街角有一家「老张餐馆」，曾经是整条街最红火的店。老张的秘诀不是装修，而是两句话：菜单上写什么，端上来就是什么；今天好吃，明天也好吃。街坊们说「老张家不糊弄人」，这就是信任。后来老张听人说「酒香也怕巷子深，营销要夸张」，于是菜单上出现了「祖传御厨秘方」「百分百纯天然」「包治没胃口」。料理包加热的菜，配上吹上天的文案，生意确实火了一阵，直到一位较真的食客当场拆穿。社区群瞬间炸锅，餐馆从「排队两小时」变成「门可罗雀」。老张用了整整一年，靠道歉、透明整改、老客免单，才把人气一点点找回来。 这个故事，就是 AI 产品用户信任的生死录。信任看不见摸不着，却比任何 KPI 都致命：它需要长时间一点一滴积累，却可能在一夜之间崩塌。这篇文章要讲的，正是用户信任如何建立、为何崩塌、以及怎样修复——AI 产品经理可以从老张餐馆的教训中，学会把信任当作核心资产来经营。

岗位关联

对 AI 从业者而言，掌握用户信任丧失与恢复的规律，意味着你不仅能做出「好用」的产品，还能把它做成「值得托付」的产品。这是 AI 产品经理、创业者穿越舆论风暴与用户流失的必修课。

目录
  1. 可视化演示
  2. 信任建立机制
  3. 信任丧失原因
  4. 案例深度剖析
  5. 失败教训总结
  6. 过度承诺风险
  7. 信任恢复策略
  8. 风险防范体系
  9. 实战应用指南
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

动态演示AI产品案例的核心机制，通过开始/执行/监控/完成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）。

AI产品案例：用户信任 用户信任的形成机制 信任丧失的触发因素 核心机制可视化 AI产品案例整体架构与关键组件

信任建立机制

老张餐馆刚开业时，整条街没有一个人看好。老张靠四步走活了这盘棋：招牌回锅肉第一口就让客人惊喜，这是「首因」；往后每次来味道都稳定，这是「兑现」；后厨玻璃窗亮堂堂，备料切菜看得见，这是「透明」；街坊自发在邻居群里推荐「老张不糊弄人」，这是「口碑」。四步环环相扣，让空店变成排队长龙。

AI 产品的信任建立，走的也是同一条路。用户第一次使用智能助手，回答得又准又贴心，是「首因效应」；之后每次调用模型，结果都稳定可靠，是「持续兑现」；隐私政策、数据用途讲得清清楚楚，是「透明度建设」；用户自愿把产品推荐给同事，是「口碑传播」。「首因」负责开门，「兑现」负责留客，「透明」负责放心，「口碑」负责裂变。

用期望落差模型可以量化这一过程——用户心中的信任，每次交互后都会根据实际体验与预期承诺的差值来更新：

老张的四步走，本质是在不断制造「体验 ≥ 承诺」的正落差。AI 产品若想复制这条曲线，就得让每一次对话、每一次预测都「说到做到」。

Tt+1=Tt+α(Et−Pt)\displaystyle T_{t+1} = T_t + \alpha(E_t - P_t)
当实际体验 \(E_t\) 高于宣传承诺 \(P_t\) 时，信任净增；低于承诺时，信任骤减。\(\alpha\) 越大，单次体验对信任的影响越剧烈。
  1. 上一刻信任度 \(T_t\)用户在当前交互前的信任存量，相当于老张餐馆在顾客进门前已有的「口碑余额」。
    TtT_t
  2. 体验与承诺之差 \(E_t - P_t\)实际体验减去宣传承诺，数值为正就是「超出预期」，为负就是「名不副实」。
    Et−PtE_t - P_t
  3. 学习速率 \(\alpha\)每次落差对信任的影响权重。\(\alpha\) 高则一次坏体验就能摧毁信任，\(\alpha\) 低则信任修复也慢。
    α\alpha

信任丧失原因

生意好了，老张飘了。他听信「营销为王」的说法，菜单上印上「米其林御厨主理」「百分百纯天然食材」，后厨却悄悄换成了料理包。客人第一口就吃出了差别，有人在点评网写下：「菜单吹上了天，端上来却是半成品。」

这就是用户信任丧失的经典路径。AI 产品领域同样存在四种「料理包时刻」：过度承诺（宣称无所不能的智能管家）、表现落差（实际答非所问频繁出错）、隐私数据滥用（偷偷收集用户敏感信息）、客服推诿漠视（出问题后工单石沉大海）。四者往往串联发生，一次引爆，全盘崩塌。

