设想你请了一位登山向导陪你爬一座没走过的山。这位向导不会一路唠叨，也不会在你犹豫时抢过你的背包替你决定。他只在三种时刻开口：你站在岔路口手足无措时，给你一个清晰的方向；你准备踩上松动石块时，喊你一声并告诉你怎么绕；你明确说“我自己来”时，安静退后半步继续观察。对话式UI设计中的建议与引导策略，就是训练AI成为这样一位合格的向导——知道何时开口、说什么话、怎么说，更重要的是知道何时闭嘴。 这篇内容就是围绕“向导如何带路”展开的。我们会看到：向导先要听懂你说“要去那上面”到底指的是哪里；然后判断该在哪个岔路口主动给建议；给建议时把路线拆成一小段一小段；万一你走错了怎么把你劝回来；向导还要记得你的体力与偏好；最后评估这一趟带得好不好。掌握这些，你的对话式产品就不再是“会说话的说明书”，而是一个真正“会带路的伙伴”。

岗位关联

对AI从业者而言，建议与引导策略设计是对话式UI从“能用”走向“好用”的核心杠杆，也是产品经理、交互设计师和AI训练师最值得深耕的差异化能力。

目录
  1. 可视化演示
  2. 引导策略概述
  3. 用户意图识别
  4. 主动建议机制
  5. 渐进式引导
  6. 容错兜底策略
  7. 个性化优化
  8. 效果评估迭代
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示用户引导策略类型（新手/上下文/渐进）、触发时机时间线和伦理光谱（正当引导vs暗黑模式），交互切换探索核心机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

用户引导策略类型 新手引导分步骤教程+渐进式功能解锁 上下文提示在用户最需要时出现 Adoption = f(strategy, timing) 选择合适策略类型提升产品采纳率

引导策略概述

假设你是那位登山向导，出发前要想清楚自己的角色。你不是来替游客登顶的，而是让他安全、顺畅地抵达。对话式UI也一样，它是用户与数字服务之间的一段自然语言对话。所谓建议与引导策略，就是系统在对话中主动给出的方向性提示：用户不知下一步干什么时给建议，用户即将做出高风险操作时给警示，用户明确说不需要时则退后。这个策略不能喧宾夺主，否则就成了一个喋喋不休的导航仪。

为什么引导如此重要？因为对话式UI没有鼠标和菜单栏，用户一旦迷路，就只能靠打字问“然后呢”。如果没有引导，用户会反复试探、焦虑、最终放弃。好的引导能降低认知负荷、减少重复输入、提高任务完成率。设计的第一原则是“以用户为中心”：不是展示系统的能力，而是帮用户用最少力气走到目的地。策略按干预强度可以分为主动建议、被动反馈、渐进式引导、容错兜底等不同形式，对应不同场景。

为了在工程上衡量一次引导到底值不值，我们可以把引导看作一场交易：它给用户带来价值，也会带来一定打扰。于是有非常朴素的效用公式：

这就是“好向导”的第一课：每次开口前先算一笔账，开口带来的帮助要大于打断带来的烦躁。把这条公式记在心里，后面的所有策略都是在不同维度上让 \(\mathcal{U}\) 尽量变大。

U=V−C\displaystyle \mathcal{U} = \mathcal{V} - \mathcal{C}
  1. 总效用（\(\mathcal{U}\)）一次引导给用户带来的综合净收益，值越大说明这次引导越值得。
    U\displaystyle \mathcal{U}
  2. 用户获得的价值（\(\mathcal{V}\)）用户因为这条建议而节省的时间、避免的出错、得到的新信息。
    V\displaystyle \mathcal{V}
  3. 打扰成本（\(\mathcal{C}\)）用户被迫停下阅读弹窗、被插话打断思路、被反复追问的代价。
    C\displaystyle \mathcal{C}

用户意图识别

向导听到游客说“我想去那上面”，不能立刻带路。因为“那上面”可能是观景台、是山顶、也可能是厕所。他得结合游客的手指方向、刚才聊过的内容、当下的天气来判断。对话式UI里的意图识别，就是让AI从用户的一句话里猜出他真正想做的事。最常用的技术是意图分类模型：把“帮我订明天去北京的高铁”解析成“订票+日期+目的地”。

