平台

阶段：多阶段长任务处理

解决的问题：生成一份行业分析报告可能要 5 分钟以上，用户不可能一直盯着页面。平台需要将任务拆解为多个阶段，并提供透明的状态反馈与异常处理。

具体案例：某商业智能平台在用户提交分析请求后，展示“数据采集 → 模型分析 → 文本生成 → 图表渲染 → 排版输出”五阶段进度条，用户可离开页面；每个阶段完成时通过站内信推送通知；若某阶段失败，自动说明原因并引导一键重试或调整参数降级。

Python 演示

python49 行

"""生成等待模拟器: 对比无反馈等待与阶段进度反馈"""import timeimport random STAGES = [    ("排队等待算力", 10),    ("加载模型参数", 20),    ("解析用户指令", 15),    ("生成内容令牌", 40),    ("安全检查润色", 15),] TOTAL_WEIGHT = sum(w for _, w in STAGES)  def render_bar(percent):    filled = int(16 * percent / 100)    return "█" * filled + "░" * (16 - filled)  def run_with_progress():    """带阶段进度反馈的生成等待"""    done = 0    for stage_name, weight in STAGES:        for _ in range(weight):            time.sleep(random.uniform(0.01, 0.04))            done += 1            percent = int(done / TOTAL_WEIGHT * 100)            print(f"\r[{render_bar(percent)}] {percent:3d}% {stage_name}...", end="", flush=True)    print("\n生成完成!")    return "一份产品文案草稿"  def run_silent():    """无反馈的空白等待"""    time.sleep(TOTAL_WEIGHT * 0.025)    return "一份产品文案草稿"  if __name__ == "__main__":    print("场景A: 无反馈等待")    start = time.time()    result = run_silent()    print(f"耗时 {time.time() - start:.1f}s, 得到 {result}")     print("\n场景B: 阶段进度反馈")    start = time.time()    result = run_with_progress()    print(f"耗时 {time.time() - start:.1f}s, 得到 {result}")

目的：用两个场景对比展示“无反馈等待”与“阶段进度反馈”的体验差异，演示生成等待体验设计中进度可视化的实现原理。

STAGES = [...]用元组列表定义 AI 生成任务的五个阶段及各阶段耗时权重，这是分阶段进度设计的基础数据结构。
TOTAL_WEIGHT = sum(w for _, w in STAGES)把各阶段权重加总，后续用当前进度除以总数换算成 0-100 的百分比。
def render_bar(percent):根据百分比生成等宽的文本进度条，对应产品界面中的可视化进度条组件。
print(f"\r[{render_bar(percent)}] {percent:3d}% {stage_name}...", end="", flush=True)用回车符实时覆盖同一行输出，模拟真实产品中进度反馈的刷新效果。
run_silent()模拟无反馈等待场景，总耗时与有反馈版本基本持平，引发读者思考“为什么同样的等待，感受完全不同”。

常见误区

误区用户看到进度条快速前进就开心，所以把进度显示得比真实进度“领先”一些，比如真实只走了 10% 却显示 60%，这样用户会觉得 AI 很给力。

正解虚假进度是等待体验的大忌。当进度条卡在 90% 五分钟不动时，用户会产生强烈的被欺骗感，比一开始就不显示进度更糟糕。诚实展示真实进度，或者在无法估算时使用不确定性进度（如循环动画），才能建立信任。

为何常见：设计者误以为“快速前进 = 好的体验”，却忽略了真实性才是信任的基石，虚假的领先终究会用“卡住”的方式暴露。

误区用户等待时越“忙”越好，各种 GIF、彩蛋、小游戏越丰富越好，这样他们就忘了自己在等 AI 生成。

正解过度趣味会适得其反。动画太花哨会加重认知负荷，让用户烦躁；更重要的是，趣味元素不应掩盖进度信息，否则用户会不断质疑“到底做完了没有”。趣味是甜点，进度才是主菜。

为何常见：把“转移注意力”理解成“无脑娱乐”，忽略了等待体验的核心诉求是“进展可见”，趣味只是降低焦虑的辅助手段。

误区AI 生成的耗时波动很大，预估时间很容易不准，与其显示一个错误的时间被用户吐槽，不如不显示预估时间。

正解用范围预估（“1-2 分钟”）比精确数字更稳妥，也比没有预估好得多。用户需要的不是一个精确的秒数，而是“这件事大概需要多久”的心理锚点。模糊而真诚的预估，远胜于沉默。

为何常见：追求完美精确，低估了“有限精度的预估”对用户的安抚价值——用户的真实需求是建立预期，而不是获得一个秒表。

误区先把 AI 功能开发上线，如果用户抱怨等待太久，再随便找个加载动画加上去就行，等待体验是锦上添花的边缘工作。

正解等待体验必须在功能设计阶段同步规划——任务如何分阶段、是否需要流式输出、超时策略、失败引导，这些都依赖底层接口的设计。后期打补丁往往只能加个转圈动画，无法实现真正的分阶段进度。