从期望落差模型出发，落差是信任的「粉碎机」：

老张的「料理包菜单」就是负落差的大型人证物证。AI 产品团队若只顾宣传话术、不顾模型真实能力，就相当于亲手把自己推进信任崩塌的坑里。

Dt=Pt−Et\displaystyle D_t = P_t - E_t
\(D_t\) 表示用户感知到的「被骗程度」。\(D_t\) 越大，用户情绪越强烈，且这种负面体验在社交网络会被放大——一条差评的杀伤力抵得上十条好评。
  1. 宣传承诺 \(P_t\)产品向用户许下的预期，比如广告语、功能说明、官方演示。
    PtP_t
  2. 实际体验 \(E_t\)用户真实拿到的结果，包括准确性、稳定性、响应速度。
    EtE_t
  3. 落差 \(D_t\)两者之差。正落差是惊喜，负落差是失望，负落差越大信任崩塌越猛。
    Pt−EtP_t - E_t

案例深度剖析

一位较真的食客拍下料理包空袋，发进 500 人的社区群。老张的餐馆从「排队神店」一夜变成「外卖刺客」，连邻居大妈都摇头。这不是个案，而是所有信任危机的缩影——事件早有信号，只是没人愿意看。

把镜头转向一个真实原型的 AI 产品案例（细节已脱敏）。某智能办公助手曾在发布会宣称「全能管家，一句话搞定报销、排期、合同」，实际上线后频繁答非所问，合同摘要出现张冠李戴；更致命的是，夜间客服失联，用户投诉无门。三周后舆情引爆，卸载率翻了三倍。

复盘这个案例，要抓四条主线：失败背景还原（产品仓促上线只为抢发布会节点）、关键决策失误（明知模型准确率只有 78%，仍同意用「99%」话术）、用户反馈信号（差评率、卸载率、客服工单的异常上升被算法部门忽略）、批判性复盘（为什么预警信号层层上报却无人拍板）。用加权反馈指数量化危机：

老张说「垃圾桶里的料理包空袋早就提醒我了」。同理，产品后台的差评、卸载、工单数据就是「厨房里的空袋」，视而不见，危机就必然爆发。

F=ws⋅Sbad+wc⋅Crate+wr⋅Rticket\displaystyle F = w_s \cdot S_{bad} + w_c \cdot C_{rate} + w_r \cdot R_{ticket}
\(F\) 是综合反馈指数，由差评率、卸载率与工单率加权求和。当 \(F\) 连续三天超过阈值，就该触发最高级别的危机响应。
  1. 差评率 \(S_{bad}\)新增评价中负面评价占的比例，是用户情绪的「温度计」。
    SbadS_{bad}
  2. 卸载率 \(C_{rate}\)周期内卸载用户数与活跃用户数之比，反映「用脚投票」的强度。
    CrateC_{rate}
  3. 工单率 \(R_{ticket}\)用户反馈工单的增速，是抢修信号灯。
    RticketR_{ticket}
  4. 权重 \(w_s, w_c, w_r\)三个信号的重要程度，由产品团队根据业务特性标定。
    ws,wc,wrw_s, w_c, w_r

失败教训总结

老张关店三天。他蹲在厨房想了很久，最后在本子上写下四条：菜单别吹牛、新菜先试吃、做坏了能撤、伙计要敢说真话。

AI 产品团队的教训可以提炼为四件事：承诺边界管控（宣传口径必须经过产品与工程双重背书）、可回滚机制（每次发布都保留一键回退能力）、灰度发布检测（先让 5% 用户试新版本，观察指标再全量）、诚实文化（工程师敢说「这个模型还不行」而不被毙掉）。

可回滚性是危机时期的「安全气囊」。定义可回滚率 \(R\) 为可回滚模块占全部变更模块的比例：

老张最终的领悟简单又深刻：新菜上桌前先让三桌老客试吃，砸了就撤——这就是灰度发布与回滚机制的直觉原型。

R=SrollbackStotal\displaystyle R = \frac{S_{rollback}}{S_{total}}
\(R=1\) 表示所有变更都能一键还原，即使新功能烂到极致，也能秒退回稳定版本；\(R\) 越低，危机处置的余地越小。
  1. 可回滚模块数 \(S_{rollback}\)支持版本回退的功能模块数量，相当于「能撤掉的菜」。
    SrollbackS_{rollback}
  2. 总变更模块数 \(S_{total}\)本次发布涉及的全部功能模块，相当于「这一批新菜」。
    StotalS_{total}
  3. 可回滚率 \(R\)两者的比值。接近 1 意味着产品有完整的「后悔药」，让过度承诺的试错成本降到最低。
    SrollbackStotal\frac{S_{rollback}}{S_{total}}

