AI 对长期工作的理解
Jakob Nielsen 在“3 AI Interaction Styles: Turn-Taking, Task Agents, Always-On”里，把 ChatGPT 发布至今的变化概括为三种交互方式：轮流对话式 AI，回应提问，等待下一轮输入；任务式 Agent，接受有明确交付标准的工作，并交付结果；常驻 Agent，围绕用户委托的职责或长期目标持续工作，自行判断何时行动、何时需要用户介入。
他把这三种方式看作梯子上的三级。用户可能先问一个问题，再把相关工作交给 Agent，之后又请它持续关注；有了新进展，还会回来继续提问。它们并不互相替代，也不需要一路往上走。因此，产品不该让用户开口前先选好模式，而应让用户先说清楚需求是什么、想做什么。
不过，不先选模式，并不意味着向 Agent 交代工作时也可以含糊。同一句话，是随口一说、仅此次生效，还是之后都按这个规则处理？这个区别不能留给 Agent 自行理解。
Nielsen 用 permaslip 来描述这种错误：用户临时的表达，被 Agent 当成了持续生效的规则。他建议系统确认这类表达的适用范围，同时让用户能查看和撤销长期规则。在我看来，这也是自然语言交互需要补上的地方。表达可以很随意，但当它开始影响后续行动时，用户需要知道系统究竟把这句临时起意的话理解成了什么。
确认了哪些工作已经交出去，接下来是另一个问题：用户怎样知道 Agent 正在执行任务，又不用一直盯着？
Muse 的设计提供了一个思路。在 How I AI 的访谈里，Muse 设计总监 Alex Cornell 谈到，Muse 在界面上通过一些策略，先让用户知道 Agent 正在工作，再按需要展开它做过的操作，有需要时还可以查看更细的技术信息。也就是说，用户不必一开始就面对全部执行过程。
这有点像看日志：平时看 INFO，了解事情是否正常推进；发现不对，再从 DEBUG 细节里找问题和原因。在这个场景里，用户不一定是技术人员，也可能只是想确认 Agent 有没有理解错，或者是不是卡在了某一步。
把这两篇放在一起，我关心的是工作交出去以后，哪些事情仍然需要让用户看得见。Muse 的渐进披露处理的是执行过程；permaslip 则提醒我留意实际工作之前的明确安排。用户除了能看到“Agent 做了什么”，也应该能知道“Agent 为什么认为这件事需要一直做下去”。
在产品设计上，还需要研究怎样把这一步放进日常对话里。每句话都让用户确认一次“以后也这样吗”，交流会变得很繁琐；等 Agent 照着做了几周才发现理解有误，又已经太晚。这里或许需要让用户在使用中更容易察觉：这段交流正在变成一个持续生效的安排。这时用户能看懂它，也能顺手修正，不用之后再回头翻整段聊天记录。
先画图的论文
Sophie Wang 在 2026 年 10 月 9 日发表的「behind the scenes of paper writing」里讲了她写一篇论文的过程。还没有实验结果时，她就先画好了论文里要用的图的草稿。她说：“we designed our experiments around the figures, rather than the other way around.”（我们围绕图来设计实验，而不是反过来）
文章后半部分详细讲了作图规则，比如 “each plot should convey a single idea”（每张图只讲一件事），以及用间距给内容分组等。Sophie 也提到，这种做法适合她这类以现象为主的实证研究，并非所有类型的项目都适用。
这和产品设计里先顺着用户的直觉行为画业务原型的做法有些相似。先暂时放下已有系统和实现方式的限制，看看用户为了完成一件事会从哪里开始、希望看到什么、接下来又会做什么。把过程画出来，往往比直接讨论一组抽象的需求更容易看清问题。
有了原型之后，再看哪些步骤符合用户的预期，哪些地方需要补充业务规则，又有哪些体验会受技术和成本限制。Sophie 的图示草稿也起到了类似的作用，让一个初步的理解变得足够具体，可以据此安排实验，再根据结果继续修改。
在我看来，两种做法有意思的地方，都在于让图提前参与思考。画的过程会暴露我们还没想清楚的部分，也帮我们决定下一步该验证什么。只是，原型画出来之后，仍然要留出被实际使用推翻和修改的余地。
工作被接手以后，能力怎样留下来？
Melanie Challenger 在 Aeon 发表的 「Deskilling the body」提醒我们区分两种技术用途：一种帮助我们增强能力，另一种则反复代替那些让能力得以形成的活动。
区别不只在于事情有没有做完，还在于人是否继续参与了观察、记忆和判断。她以 GPS 为例，文章引用了一项研究分析，表明人们越多使用 GPS，部分空间记忆指标的下降越明显。
Adam Mastroianni 的「Claude, don’t touch my lump」讨论的是另一个尺度的问题：AI 接手现有工作以后，人是不是就没事可做了？他认为，我们常常把要做的工作想成一张固定清单，却很难预见已有需求被满足后，人还会想要什么。因此，他提议把“劳动总量固定谬误”换个角度，理解为“欲望有限谬误”。
这两篇文章并不互相排斥。一篇关心人的能力怎样在日常活动中形成，另一篇提醒我们，未来的需求未必停留在今天的清单上。新的事情可能不断出现，但这回答不了另一个问题：少了原来的练习，我们要怎样学会判断和处理新的问题？
这也让我想到，在产品设计中需要多留意自己的积累。如今 AI 可以直接生成一份业务方案，但梳理材料、比较几种做法、解释为什么这样做，也是创作者逐渐理解业务的过程。拿到一份可用的结果，和对产品业务形成自己的判断，完全不是一回事。
我并不觉得每一步都必须亲手做。只是，在决定让工具接手时，除了看它能帮我省下多少时间，或许还要多问一句：被省掉的这一步是重复劳动，还是我们学习和形成判断的必经之路？如果是后者，它或许能以某种方式保留下来。
（完）