想象你家街角新开了一家叫“知心咖啡”的小店。老板是个聪明人，他想让你天天路过都进来坐坐。第一天，你被门口飘出的咖啡香吸引（触发），扫码点单十秒搞定（行动），杯子里今天拉花是云朵、明天是猫咪，总有惊喜（奖励），临走前你存了积分、备注“少糖多奶”（投入）。从此，咖啡越来越懂你的口味，你越来越离不开它。这家店的秘密，正是硅谷产品圈风靡的上瘾模型Hook——一个由触发、行动、奖励、投入构成的习惯闭环。如今，AI产品经理们正用同样的四步，让用户对App产生“温和的上瘾”：AI选择最佳推送时机，智能简化操作路径，生成变量化的个性化内容作为奖励，再让用户的数据投入反哺产品体验。这个故事告诉我们：好的AI产品不是靠嗓门大留住用户，而是靠一套精心设计的习惯养成回路。

岗位关联

掌握Hook模型，是一名AI产品经理从“做功能”走向“做增长”的分水岭。理解它，你就读懂了用户留存率、日活曲线和习惯闭环背后的设计逻辑。

目录
  1. 可视化演示
  2. 模型起源
  3. 触发机制
  4. 行动设计
  5. 变量奖励
  6. 用户投入
  7. 伦理边界
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示上瘾模型Hook在AI产品中的核心机制，通过入门/进阶/实战/优化四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

上瘾模型Hook在AI产品中：Hook Hook模型四阶段框架概述 触发器设计：内外部触发机制 核心机制可视化 上瘾模型Hook在AI产品中整体架构与关键组件

模型起源

“知心咖啡”的老板在开店三个月后，发现了一个规律：凡是每周来超过三次的顾客，几乎都走过同一条路——先被某种信号唤醒（路过闻到咖啡香、手机上弹出新品图），然后毫不费力地完成点单（扫码十秒搞定），喝到一杯时好时坏的手冲（今天拉花是云朵，明天是猫咪），最后顺手存个积分、留一句口味备注。老板把这条路画在收银台后的黑板上，写成了一条循环箭头。他不知道的是，这正是硅谷产品圈流传的上瘾模型Hook。

这条循环箭头，出自 Nir Eyal 在2013年出版的《上瘾》（Hooked）。他观察了众多让人欲罢不能的产品，发现它们都共享同一个四阶段结构：触发唤起注意，行动完成使用，奖励满足需求，投入沉淀关系。四者首尾相接，形成一个封闭的回路。正如咖啡馆的香气让你推门，积分让你惦记再来一杯，Hook模型描述的正是“习惯养成”的底层机制——它不同于毒品的病态成瘾，而是一种温和的、可持续的行为惯性。

技术视角下，Hook模型是一个可迭代的系统工程。产品经理先定义用户的核心行为（如“打开App完成一次学习”），再为每个阶段设计对应的交互和算法。AI的出现让这个闭环从“静态规则”升级为“动态智能”：系统能感知用户状态、预测行为时机、动态生成奖励内容。这也是为什么今天的增长团队，把Hook模型当作AI产品留存的底层框架。

咖啡馆老板不知道的是，他黑板上那条“香气→扫码→惊喜→积分”的箭头，恰好就是这四个英文词的完美注脚。看懂这个循环，你就握住了AI产品留存的钥匙。

Trigger→Action→Reward→Investment→Trigger\displaystyle \text{Trigger} \rightarrow \text{Action} \rightarrow \text{Reward} \rightarrow \text{Investment} \rightarrow \text{Trigger}
这个公式把“习惯”压缩成一个箭头循环：一个闭环的终点，恰好是下一个闭环的起点。
  1. Trigger 触发外部或内部信号唤起用户的注意，让用户从“没想过”变成“想试一下”。
    Trigger\displaystyle \text{Trigger}
  2. Action 行动用户完成一个最小可行行为，比如点击、打卡、播放。
    Action\displaystyle \text{Action}
  3. Reward 奖励产品给予用户某种满足，消除触发带来的“痒”。
    Reward\displaystyle \text{Reward}
  4. Investment 投入用户付出时间、数据或内容，为下一次触发埋下种子。
    Investment\displaystyle \text{Investment}