当然，语言天生充满歧义。用户说“那个文件”时，到底是哪个文件？这时好的策略不是瞎猜，而是用上下文记忆来缩小范围：如果上一轮用户刚提到“季度报表”，那么“那个文件”大概率就是报表。如果上下文也消不掉歧义，就大大方方反问一次，同时给出几个选项。判断是否需要反问，靠的是置信度——模型对当前理解有多确定。置信度高就执行，置信度低就澄清，这是对话式UI最基本的安全底线。

意图识别本质上是一个条件概率问题：在给定用户输入 \(X\) 的条件下，哪个意图 \(I\) 的可能性最大。

换句话说，向导不听单句下结论，他会把“这句话本身的可能性”和“这类需求平时出现的频率”放在一起算。理解得越准，后续的引导越不会跑偏。

P(I∣X)∝P(X∣I)×P(I)\displaystyle P(I \mid X) \propto P(X \mid I) \times P(I)
  1. 后验概率 \(P(I \mid X)\)听到这句话 \(X\) 之后，意图是 \(I\) 的概率，我们最终要选概率最大的那个意图。
    P(I∣X)\displaystyle P(I \mid X)
  2. 似然 \(P(X \mid I)\)如果用户真想表达意图 \(I\)，他说出这句话 \(X\) 的可能性有多大，通常由语言模型打分。
    P(X∣I)\displaystyle P(X \mid I)
  3. 先验概率 \(P(I)\)在没听到这句话之前，这类意图在历史数据中出现的频率，比如“查天气”比“申请退款”常见得多。
    P(I)\displaystyle P(I)

主动建议机制

向导带路时不会每个岔路口都喊一嗓子，只在三种时刻开口：岔路、危险、游客犹豫。对话式UI同样需要一套“开口条件”。触发时机通常包括：用户在某一步停留超过阈值、用户重复输入相似内容、用户即将触发删除/转账等高风险操作、用户明确说“帮我看看怎么办”。这些信号就像山路上的指示牌，告诉向导“这里需要说话”。

建议的内容也要讲究。好的建议不是直接替用户做决定，而是给一个简短、可执行、带理由的方向。比如用户犹豫买哪款手机，你说“如果你更看重续航，选这款，它比另一款多30%电量”，比甩出十个参数对比表有用得多。同时，建议要有强度控制：强建议用“我建议”“最好是”，弱建议用“也可以考虑”。系统不该永远用最重的语气说话，那会像一位霸道的向导，让游客失去掌控感。

如果用户拒绝建议，比如回复“不用了，我自己来”，系统应该立刻接受并记录这次拒绝，降低后续同类建议的频率，而不是换着花样再推销三遍。综合这些因素，一次建议的触发分数可以这样计算：

所以“好向导”不是话多，而是算得清：帮助的渴望减去打扰的代价，仍然为正时，才值得开口。

S=0.4×Conf+0.3×Rel+0.2×Urg−0.1×Intr\displaystyle S = 0.4 \times \text{Conf} + 0.3 \times \text{Rel} + 0.2 \times \text{Urg} - 0.1 \times \text{Intr}
  1. 建议分数（\(S\)）最终决定是否开口的总分，只有超过预设阈值才触发建议。
    S\displaystyle S
  2. 意图置信度（\(\text{Conf}\)）系统对当前用户意图判断的把握，把握低时贸然建议很容易帮倒忙。
    Conf\displaystyle \text{Conf}
  3. 上下文相关度（\(\text{Rel}\)）这条建议与用户当前任务的相关程度，相关度低就是“答非所问”。
    Rel\displaystyle \text{Rel}
  4. 紧迫度（\(\text{Urg}\)）用户是否正处于高风险、不可逆操作边缘，紧迫度越高越要开口。
    Urg\displaystyle \text{Urg}
  5. 打扰度（\(\text{Intr}\)）这条建议本身打断用户的强度，作为减法项，提醒我们“少打扰”本身就是价值。
    Intr\displaystyle \text{Intr}

渐进式引导

再好的向导也不会一口气把十公里路线全部讲完，因为游客记不住。他只说：“先沿溪走到那棵大松树，再往左转。”到了松树，再给下一句。这个道理对应认知心理学里的工作记忆限制——人脑一次大约只能同时处理四到七个信息块。对话式UI的渐进式引导，就是把一个复杂任务拆成若干小步骤，一次只呈现一步。