过度承诺风险

老张的旧菜单堪称「过度承诺博物馆」：「祖传御厨秘方」（其实菜谱是网上搜的）、「百分百纯天然」（料理包含 17 种添加剂）。每个形容词，后来都变成了一封道歉信。

为什么理性的人会做出这种蠢事？四个推手：营销包装夸大（KPI 压力下文案越写越满）、交付能力错配（销售敢答应工程做不了的需求）、竞品压力误导（隔壁吹「AI 保姆」，我们也得吹「AI 全能管家」）、创始人执念（老板真心相信自家产品无所不能）。

过度承诺的风险不是加法，是乘法。承诺强度与兑现缺口互相放大：

老张现在把菜单改成了白纸黑字：「本店菜品为家常小炒，无特殊功效」。诚实的菜单吓跑了想听好话的客人，却留住了真正重要的回头客。

Risk=Apromise×Fgap\displaystyle Risk = A_{promise} \times F_{gap}
承诺强度 \(A\) 越大、兑现缺口 \(F\) 越大，风险敞口呈乘积式膨胀。承诺「99% 准确」只兑现 78%，比承诺「85%」兑现 80% 的风险大得多。
  1. 承诺强度 \(A_{promise}\)宣传话术的夸张程度，比如「万能」「一眼诊断」「绝对可靠」。
    ApromiseA_{promise}
  2. 兑现缺口 \(F_{gap}\)承诺能力与实际能力的差额，差距越大用户感知背叛越深。
    FgapF_{gap}
  3. 乘积效应 \(Risk\)两者相乘。任何一方为 0，风险都为 0；但一旦同时为正，风险以乘法级数爆发，而非加法。
    Apromise×FgapA_{promise} \times F_{gap}

信任恢复策略

危机后的老张没有换招牌跑路，而是做对四件事：在店门口贴出亲笔道歉信；拆掉砖墙换成全透明玻璃厨房；老顾客凭转发记录免费吃一周；把供货商和采购发票贴在公告栏。

信任恢复的四个策略在老张身上齐活了：诚恳道歉（承认错误不辩解）、透明化整改（让用户看见改变过程）、超额补偿（超出用户预期的利益回馈）、时间窗口管理（不奢望一周恢复，做好打持久战的准备）。

信任恢复符合一条指数恢复曲线：

老张的免单周结束那天，店里来了第一波回头客。他知道，真正的考验才刚刚开始——信任恢复的上半场靠姿态，下半场靠稳稳的兑现。

T(t)=T0+(Tmax−T0)(1−e−λt)\displaystyle T(t) = T_0 + (T_{max} - T_0)(1 - e^{-\lambda t})
\(T_0\) 是崩塌后的谷底信任度，\(T_{max}\) 是理论上限，\(\lambda\) 是恢复速率。初期的补救效果立竿见影，但越接近上限，恢复越慢——信任修复没有捷径。
  1. 谷底信任 \(T_0\)危机爆发后的信任最低点，相当于老张刚道歉时的人气冰点。
    T0T_0
  2. 信任上限 \(T_{max}\)产品自身口碑可达到的最大值，受行业与竞品约束。
    TmaxT_{max}
  3. 恢复速率 \(\lambda\)补偿与整改带来的回血速度。\(\lambda\) 大则恢复快，但受「遗忘曲线」和竞品竞争制约，无法无限放大。
    λ\lambda
  4. 时间 \(t\)自道歉声明发布以来的时长。时间窗口不可压缩，信任不是电梯，而是楼梯。
    tt

风险防范体系

重新开业的老张立下三条新规矩：菜单文案要经过厨师、采购和邻居代表三层审批；每周复盘「最失望菜品」；门口挂一块白板，每天手写差评数和当日处理结果。

这就是风险防范体系的接地气版本——承诺审批（防止话术失控）、期望管理（主动告诉顾客「本店口味偏家常」）、风险预警指标（差评计数板）。AI 产品需要一套同样硬核的框架，把「出事了再说」变成「出事前就拦住」。