触发机制

雨天午后，“知心咖啡”的老板会给老顾客发一条消息：“今天阴雨，店内特调：姜汁拿铁，暖胃限量。”这不是群发，而是他记得你上周说过最近胃寒。AI产品里的触发，就像这条懂天气、懂心情的消息——它是习惯闭环的起点，负责把用户从“无意识”拽入“有意识”。

触发分两类。外部触发来自产品之外：推送通知、短信邮件、社交分享、应用图标上的小红点。内部触发来自用户内心：无聊、孤独、焦虑、好奇——这些情绪像一只无形的手，让人自动点开某个App。判断一个产品是否真正形成了习惯，就看用户是否频繁被“内部触发”唤醒：不是因为你提醒他，而是因为他自己感到无聊就想刷短视频。

AI在这里的核心价值是“时机洞察”。传统推送靠固定时段轰炸，AI则用模型预测“此刻推给这个用户，他最可能点开”：他刚结束会议（压力高）、他在通勤路上（有空闲）、他昨晚没睡好（需要提神）。一类典型做法是训练一个点击率预估模型，输入用户的活跃时段、地理位置、情绪信号等特征，输出最佳推送动作的概率。

咖啡馆老板的“雨天提醒”之所以有效，不是因为它发得勤，而是因为它出现在“你最容易想喝热咖啡”的时刻。AI触发同理：少推，但推在点上——这才是内部触发与外部触发之间的桥梁。

Pclick=σ(β0+β1x1+β2x2)\displaystyle P_{\text{click}} = \sigma(\beta_0 + \beta_1 x_1 + \beta_2 x_2)
这是一个逻辑回归形式的点击概率模型，AI用它来判断“现在推送是否值得”。
  1. σ 激活函数sigmoid函数，把任何实数压缩到0到1之间，刚好表示“点击概率”。
    σ(z)=11+e−z\displaystyle \sigma(z) = \frac{1}{1 + e^{-z}}
  2. β₀ 基础倾向用户对产品本身的兴趣底数，比如他是活跃用户还是新用户。
    β0\displaystyle \beta_0
  3. β₁、β₂ 特征权重每个因素对点击的影响力，模型从历史数据中学习得到。
    β1x1+β2x2\displaystyle \beta_1 x_1 + \beta_2 x_2
  4. x₁、x₂ 用户特征如“当前是否通勤”“距上次打开间隔”等实时信号。
    x1,x2\displaystyle x_1, x_2

行动设计

有了香气和消息，客人推门进店了。但接下来有个致命问题：如果点单要填三张表、等二十分钟，客人扭头就走。“知心咖啡”的聪明之处在于扫码即点、默认少糖、一键复购——把动作简化到“零思考”。AI产品的行动设计，做的就是同一件事：把从“想用”到“用上”之间的每一步障碍都铲平。

行为心理学家福格（BJ Fogg）给出了一个极简公式：行为 = 动机 × 能力 × 提示。动机是“我多想喝”，能力是“我多容易喝到”，提示是“什么提醒了我”。三者相乘，任何一个为零，行为都不会发生。Hook模型中的“触发”对应提示，“行动”对应能力和动机的乘积——所以降低门槛，本质上就是放大“能力”这一项。

AI在行动设计里扮演“隐形服务生”。它自动填表（预填地址、代填验证码）、智能默认（推荐最可能想要的选项）、预测性操作（在用户输入前就给出下一步）。比如AI写作助手在你输入半句话后，直接补全后半句——你只需要按一下回车。每一步都少一点摩擦，转化率就高一大截。

回想咖啡馆：香气是提示，渴望是动机，扫码即点是能力。老顾客之所以愿意天天来，不是因为意志力强，而是因为“来一杯”这件事太轻松了。AI产品的行动设计，就是把“太麻烦了”变成“刚好顺手”。

B=M×A×P\displaystyle B = M \times A \times P
福格行为模型：行为发生的概率，由动机、能力、提示三者相乘决定。
  1. B 行为目标行为发生的概率，比如“完成今日打卡”。
    B\displaystyle B
  2. M 动机用户有多想做这件事——渴望越强，行动越可能发生。
    M\displaystyle M
  3. A 能力用户有多容易做到——步骤越少、学习成本越低，能力项越大。
    A\displaystyle A
  4. P 提示有没有及时的提醒或触发信号。
    P\displaystyle P
  5. × 相乘关系这是乘法不是加法，意味着任何一方为零，行为就归零。
    M×A×P\displaystyle M \times A \times P