拆步时还要做信息层级拆分：核心指令放第一行，补充说明折叠起来。比如“请上传身份证照片”是核心，“仅支持JPG，大小不超过5MB”是补充。每一步完成后给出进度反馈，可以是一句“已收到，进行下一步”，让用户知道自己走在正确的路上。如果用户中途离开或网络中断，系统要能记住走到哪一步，回来时从断点继续，而不是从头再来。

步骤拆多少最合适？拆得太粗，用户还是懵；拆得太细，用户觉得被当成傻子。这里有一个兼顾任务复杂度、用户记忆容量和经验水平的经验式：

这个公式提醒我们：拆步不是越细越好，而是让每一步刚好落在用户“能记住、能执行、能确认”的舒适区内。

N=⌈CM×E⌉\displaystyle N = \left\lceil \frac{C}{M \times E} \right\rceil
  1. 最佳步数（\(N\)）把任务拆成 \(N\) 个引导步骤，向上取整保证至少能放下所有子任务。
    N=⌈… ⌉\displaystyle N = \left\lceil \dots \right\rceil
  2. 任务复杂度（\(C\)）完成该任务所需的全部有效操作和信息量，复杂度越高需要的步数越多。
    C\displaystyle C
  3. 工作记忆容量（\(M\)）用户一次能记住的信息块数量，新手或普通用户通常取较小值。
    M\displaystyle M
  4. 经验系数（\(E\)）用户对该领域的熟悉程度，老手能一次吃下更多信息，所以分母变大。
    E\displaystyle E

容错兜底策略

就算是经验丰富的向导，也有看走眼的时候，游客也可能一脚踩进泥坑。好的向导不会骂“你怎么不看路”，而是先稳住局面：“没事，这里很多人滑倒，我们从左边绕一下。”对话式UI的容错与兜底，处理的就是这种“已经出错”的场景。

错误提示设计要遵循三条原则：指出发生了什么、说明为什么、给出下一步。比如“我没听清你的账号，请问是用手机号还是邮箱登录？”而不是冷冰冰的“输入错误”。如果用户连续两次没理解，就要启动多轮补救：换一种更简单的说法、拆成更小的步骤、给几个可点选的选项。每一轮新的补救都是一次独立尝试，只要其中一轮成功，这段对话就救回来了。

当错误反复出现或用户情绪激烈时，系统要懂得“转人工”。这不是认输，而是像向导用对讲机呼叫救援队一样专业。转人工前可以交代已掌握的上下文，让人工客服不必从头问起。如果人工也不可用，至少要有降级方案：从自由对话降到菜单选项，再降到FAQ检索，保证用户永远有一条路可走。多轮补救的总体成功率，等于“至少有一轮成功”的概率：

这个公式告诉我们：别指望任何单一补救手段是万能的，但多轮、多样的尝试能显著提高兜底成功率。

Prec=1−∏i=1k(1−pi)\displaystyle P_{\text{rec}} = 1 - \prod_{i=1}^{k} (1 - p_i)
  1. 总体恢复成功率（\(P_{\text{rec}}\)）经过 \(k\) 轮补救后，用户最终被成功带回来的概率。
    Prec\displaystyle P_{\text{rec}}
  2. 连乘符号 \(\prod_{i=1}^{k}\)把从第1轮到第 \(k\) 轮每一轮的失败概率乘起来。
    ∏i=1k\displaystyle \prod_{i=1}^{k}
  3. 单轮失败概率（\(1 - p_i\)）第 \(i\) 轮补救没有解决用户问题的概率，\(p_i\) 是这一轮的成功率。
    1−pi\displaystyle 1 - p_i
  4. 用1减去全部失败只要不是所有轮次都失败，就至少有一次成功，于是得到整体恢复率。
    1−∏\displaystyle 1 - \prod

个性化优化

同一个向导带十个人，路线绝不会完全一样：带老人走缓坡，带年轻人挑战险路；遇到熟客，他甚至记得对方喜欢在哪个位置拍照。个性化优化的本质，就是让对话式UI记住每个用户的“体力”与“偏好”，并据此调整建议方式。