为何常见：把等待视为“技术附带的瑕疵”，而不是“核心体验的一部分”；实际上，AI 生成的物理耗时无法压缩时，体验设计就是唯一能改变用户感受的杠杆。

面试题

Q1. 生成等待体验设计的核心目标是什么？

单选题 · easy

A.让用户等待时间变短
B.管理用户对等待的感知← 正确答案
C.减少AI生成的内容量
D.加快服务器响应速度

答案：B。等待体验设计的核心是管理用户对等待的感知与预期，而非直接缩短物理等待时间。就像餐厅无法让披萨更快烤熟，但能让客人觉得“等得明白、等得不焦虑”。A 和 D 属于性能优化范畴，C 与内容质量无关。

Q2. 以下哪项是“进度可视化”的典型实现？

单选题 · easy

A.把背景色改成渐变色
B.显示正在加载的阶段信息← 正确答案
C.长时间播放品牌宣传视频
D.将按钮更换为图标样式

答案：B。进度可视化把抽象的处理过程转化为用户可感知的视觉反馈。B 中的阶段信息（如“正在加载模型”）属于进度反馈；A 是视觉装饰，C 是品牌内容，D 是图标变更，均不反映任务处理进度。

Q3. 以下哪项属于“渐进式呈现”的设计？

单选题 · easy

A.加载完成后一次性显示全文
B.AI逐字输出生成的内容← 正确答案
C.用进度条替代内容展示
D.等待时播放背景音乐

答案：B。渐进式呈现的核心是“边生成边可见”。B 的逐字输出（流式输出）让用户立刻看到生成过程；A 是一次性呈现，C 是进度反馈而非内容呈现，D 是趣味过渡的一种手段，与渐进式呈现无关。

Q4. 预估时间提示时采用“1-2分钟”的范围表述，主要好处是？

单选题 · mid

A.用户会觉得时间更短
B.为预估偏差预留缓冲空间← 正确答案
C.用户喜欢模糊不清的表述
D.任意拖延也没人发现

答案：B。AI 生成的耗时天然有波动，范围预估为这种波动预留了缓冲空间，比“精确到秒”的承诺更不容易被“打脸”。就像服务员说“15 分钟左右”，多等两分钟也不会引发暴走。

Q5. 当AI生成时间超出用户预估时，最佳的设计做法是？

单选题 · mid

A.持续显示加载动画直到完成
B.告知超时并提供重试选项← 正确答案
C.自动刷新页面重新生成
D.隐藏超时不让用户知情

答案：B。超时的本质是异常，异常需要透明反馈与出路。B 既如实告知了超时状态，又提供了重试选项，让用户有掌控感；A 让用户陷入无尽等待，C 自动刷新会丢失现场且浪费算力，D 隐瞒状态会彻底摧毁信任。

Q6. 根据期望失验理论，用户的满意度主要由什么决定？

单选题 · mid

A.实际等待时间的长短
B.实际体验与预期的差值← 正确答案
C.进度条的显示速度
D.是否有趣味过渡动画

答案：B。满意度 = 实际体验 - 用户预期。即使等待时间客观上不算长，若用户体验低于预期，满意度依然为负；反之，若预期被合理管理，实际体验略超预期，用户就会感到惊喜。这正是预期管理策略的理论基石。

Q7. 以下哪些策略属于“预期管理”的范畴？

多选题 · mid

A.提前告知任务最多需要两分钟← 正确答案
B.显示排队位置和前进速度← 正确答案
C.生成过程中插入趣味文案
D.把任务拆解成多阶段展示← 正确答案

答案：ABD。预期管理是在任务开始前或进行中校准用户心理预期。A 告知边界承诺、B 排队信息透明、D 任务分解说明都是典型策略；C 趣味文案属于趣味过渡动画，虽然改善体验，但不属于预期管理的范畴。

Q8. 趣味过渡动画的设计应注意哪些原则？

多选题 · mid

A.动画时长不宜过长导致烦躁← 正确答案
B.保持目标提示让用户安心← 正确答案
C.动画越复杂越能转移注意力
D.可埋藏彩蛋带来惊喜感← 正确答案

答案：ABD。趣味动画要有度。A 控制时长避免过度打扰，B 保持进度目标可见是底线，D 彩蛋机制能带来惊喜；C 是典型误区——过度复杂的动画反而加重认知负荷，让用户更烦躁。

Q9. 为什么无反馈等待会让1分钟感知接近3分钟？

单选题 · hard

A.信息黑箱让不确定性飙升
B.空闲时注意力全部聚焦于等待← 正确答案
C.一分钟本身变得更慢了
D.用户没有正确处理等候情绪

答案：B。当人无所事事时，注意力会全部聚焦在时间流逝上，主观时间被显著拉长；同时信息黑箱带来的不确定性会叠加放大这种感知。A 描述的“不确定性”是诱因，但 B 才是时间感知被拉长的直接心理机制。

Q10. 对于耗时超过10秒的AI生成等待，哪些做法是有效的？

多选题 · hard

A.允许用户离开并在完成时通知← 正确答案
B.展示生成过程的中间预览← 正确答案
C.仅显示一个无限旋转图标
D.提供完成提醒和快捷打开← 正确答案

答案：ABD。长等待场景下，用户难以持续盯着页面。A 的异步通知和 D 的完成提醒让用户可以放心离开，B 的中间预览让等待过程产生价值；C 是无反馈等待的典型反面案例，在长等待中会引发强烈焦虑。