变量奖励

如果你每次推开咖啡馆，喝到的都是同一杯美式，你会很快失去新鲜感。但“知心咖啡”的拉花每天不一样：今天是云朵，明天是猫咪，后天是一颗歪歪扭扭的爱心——你甚至会为了“今天是什么”而进门。这种“猜不到”的快感，正是Hook模型最迷人的环节：变量奖励。

神经科学告诉我们，大脑在“预期之外得到好东西”时，会分泌大量多巴胺。真正让人上瘾的不是奖励本身，而是“奖励的不确定性”。这就是为什么老虎机让人欲罢不能——它永远不知道下一把会不会中。AI产品把这一原理用得光明正大：推荐流每次刷新内容都不同，语音助手的回答每次语气略有变化，健身App每天生成的训练计划都略有调整。AI的生成能力，让“变量”可以无限供给。

奖励并非只有一种形态。Hook模型提出了三类奖赏：社交奖赏（被点赞、被关注）、猎物奖赏（获得信息、资源、金钱）、自我奖赏（通关、成就、掌控感）。AI产品可以组合使用：学习App在你完成单词打卡后，生成一张“记忆图谱”，让你看到自己掌管了哪个知识领域——这是典型的自我奖赏。

咖啡馆的拉花盲盒，本质就是制造了一个小小的δ：你以为只是一杯咖啡，结果收获了一份今日限定惊喜。AI产品的变量奖励也要掌握好分寸——它提供的是“多样化的价值”，而非“操纵人心的赌博”。

δ=Ractual−Rexpected\displaystyle \delta = R_{\text{actual}} - R_{\text{expected}}
多巴胺预测误差：实际奖励超出预期的部分，才是惊喜感的来源。
  1. δ 预测误差大脑计算出的“惊喜量”，误差越大，多巴胺分泌越多。
    δ\displaystyle \delta
  2. R_actual 实际奖励用户真正获得的奖励体验。
    Ractual\displaystyle R_{\text{actual}}
  3. R_expected 预期奖励大脑根据过往经验预判的奖励水平。
    Rexpected\displaystyle R_{\text{expected}}
  4. 差值实际减去预期——当实际远超预期时，惊喜感最强。
    Ractual−Rexpected\displaystyle R_{\text{actual}} - R_{\text{expected}}

用户投入

你第三次走进“知心咖啡”时，老板笑着问：“还是少糖多奶、加一份浓缩？”你愣了一下——他记得。从那天起，你不再是一家陌生店铺的过客，而是“被记住的老朋友”。这份“记得”，来自你每次积分、留言、调整口味时留下的数据。Hook模型的第四步“投入”，正是让用户把时间、数据、内容交给产品，从而让产品越来越懂他。

用户投入的形式多种多样：填写偏好、上传照片、创作内容、添加好友、绑定账户、历史记录……每一次投入都在增加“沉没成本”，也在喂养AI的个性化模型。你投入得越多，产品就越贴合你的需求，你离开的代价就越高。更重要的是，投入直接为下一次“触发”提供弹药：正因为你备注过“喜欢姜汁拿铁”，雨天那条推送才能精准击中你。

AI在这里承担“数据炼金师”的角色。用户的每一次点击、停留、反馈，都被转化为训练信号，持续优化推荐、对话和内容生成。理论上，随着用户投入的数据量增加，个性化模型的预测误差会逐步下降——这就是为什么老用户觉得产品“越来越好用”，而新用户觉得“也就那样”。

咖啡馆的“记得你”，是一种温暖的投入回报；AI产品的个性化，则是冷数据带来的热体验。投入环节让Hook闭环不再是简单的消费循环，而是一段不断增值的关系——用户和产品，都在变得越来越懂彼此。