用户画像建模会记录三类信息：经验水平（新手还是专家）、偏好风格（要详细还是简洁）、目标类型（想快速完成还是想充分了解）。行为偏好学习则从用户的实际反馈中不断修正画像——用户点击了哪条建议、在哪一步停留最久、拒绝过哪类推荐。系统像向导观察游客的步伐节奏一样，悄悄学习，然后自适应地调整建议频率、建议强度和解释详细程度。

但个性化不是无边界的。隐私边界是一条不可逾越的红线：用户画像只能基于用户授权后的数据，不能偷偷读取通讯录、定位敏感位置或长期保留敏感对话。向导可以记住你爱喝热水，但不该翻看你手机里的相册。个性化权重的更新，本质上是一个不断用小步修正来逼近用户真实偏好的过程：

把向导的“经验直觉”翻译成代码，就是一次次这样的微小修正。时间长了，这位AI向导会越来越懂你。

wnew=wold+η×(feedback−prediction)\displaystyle w_{\text{new}} = w_{\text{old}} + \eta \times (\text{feedback} - \text{prediction})
  1. 更新后的权重（\(w_{\text{new}}\)）本次学习后，系统对用户某项偏好的新估计值。
    wnew\displaystyle w_{\text{new}}
  2. 更新前的权重（\(w_{\text{old}}\)）系统此前对用户偏好的旧估计。
    wold\displaystyle w_{\text{old}}
  3. 学习率（\(\eta\)）每次更新的步长，太小学得慢，太大则容易被单个反馈带偏。
    η\displaystyle \eta
  4. 预测误差（\(\text{feedback} - \text{prediction}\)）用户真实反馈与系统预期之间的差距，差距越大，修正越用力。
    feedback−prediction\displaystyle \text{feedback} - \text{prediction}

效果评估迭代

向导带完一次队，会在下山后复盘：游客有没有迷路？有没有频繁求救？玩得开不开心？下次带同样的团，要不要换条路？对话式UI的建议与引导策略也需要这样一套评估与迭代机制，否则我们根本不知道这位“向导”到底靠不靠谱。

核心评估指标有四类：任务完成率，看多少用户最终到达目标；对话效率，用平均回合数衡量有没有绕路；主动求助次数，求助越多说明引导失败越多；用户满意度，来自问卷评价和情绪信号。只看完成率会出问题——系统可以用霸道引导逼着用户走完流程，但用户心里早已烦躁，下次再也不来了。所以评估必须综合“到没到”和“爽不爽”两个维度。

工程上常用A/B测试来验证策略：同一批用户随机分组，一组用旧引导策略，一组用新策略，比较关键指标是否有显著提升。满意度分析则把主观问卷与行为信号（比如用户是否愿意继续会话、是否推荐给朋友）结合起来。每次实验的结果都沉淀为策略版本，驱动下一轮迭代，这就是“小步快跑”的产品节奏。综合体验质量可以用一个加权公式来量化：

一个合格的对话式UI团队，应该每隔几周就拿着这份质量分回头审视自己的“向导手册”，删掉无效建议、优化表达方式、调整触发阈值，让AI向导在一次又一次复盘中真正成长。

Q=0.4×C+0.3×E+0.3×S\displaystyle Q = 0.4 \times C + 0.3 \times E + 0.3 \times S
  1. 综合体验质量（\(Q\)）一个0到1之间的综合分，代表这条引导策略的整体表现。
    Q\displaystyle Q
  2. 任务完成率（\(C\)）成功完成任务的比例，权重最高，因为完成是产品的底线。
    C\displaystyle C
  3. 效率得分（\(E\)）由平均回合数折算而来，回合数越少效率越高，用 \(E = 1/\text{turns}\) 归一化。
    E\displaystyle E
  4. 满意度得分（\(S\)）用户问卷与行为信号融合出的主观体验分，防止我们只顾赶路不顾感受。
    S\displaystyle S

AI 应用场景

智能客服导购

阶段：对话流程设计、主动建议生成

解决的问题：传统搜索式购物菜单层级太深，用户在几十个商品间来回比较、选择困难，最后流失；AI导购像向导一样在岔路口给出精炼建议，把选择范围缩到2-3个，并给出推荐理由。