预警指标体系是防范体系的仪表盘：

老张的差评白板，本质上就是 AI 产品的可观测性看板——能看见风险，才能管理风险。看不见的风险才是最大的风险。

S=β⋅Nbad+γ⋅Δchurn\displaystyle S = \beta \cdot N_{bad} + \gamma \cdot \Delta_{churn}
\(S\) 为预警总分，由差评增量与用户流失增量加权组合。\(S\) 连续上升且超过预设阈值时，系统自动触发危机预案。
  1. 差评增量 \(N_{bad}\)本周期新增差评数量，反映舆论情绪的积压速度。
    NbadN_{bad}
  2. 流失增量 \(\Delta_{churn}\)活跃用户减少的加速度，反映「用脚投票」的烈度。
    Δchurn\Delta_{churn}
  3. 权重 \(\beta\) 与 \(\gamma\)两个指标的敏感度系数，需根据产品生命周期动态调整。
    β,γ\beta, \gamma
  4. 预警总分 \(S\)总分超过阈值（如 2.0），立即触发危机响应流程。
    SS

实战应用指南

一年后，老张的餐馆重新排起长队。他在厨房门后贴了一张「开店避坑十问」：菜单有没有吹牛？新菜有没有试吃？出事能不能撤？伙计敢不敢报忧？……

这张清单的反问句，翻译成 AI 产品术语就是一套实战应用指南：产品经理自查清单（每次发布前过一遍承诺审计）、创业团队避坑（资源有限时尤不能透支用户信任）、案例复盘模板（把每次事故变成组织能力）、最佳实践清单（沉淀为团队的共同记忆）。

衡量信任修复成果，除了看留存曲线，还可以用净推荐值这个「期末成绩单」：

老张现在最爱做的事，是听老顾客说「这店又回来了」。这句话背后，是净推荐值从 -60 爬到 +40 的艰难旅程——AI 产品值得拥有同样的野心。

NPS=Ppromoter−Pdetractor\displaystyle NPS = P_{promoter} - P_{detractor}
NPS 等于推荐者比例减去贬损者比例，取值从 -100 到 100。NPS 转正，意味着用户不仅不再流失，还开始用口碑为你的产品「代言」。
  1. 推荐者比例 \(P_{promoter}\)愿意向朋友推荐该产品的用户占样本的比例。
    PpromoterP_{promoter}
  2. 贬损者比例 \(P_{detractor}\)不仅自己不用、还会劝阻他人的用户比例。
    PdetractorP_{detractor}
  3. 净推荐值 NPS两者相减。长期为负，说明信任仍在失血；转正回升，才是真正穿越了信任危机。
    Ppromoter−PdetractorP_{promoter} - P_{detractor}

AI 应用场景

智能客服产品的信任重建

阶段：产品发布与舆情管理

解决的问题：某银行 AI 客服宣称「全天候解决 99% 问题」，实际意图识别率只有 70%，大量用户被「答非所问」激怒。传统做法是无限增加人工坐席，但治标不治本。运用「期望落差模型」重新校准：把宣传改口为「24 小时在线，复杂问题转人工」，同时上线「识别置信度低时主动转人工」的策略，差评率在下个月下降 40%。

具体案例：某股份制银行手机银行搭载智能客服「小惠」，开屏广告语「全能小惠，有问必答」。上线后大量用户投诉理财问题答非所问，客服工单量暴涨 300%，应用商店评分从 4.8 跌到 3.2。团队采纳信任恢复策略——公开道歉、发布识别能力白皮书、对受损用户赠送理财体验金。三个月后评分回升至 4.3。

智能驾驶辅助的信任管理

阶段：宣传合规与用户教育

解决的问题：多家车企把「辅助驾驶」宣传成「自动驾驶」，事故发生后用户群情激愤。AI 时代，功能命名与边界说明本身就是产品的一部分。利用「承诺审批流程」和「用户期望管理」，在官网、车机、说明书三处统一话术，并用「风险预警指标」监控各地事故率与投诉率。

具体案例：某新势力车企将「自动辅助导航驾驶」更名为「车道领航辅助」，并在每次开启功能时弹出 3 秒免责提示，同时每月公开系统接管率与事故统计。虽然营销热度降了，但用户满意度与复购率反而提升，保险合作商主动降费。