Lerr=L01+λ⋅Ndata\displaystyle L_{\text{err}} = \frac{L_0}{1 + \lambda \cdot N_{\text{data}}}
个性化误差随数据量递减：用户投入越多，AI越懂用户，产品越有价值。
  1. L_err 当前误差模型对用户偏好的预测偏差，误差越小越懂用户。
    Lerr\displaystyle L_{\text{err}}
  2. L₀ 初始误差没有任何用户数据时的冷启动误差。
    L0\displaystyle L_0
  3. λ 学习效率模型从每条数据中汲取信息的能力系数。
    λ\displaystyle \lambda
  4. N_data 数据量用户累计投入的数据条数。
    Ndata\displaystyle N_{\text{data}}
  5. 除法关系数据越多，分母越大，误差越小——但边际收益递减。
    L01+λ⋅Ndata\displaystyle \frac{L_0}{1 + \lambda \cdot N_{\text{data}}}

伦理边界

“知心咖啡”的老板曾经收到一个建议：在咖啡里多加糖，让客人越喝越上瘾，天天来买。他拒绝了——“我可以让客人养成习惯，但不能让客人伤身。”这句话，正是Hook模型最容易被忽视的一环：伦理边界。一个让人上瘾的产品，究竟是“帮用户变得更好”，还是“利用人性弱点收割注意力”？

所有掌握Hook模型的产品人都该自问三个问题：第一，这个产品是否创造了真实价值？如果用户不打开App，他的生活是变好还是变差？第二，是否存在有害成瘾的风险？比如无限刷、赌徒式奖励、利用焦虑放大使用时长。第三，用户能否轻松退出？数据能否导出、订阅能否一键取消、账号能否注销——这些“反人性”的设计，恰恰是衡量产品道德底线的标尺。

AI放大了Hook的威力，也放大了责任。算法能精准地找到用户的脆弱点：深夜孤独时推送社交内容、疲惫时推送刺激视频、失意时推送“成功学”。这种精准本身没有错，错的是用它来剥削而非赋能。负责任的做法，是在设计指标时就加入“用户福祉”维度，让留存率的增长与用户真实收益同向而行。

咖啡馆老板最终选择了“少糖”——短期客流可能少了，但回头客都是真心喜欢咖啡的人。AI产品同样如此：以用户福祉为分母的产品，才配得上“上瘾”二字的正面意义。毕竟，最好的习惯闭环，是让用户因为变得更好而留下来。

Wellbeing=VvalueDharm\displaystyle \text{Wellbeing} = \frac{V_{\text{value}}}{D_{\text{harm}}}
用户福祉指数：产品带给用户的价值与可能造成的伤害之比，是伦理设计的核心考量。
  1. Wellbeing 福祉指数衡量产品对用户整体生活质量的净影响。
    Wellbeing\displaystyle \text{Wellbeing}
  2. V_value 真实价值用户从产品中获得的知识、效率、连接、成长等正向收益。
    Vvalue\displaystyle V_{\text{value}}
  3. D_harm 潜在伤害时间损耗、焦虑放大、隐私侵蚀等负面代价。
    Dharm\displaystyle D_{\text{harm}}
  4. 比值关系价值除以伤害——比值远大于1才是健康产品，小于1则留存越高越危险。
    VvalueDharm\displaystyle \frac{V_{\text{value}}}{D_{\text{harm}}}

AI 应用场景

智能学习App的习惯养成

阶段：用户增长 + 留存运营

解决的问题：传统学习App靠打卡提醒维持日活，但推送容易引起反感，用户学过就忘，留存率低。AI用Hook模型重构学习闭环：根据遗忘曲线选择最佳复习提醒时机（触发），将课程拆解为3分钟微课、一键开始（行动），每次复习生成不同的题型和记忆图谱（变量奖励），用户标记不熟悉的单词、记录学习笔记，让知识库越来越懂他的薄弱点（投入）。

具体案例：某语言学习App接入Hook模型后，AI根据用户每天的活跃时段和专注度动态调整推送时间——通勤路上推“听力挑战”，睡前推“单词速记”。每次用户完成学习，AI生成的“知识掌握度报告”都略有不同，像一份不断进化的个人成绩单。用户标注的生词越多，后续内容越贴合他的水平，形成了“越学越懂我、越懂越想学”的正循环。