具体案例：某电商App的对话式导购中，用户输入“想买通勤穿的平底鞋”，助手先追问“更看重舒适还是百搭”，再结合用户历史偏好推荐三款，并标注“这双后跟有软垫，适合走久”，用户点击率提升35%。

在线学习助教

阶段：渐进式引导、进度反馈

解决的问题：学生在编程作业前面对空白编辑器不知所措；AI助教把“完成一个函数”拆成“先写函数签名→补参数校验→实现返回值→运行测试”四步，每步给一句提示和即时反馈。

具体案例：某编程教育平台接入AI助教后，新手用户完成作业的比例从41%提升到68%，主动求助率下降22%，因为拆步让学生每一步都能确认自己没走偏。

医疗预问诊

阶段：意图识别、置信度评估、人工接管

解决的问题：患者描述症状常含歧义，比如“胸口疼”可能是肌肉拉伤也可能是心梗前兆；AI预问诊先通过连续追问提高置信度，一旦命中高危关键词立即转人工医生，避免延误。

具体案例：某医院在线问诊系统用“疼痛部位→性质→持续时间→伴随症状”的渐进式路径，30秒内完成预分诊，高危患者转人工后医生已提前看到完整描述，抢救响应时间缩短近半。

Python 演示

python80 行
# -*- coding: utf-8 -*-"""A small demo of suggestion and guidance strategy for dialogue UI."""import math  class DialogueGuide:    def __init__(self, user_experience=0.5):        self.user_experience = user_experience        self.history = []        self.suggestion_count = 0     def parse_intent(self, utterance):        # 极简意图解析:根据关键词判断用户请求类型        text = utterance.lower()        if "help" in text or "how" in text:            return "ask_help"        if "submit" in text or "order" in text:            return "commit"        if "cancel" in text or "delete" in text:            return "high_risk"        return "browse"     def estimate_confidence(self, utterance, required_keywords):        # 用命中关键词比例粗略估算意图置信度        hit = 0        for kw in required_keywords:            if kw in utterance.lower():                hit += 1        return hit / max(len(required_keywords), 1)     def suggestion_score(self, confidence, relevance, urgency, interruption):        # 建议分数:置信度/相关度/紧迫度为正,打扰度为负        return (0.4 * confidence + 0.3 * relevance                + 0.2 * urgency - 0.1 * interruption)     def progressive_steps(self, complexity, memory_capacity=4):        # 渐进式引导步数:复杂度除以记忆容量与经验系数        denom = memory_capacity * (0.5 + self.user_experience)        return math.ceil(complexity / denom)     def fallback_success_rate(self, attempts, per_attempt=0.5):        # 多轮补救整体成功率:至少一轮成功的概率        fail_all = 1.0        for _ in range(attempts):            fail_all *= (1 - per_attempt)        return 1 - fail_all     def evaluate_quality(self, completion, turns, satisfaction):        # 综合体验质量:完成率/效率/满意度加权        efficiency = 1.0 / max(turns, 1)        return 0.4 * completion + 0.3 * efficiency + 0.3 * satisfaction     def remember(self, item):        # 记录一轮对话历史,用于上下文记忆        self.history.append(item)        if len(self.history) > 5:            self.history.pop(0)  if __name__ == "__main__":    guide = DialogueGuide(user_experience=0.6)     user_input = "please help me submit my order"    intent = guide.parse_intent(user_input)    conf = guide.estimate_confidence(user_input, ["help", "submit", "order"])    guide.remember({"intent": intent, "confidence": conf})     score = guide.suggestion_score(        confidence=conf, relevance=0.8, urgency=0.4, interruption=0.3    )    steps = guide.progressive_steps(complexity=12, memory_capacity=4)    recovery = guide.fallback_success_rate(attempts=3, per_attempt=0.5)    quality = guide.evaluate_quality(completion=0.9, turns=6, satisfaction=0.8)     print("intent:", intent)    print("confidence:", round(conf, 2))    print("suggestion score:", round(score, 2))    print("progressive steps:", steps)    print("fallback success rate:", round(recovery, 2))    print("experience quality:", round(quality, 2))
目的：把正文中的建议分数、渐进式拆步、多轮补救和体验评估四个策略模型串成一个可运行的最小演示，方便你理解引导策略的工程落地。
  1. def estimate_confidence(self, utterance, required_keywords):用关键词命中比例模拟意图置信度，命中越多系统越有把握。
  2. def suggestion_score(self, confidence, relevance, urgency, interruption):对应主动建议机制的加权公式，打扰度始终作为减法项。
  3. denom = memory_capacity * (0.5 + self.user_experience)渐进式引导步数的分母，经验系数越大，每一步能承载的信息就越多。
  4. fail_all *= (1 - per_attempt)累乘每一轮的失败概率，最后用1减掉它，得到“至少一轮补救成功”的概率。
  5. efficiency = 1.0 / max(turns, 1)把回合数换算成效率得分，回合越少效率越高，避免只追求完成率。
  6. guide.remember({"intent": intent, "confidence": conf})把当前轮理解写入历史列表，模拟上下文记忆为后续引导提供依据。