Python 演示

python39 行
# -*- coding: utf-8 -*-"""用户信任度模拟器:用期望落差模型复现"老张餐馆"式信任危机与恢复"""import math  class TrustSimulator:    """信任模拟器:通过事件序列驱动信任度变化"""     def __init__(self, initial=60, alpha=0.3):        self.trust = initial        self.alpha = alpha        self.records = []     def apply_event(self, promise, experience, event_name):        """应用一次交互事件:promise 是宣传承诺,experience 是实际体验"""        gap = experience - promise        delta = self.alpha * gap        self.trust = max(0.0, min(100.0, self.trust + delta))        self.records.append((event_name, round(self.trust, 2)))        return self.trust     def show_log(self):        """打印信任变化过程与柱状图"""        for name, level in self.records:            bar = "#" * int(level // 2)            print("%-18s %6.2f %s" % (name, level, bar))  if __name__ == "__main__":    sim = TrustSimulator(initial=60, alpha=0.3)    sim.apply_event(75, 85, "产品发布")    sim.apply_event(78, 82, "稳定迭代")    sim.apply_event(95, 55, "过度承诺曝光")    sim.apply_event(88, 70, "道歉未补偿")    sim.apply_event(90, 86, "透明整改")    sim.apply_event(85, 92, "超额补偿")    sim.apply_event(86, 90, "口碑回归")    sim.show_log()    print("最终信任度: %.2f" % sim.trust)
目的：用期望落差模型模拟 AI 产品用户信任的积累、崩塌与恢复全过程。
  1. gap = experience - promise计算期望落差：实际体验减去宣传承诺，正数意味着「超出预期」，负数意味着「名不副实」，这是信任加减分的依据。
  2. delta = self.alpha * gap落差值乘以学习速率，把「心理落差」换算成「信任变化量」。\(\alpha\) 大，一次坏体验就足以摧毁积累。
  3. self.trust = max(0.0, min(100.0, self.trust + delta))把信任约束在 0 到 100 分之间，避免溢出诡异范围。
  4. sim.apply_event(95, 55, "过度承诺曝光")承诺 95 分只兑现 55 分，一次性落差 -40，直接把信任打到谷底。
  5. sim.apply_event(90, 86, "透明整改")用接近兑现的改进把信任慢慢拉回来，这正是「道歉只能止损、整改才能回血」的代码表达。

常见误区

误区用户不信任了？没关系，我加班把 bug 修完，功能好用了，用户自己会回来。

正解信任不是功能质量的赠品。根据恢复曲线，即使功能满分，信任仍要按指数规律慢慢爬升；更重要的是，用户在等待期间会持续「监视」你，任何一次小失误都会被放大。所以必须同时做透明化沟通和情感补偿，而不是闷头改代码。

为何常见：工程师思维容易假设「理性用户」——只要问题解决了，用户就该满意。但实际上用户是「感性裁判」，他们的判断基于被对待的方式，而非绝对质量。

误区宣传夸大一点只是市场部的事，产品做得好就没事。

正解过度承诺直接制造「期望落差」，而数学上，体验减承诺的负值会以 \(\alpha\) 倍速度扣减信任。产品再好，只要承诺大于体验，落差就是负数。文案就是产品的超级入口，承诺必须经过产品与工程双重复核。

为何常见：组织里市场和研发的 KPI 不同，市场背「声量」指标，容易放任文案飞；研发背「质量」指标，却管不住市场部怎么写。

误区危机来了，我第一时间发道歉声明，显得态度好，用户一定买账。

正解没准备的道歉往往变成「二次翻车」——比如道歉里藏着甩锅、赔偿含糊其辞，用户会认为你敷衍。老张的道歉之所以有效，是因为道歉的同时贴出了整改方案和补偿细节。道歉要快，但方案要完整。快是姿态，完整是诚意。

为何常见：用户怒火会诱发「行动焦虑」，让人误以为先开口就是诚意，于是把「仓促声明」误当成「快速响应」。

误区只要我们补偿给得够多、活动做得够大，三个月没戏就一个月搞定。

正解恢复曲线有自然的时间常数 \(\lambda\)，补偿和金流只能加速斜率，不能抹掉时间。信任是楼梯，得一级一级上；越是放大补偿，用户越会审视你的动机。老张用了整整一年才回到排队状态，AI 产品也别想着靠一场发布会就翻盘。