AI健身教练的变量激励

阶段：产品功能设计 + 用户留存

解决的问题：健身App的用户往往三分钟热度，固定的训练计划缺乏惊喜感。AI以Hook模型为框架，让每一次训练都成为“开盲盒”：根据天气、日程和身体恢复状态选择训练时机（触发），推荐10分钟居家跟练，无需器械（行动），每次生成的训练组合和“今日状态报告”都不同，有时是HIIT、有时是瑜伽流（变量奖励），用户上传体重、睡眠、饮食数据后，AI不断精修个人体能模型（投入）。

具体案例：某知名健身App引入AI教练后，会员周留存率提升25%。核心设计是“动态难度的惊喜感”：AI在用户状态好时悄悄提升强度，在疲惫时给出轻松恢复课——用户永远想不到明天是什么课，但每节课都恰好踩在他的能力边缘。

AI写作助手的价值闭环

阶段：产品核心体验 + 付费转化

解决的问题：写作工具往往用完即走，很难形成使用习惯。AI写作助手用Hook模型把“工具”变成“伙伴”：用户写下一段话后，助手主动弹出优化建议（触发），一键润色、无需切换工具（行动），每次润色给出的风格建议和灵感金句都不同，有时是简洁风、有时是故事化表达（变量奖励），用户不断采纳和微调，让助手学习他的文风偏好（投入）。

具体案例：某AI写作产品的留存数据显示，使用“风格记忆”功能的用户，7日留存率是普通用户的3倍。因为这个功能让用户感到“助手越来越像我”，投入越深、替换成本越高，最终实现了“越写越顺手、越顺手越离不开”的良性闭环。

Python 演示

python55 行
# -*- coding: utf-8 -*-"""Hook上瘾模型模拟器：模拟AI产品用户习惯闭环的形成"""import random class HookSimulator:    def __init__(self, trigger_rate=0.4, action_cost=0.3, reward_base=0.6):        self.trigger_rate = trigger_rate        self.action_cost = action_cost        self.reward_base = reward_base        self.loop_count = 0        self.retention_list = []     def trigger(self, day):        """外部触发：判断用户是否被推送打动进入产品"""        p = self.trigger_rate + day * 0.01        return random.random() < min(p, 0.95)     def action(self):        """行动：判断用户能否低成本完成关键动作"""        return random.random() > self.action_cost     def reward(self):        """奖励：返回用户获得的满足感（变量化）"""        return self.reward_base + random.uniform(-0.2, 0.4)     def invest(self, score):        """投入：数据沉淀增强个性化，提升下次奖励"""        self.reward_base += 0.005        return score + 0.1     def run_day(self, day):        """运行一天，统计三个用户的闭环次数"""        for user in ['alice', 'bob', 'carol']:            if not self.trigger(day):                continue            if not self.action():                continue            reward = self.reward()            if reward > 0.5:                self.invest(reward)                self.loop_count += 1        self.retention_list.append(self.loop_count)        return self.loop_count     def simulate(self, days=30):        """连续模拟30天"""        for d in range(1, days + 1):            self.run_day(d)        return self.retention_list if __name__ == '__main__':    sim = HookSimulator()    retention = sim.simulate(30)    print('30天后累计闭环次数:', retention[-1])    print('习惯养成曲线:', retention)
目的：模拟AI产品用户在一个月内的Hook闭环积累，展示触发率提升、奖励变量和投入反馈如何共同驱动习惯养成。
  1. p = self.trigger_rate + day * 0.01触发率随时间微增，模拟AI持续学习用户作息后推送越来越精准。
  2. return random.random() < min(p, 0.95)随机命中触发事件，0.95封顶防止过度打扰。
  3. return random.random() > self.action_cost行动成本越低（cost越小），用户完成行动的概率越高。
  4. return self.reward_base + random.uniform(-0.2, 0.4)变量奖励的核心：每次获得的满足感不同，制造惊喜。
  5. if reward > 0.5: self.invest(reward)只有满意度达标才会触发投入，体现“满意→投入”的因果链。
  6. self.retention_list.append(self.loop_count)记录每日累计闭环数，形成可观测的习惯养成曲线。