常见误区

误区既然叫“建议与引导”，那系统就应该积极一点，每个操作都跟在用户后面提示，这样用户永远不会迷路。

正解过度建议会让用户觉得自己被当成不会走路的小孩，产生强烈打扰感。好的向导只在岔路口、危险区、用户犹豫时开口。引导的效用公式里，打扰度是减法项，主动性强不等于引导质量高，少而准才是关键。

为何常见：开发者容易站在系统视角，觉得“我说得越多=我越有用”，却忽略了用户需要掌控感。

误区用户回复“没听懂”时，系统原样再说一遍，语气更慢一点，以为用户刚才只是没听清。

正解大多数情况下用户不是没听到，而是没理解。重复相同表达只是“音量更大”，没有增加信息量。正确做法是换一种更简单的说法、拆成更小的步骤，或给出可选项。就像向导发现游客走不过石头路时，不是喊“走啊走啊”，而是指一条更好走的缓坡。

为何常见：话术模板复用成本最低，开发者下意识把“兜底”当作重复播放，而不是重新设计表达。

误区既然要了解用户偏好，那就尽可能多地记录用户的位置、通讯录、浏览记录，数据越全，推荐越准。

正解个性化必须建立在用户授权和最小必要原则之上。向导可以记住“你喜欢喝热水”这种用户主动告知的信息，但偷偷翻看游客手机就是越界。过度采集隐私会触发法律风险，更会让用户感到被监视，反而降低信任。隐私边界同样是引导策略的一部分。

为何常见：大数据思维惯性让团队认为“数据多=体验好”，忽略了对话场景中的信任成本。

误区系统识别失败时，弹出“对不起，我不明白您的意思”就完成了兜底，至于用户接下来怎么办，是用户自己的事。

正解道歉只是兜底的第一步，后续还要给用户可执行的出路：重新描述、选择选项、换种简单说法、转人工、降级到FAQ。多轮补救的成功率是每轮独立尝试的并集，只有不断提供新路径，用户才能被真正救回来。

为何常见：把错误处理当成“话术文案”而非“流程设计”，缺少对恢复路径的全局思考。

误区只要完成率高，就说明这套引导策略好，不用看其他指标。

正解完成率可以被“强制引导”刷高——系统不断弹出提示、强迫用户点击，用户最终确实完成了任务，但过程烦躁，流失风险大增。综合体验质量要把完成率、对话效率、满意度放在一起看，还要关注用户主动求助次数和打扰频次，否则会培养出一个“粗暴但有效”的坏向导。

为何常见：完成率是最直观、最容易埋点的指标，团队容易偷懒只看一个数。

面试题

Q1. 对话式UI中“引导”的核心目标是什么？

单选题 · easy

  • A.让系统显得更智能
  • B.降低用户认知负荷← 正确答案
  • C.增加用户对话时长
  • D.减少系统开发成本

答案：B。引导是帮用户轻松完成任务，核心是降低认知负荷，而不是让系统刷存在感或延长对话。增加时长通常是业务指标而非用户价值，减少开发成本与引导目标无关。

Q2. 当意图识别置信度很低时，最合适的做法是？

单选题 · easy

  • A.直接执行默认操作
  • B.反问澄清并给出选项← 正确答案
  • C.忽略这轮用户输入
  • D.强制用户说标准指令

答案：B。低置信度时硬猜很危险，最好的向导是承认不确定并反问，同时给几个选项降低用户表达成本。直接执行默认可能造成不可逆错误，忽略用户则体验断裂。

Q3. 以下哪些场景适合主动给出建议？

多选题 · mid

  • A.用户在当前步骤停留很久← 正确答案
  • B.用户反复输入相似内容← 正确答案
  • C.用户正在顺畅地操作
  • D.用户即将触发高风险操作← 正确答案