为何常见：商业上「时间就是成本」，团队总希望用资源置换时间，但用户的心理恢复有其固有节奏，不像服务器扩容可以插拔。

面试题

Q1. 用户对 AI 产品的信任最直接来源于什么？

单选题 · easy

  • A.广告投放的力度很大
  • B.承诺与实际体验一致← 正确答案
  • C.界面设计非常炫酷
  • D.创始人名气足够大

答案：B。信任的本质是「说到做到」。承诺与实际体验一致时，期望落差趋于零，用户形成稳定预期；广告、界面和名气只能带来首次关注，无法支撑持续信任，因此答案是 B。

Q2. 过度承诺的本质是什么？

单选题 · easy

  • A.市场预算严重超支
  • B.预期与交付能力错配← 正确答案
  • C.产品代码存在缺陷
  • D.客服响应效率不高

答案：B。过度承诺是宣传预期超过了实际交付能力，形成负的期望落差。这不是预算、代码或客服问题，而是「承诺」与「能力」的错配，因此答案是 B。

Q3. 以下哪些属于用户信任丧失的早期信号？

多选题 · easy

  • A.差评率持续上升← 正确答案
  • B.退款与卸载增多← 正确答案
  • C.股票价格持续上涨
  • D.客服工单数量无变化

答案：AB。差评率上升反映情绪积压，退款与卸载增多反映「用脚投票」，都是典型早期信号。股价上涨与工单无变化属于正常或反向信号，故选 A 和 B。

Q4. 「期望落差模型」中，信任度如何变化？

单选题 · mid

  • A.只与体验绝对值有关
  • B.只与宣传承诺强度有关
  • C.与体验减承诺的差值有关← 正确答案
  • D.与产品定价有正比关系

答案：C。信任增量由 \(E_t - P_t\) 决定，即实际体验与承诺的差值。体验绝对值高但承诺更高，信任仍会下降；定价与信任无直接比例关系，故选 C。

Q5. 信任崩塌后，最有效的第一步是什么？

单选题 · mid

  • A.扩大广告投放的规模
  • B.诚恳公开道歉承认错误← 正确答案
  • C.全面下架所有新上功能
  • D.雇佣水军刷好评洗白

答案：B。诚恳道歉是「止损」动作，先承认错误才能为后续整改争取空间。广告和洗白只会加深反感，全面下架则过度反应，故选 B。

Q6. 「可回滚机制」在 AI 产品中的含义是什么？

单选题 · mid

  • A.代码可以自动修复所有 Bug
  • B.新功能出错可快速退回旧版← 正确答案
  • C.用户数据可一键彻底删除
  • D.广告投放可以随时撤回

答案：B。可回滚指发布的新功能出问题时能快速切换回旧版本，是危机时的「后悔药」。它不等于自动修 Bug、删数据或撤广告，故选 B。

Q7. 以下哪些属于有效的信任恢复策略？

多选题 · mid

  • A.透明化整改直面问题← 正确答案
  • B.对用户实行超额补偿← 正确答案
  • C.隐瞒关键细节试图蒙混
  • D.持续兑现承诺恢复口碑← 正确答案

答案：ABD。透明整改、超额补偿、持续兑现是恢复信任的三大支柱，分别对应「看见改变」「得到弥补」「重新相信」。隐瞒细节只会加剧猜疑，故选 A、B、D。

Q8. 某 AI 产品宣传「准确率 99%」实际只有 80%，最应优先采取哪项措施？

单选题 · hard

  • A.直接下架所有夸大宣传广告
  • B.修正宣传口径并公布改进计划← 正确答案
  • C.修改后台数据让准确率达到 99
  • D.起诉发布测评报告的第三方媒体

答案：B。优先修正宣传口径并公开改进计划，既消除「承诺大于体验」的落差根源，又向用户展示整改诚意。下架广告只是遮蔽问题，改数据是欺骗，起诉媒体则转移焦点，故选 B。

Q9. 风险防范体系中，哪些机制能有效避免过度承诺？

多选题 · hard

  • A.建立承诺审批流程机制← 正确答案
  • B.主动管理与引导用户期望← 正确答案
  • C.监控风险预警指标体系← 正确答案
  • D.禁止用户提交负面反馈

答案：ABC。承诺审批从源头管控话术，期望管理主动压低不切实际的预期，预警指标实时发现风险苗头，三者构成完整防线。禁止负面反馈是掩耳盗铃，故选 A、B、C。

Q10. 信任恢复曲线 \(T(t)=T_0+(T_{max}-T_0)(1-e^{-\lambda t})\) 中 \(\lambda\) 表示什么？

单选题 · extreme

  • A.初始信任水平的基数
  • B.信任恢复速率的常数← 正确答案
  • C.可恢复的最大信任上限
  • D.用户流失比例的阈值

答案：B。\(\lambda\) 是恢复速率常数，决定曲线爬升的快慢：\(\lambda\) 越大恢复越快，但它受客观规律制约，无法无限放大。\(T_0\)、\(T_{max}\) 才分别是谷底值与上限，故选 B。