常见误区

误区很多人一听“上瘾模型”就皱眉头，觉得它是产品经理用来操纵用户、让人失去理智的黑魔法。用上Hook=做邪恶的App。

正解Hook模型本身只是行为设计的框架，就像菜刀——可以切菜也可以伤人。Nir Eyal写这本书的初衷是让产品“帮助用户养成他们自己想要的习惯”，比如健身、学习、理财。判断善恶的标准，是看产品是否创造真实价值、用户是否拥有知情和退出权。AI产品的推送触发可以帮你记得喝水，也可以榨取你的注意力，关键在设计师的选择。

为何常见：因为“上瘾”这个词自带负面联想，加上部分产品确实滥用行为设计制造信息流鸦片，导致人们把“习惯养成框架”和“恶意操纵”画上等号。

误区“既然触发是闭环的起点，那我一天推20条通知，总有一条能打动用户吧？”很多运营新人认为推送频率与留存率正相关。

正解事实恰恰相反。过度触发会让用户产生防御心理，最终关掉通知甚至卸载App。Hook模型对触发的要求是“精准”而非“高频”——AI要做的是找到用户最容易被唤醒的时机和场景，比如通勤路上推音频课、工作间歇推放松练习。一条恰到好处的推送，胜过十条无差别的轰炸。

为何常见：因为“多就是好”是直觉思维，而忽略了触发背后的成本：每次打扰都在消耗用户对产品的好感额度，透支完了，闭环就断了。

误区一提到“变量奖励”，就想到抽卡、开盲盒、转盘抽奖——认为只要有随机掉落就能让用户上瘾，于是设计一堆概率抽奖。

正解Hook模型所说的变量奖励，核心是“输出有意义的多样性”，而非“利用赌博心理收割”。AI产品更该做的是让每次内容都有新鲜感：推荐一篇没看过的深度好文、生成一份风格不同的周报、给出一个意料之外的学习视角。赌博式抽奖提供的是“金钱刺激”的变量，而健康的Hook奖励提供的是“认知价值”的变量——前者制造依赖，后者创造成长。

为何常见：因为现实中大量App确实在用抽奖机制拉活跃，让人误以为“变量”就等于“赌博”。

误区“投入阶段嘛，就是设计付费墙、会员费，让用户花钱了就不舍得走。” 有些产品经理把投入等同于收入。

正解投入的本质是“沉没成本的积累”，形式远多于金钱：用户花时间写了一条评论、上传了十张照片、标记了五十个喜欢的商品、建立了一份个人歌单——这些都不是钱，但它们让产品对用户来说“不可替代”。AI产品尤其看重数据投入，因为你标注的每个偏好都在让模型更懂你，这份“懂”才是最深的沉没成本。

为何常见：因为商业直觉让产品人优先想到“怎么收钱”，而忽略了时间、内容、社交关系这些更隐蔽也更深层的投入形式。

误区“我把触发、行动、奖励、投入都做好了，这产品肯定火。” 把Hook模型当作一次性配置清单，做完就坐等留存上涨。

正解Hook是一个动态迭代的闭环。真实世界里，用户的需求在变、竞品在变、AI模型在变——今天有效的触发可能三个月后就疲劳了。产品团队需要通过数据持续观察每个环节的流失率：触发到位但行动率低，说明门槛太高；行动率高但留存低，说明奖励不够吸引人。AI的优势在于可以自动做A/B测试、实时调整策略，让闭环永远处于“调优中”而非“已完成”状态。

为何常见：因为初学一个模型时，容易把它理解成“照着做就行的SOP”，忽略了任何行为设计都需要与真实用户数据不断磨合。

面试题

Q1. Hook模型的四个阶段按正确顺序排列是？

单选题 · easy

  • A.触发、行动、奖励、投入← 正确答案
  • B.行动、触发、奖励、投入
  • C.触发、奖励、行动、投入
  • D.奖励、行动、触发、投入

答案：A。Hook模型的标准顺序是触发→行动→奖励→投入。就像去咖啡馆：先闻到香气（触发），再扫码点单（行动），喝到惊喜拉花（奖励），最后存积分留言（投入）。其他选项都打乱了因果链条——没有触发就不会有行动，没有行动就谈不上奖励。

Q2. Hook模型出自哪本著作？

单选题 · easy

  • A.《上瘾》一书← 正确答案
  • B.《失控》一书
  • C.《必然》一书
  • D.《疯传》一书

答案：A。Hook模型由 Nir Eyal 在《上瘾》（Hooked）中系统提出。《失控》和《必然》是凯文·凯利谈论科技趋势的著作，《疯传》是乔纳·伯杰讲营销传播的书，它们与“习惯养成闭环”的主题不同。