答案：ABD。停留久、重复输入、高风险操作都是典型“岔路口”信号；用户顺畅操作时应该安静观察，贸然建议会变成打扰。主动建议触发时机需要综合上下文判断。

Q4. 建议强度控制的主要目的是什么？

单选题 · mid

  • A.让系统有更多存在感
  • B.平衡帮助与打扰成本← 正确答案
  • C.提升后台数据采集量
  • D.缩短多轮对话的长度

答案：B。建议强度决定了提示的“音量”和频率，目的是在帮助价值与打扰成本之间找平衡。存在感、数据采集都不是用户目标，缩短对话长度也不是强度控制的直接目的。

Q5. 渐进式引导把任务拆成多步，主要依据是什么？

单选题 · mid

  • A.用户的工作记忆容量
  • B.任务的复杂度等级
  • C.用户经验水平系数
  • D.三者共同决定步数← 正确答案

答案：D。最佳步数 \(N = \lceil C/(M \times E) \rceil\)，任务复杂度、工作记忆容量、用户经验系数共同决定步数。只盯其中一个维度都会导致拆得过粗或过细。

Q6. 用户多次表示“不要推荐”时，正确策略是？

单选题 · hard

  • A.降低推荐频率但继续
  • B.立即转为被动响应模式← 正确答案
  • C.解释推荐背后的价值
  • D.将用户标记为负面用户

答案：B。用户连续拒绝是强烈信号，系统应该尊重拒绝，立即切换到被动模式，只在用户主动求助时响应。继续推荐或解释都会加剧反感，把用户标记为负面用户则在伦理上不恰当。

Q7. 下列哪些属于多轮补救的有效手段？

多选题 · mid

  • A.换一种更简单的表达← 正确答案
  • B.把大步骤拆成小步骤← 正确答案
  • C.原样重复刚才的提示
  • D.暂时降级为选项菜单← 正确答案

答案：ABD。多轮补救的关键是每一轮都提供“新的路径”：换表达、拆步骤、给选项。原样重复不增加信息量，不是有效补救。降级为菜单可降低用户表达成本，是可用的兜底方案。

Q8. 上下文记忆在对话中最直接的作用是什么？

单选题 · easy

  • A.减少用户重复输入← 正确答案
  • B.增加对话轮次数量
  • C.加快网络数据下载
  • D.提高图像识别精度

答案：A。上下文记忆让系统记得用户上一轮提到的对象，听到“那个文件”时能自动关联，用户就不必把完整信息重新说一遍。它与网络、图像识别无关，也不以增加轮次为目的。

Q9. 个性化权重更新公式 \(w_{\text{new}} = w_{\text{old}} + \eta(\text{feedback}-\text{prediction})\) 中，\(\eta\) 的含义是？

单选题 · hard

  • A.反馈样本大小
  • B.学习率或步长← 正确答案
  • C.用户历史总次数
  • D.任务完成概率

答案：B。\(\eta\) 是学习率，控制每次根据预测误差调整权重的幅度。太大会因单个反馈剧烈震荡，太小则学得慢。它和样本大小、历史次数、完成概率都不是一个概念。

Q10. 对话式UI建议与引导策略的效果评估应包含哪些维度？

多选题 · extreme

  • A.任务完成率← 正确答案
  • B.平均对话回合数← 正确答案
  • C.用户主观满意度← 正确答案
  • D.服务器响应毫秒数

答案：ABC。完成率反映“到没到”，回合数反映“绕没绕路”，满意度反映“爽不爽”，三者共同构成引导质量。服务器响应毫秒数是后端性能指标，不直接衡量引导策略优劣，容易混淆工程性能与产品体验。