Q3. 以下属于内部触发典型例子的是？

单选题 · easy

  • A.收到App推送通知
  • B.感到无聊想刷视频← 正确答案
  • C.看到朋友分享链接
  • D.看到广告弹出窗口

答案：B。内部触发来自用户内在的情绪或场景，比如“无聊、孤独、焦虑”想刷视频。A、C、D都是外部触发——推送、分享链接、广告都是外界信号，靠外部环境把用户拉进产品。

Q4. 相比外部触发，内部触发的核心优势是？

单选题 · mid

  • A.不依赖外界提醒← 正确答案
  • B.推送频次更低
  • C.广告位数量多
  • D.用户无需思考

答案：A。内部触发由用户自身情绪和场景唤起，不需要产品推送或广告提醒，因此用户粘性更强、唤醒成本更低。AI产品最终追求的就是让用户“因为无聊就想到你”，而不是“因为提醒才打开你”。

Q5. 福格行为模型 B=M×A×P 中，A代表什么？

单选题 · mid

  • A.行动的能力← 正确答案
  • B.内在的动机
  • C.外部的提示
  • D.变量化奖励

答案：A。A是Ability（能力），指用户完成行动有多容易。M是Motivation（动机），P是Prompt（提示）。三者相乘，任何一方为零行为就不发生。Hook模型的“行动”环节重点就是提升A——降低门槛、简化操作。

Q6. 多巴胺预测误差公式中，惊喜感最强的情况是？

单选题 · mid

  • A.实际奖励超过预期很多← 正确答案
  • B.实际奖励和预期一致
  • C.实际奖励比预期更少
  • D.实际奖励完全不出现

答案：A。δ = R实际 − R预期，差值越大，多巴胺分泌越多。就像咖啡馆拉花，预期只是普通一杯咖啡，结果出现一只可爱猫咪，这个正向差值就是惊喜。C和D会导致负误差，产生失落而非兴奋。

Q7. 用户投入阶段，用户可能付出以下哪些资产？

多选题 · mid

  • A.使用时间← 正确答案
  • B.偏好数据← 正确答案
  • C.创作内容← 正确答案
  • D.服务器资源

答案：ABC。投入是用户为产品付出的、难以撤回的资产：时间（看过的历史）、偏好数据（点赞、标注）、创作内容（评论、作品）都会增加替换成本。D“服务器资源”是公司成本而非用户投入，属于混淆项。

Q8. 以下哪些是AI产品实现变量奖励的合理方式？

多选题 · hard

  • A.随机掉落虚拟货币
  • B.生成不同风格内容← 正确答案
  • C.预测偏好给予惊喜← 正确答案
  • D.无限抽奖诱导付费

答案：BC。健康的变量奖励是“有意义的多样性”：每次生成不同风格的内容、根据偏好预测给出惊喜推荐，让用户获得认知层面的新鲜感。A和D偏向赌博式刺激，用随机金钱奖励制造依赖，容易滑向有害成瘾，不符合Hook模型的伦理边界。

Q9. 用户投入阶段，AI产品积累的核心资产是？

单选题 · hard

  • A.个性化数据← 正确答案
  • B.广告收入
  • C.服务器资源
  • D.渠道流量

答案：A。投入阶段的核心是用户沉淀下来的个性化数据——偏好标签、行为序列、内容作品。这些数据让AI模型越来越懂用户，构成产品最深的护城河。广告收入是变现结果，服务器是基础设施，渠道流量是获客手段，都不属于投入环节的用户资产。

Q10. 以下哪种做法违反了Hook模型的伦理边界？

单选题 · extreme

  • A.利用情绪状态推送
  • B.提供个性学习计划
  • C.算法放大用户焦虑← 正确答案
  • D.允许导出个人数据

答案：C。利用算法精准识别用户的焦虑情绪并放大它、延长使用时长，是典型的“剥削型触发”，违背了用户福祉原则。A“利用情绪状态推送”本身是中性的——在用户疲惫时推送放松内容就是关怀，推送刺激内容才是操纵。B和D是价值创造与用户自主权的体现。