前言

到目前為止，我們已經把「感知 → 融合 → 狀態 → 回饋」跑起來了；今天轉向 人機互動（HCI） 本身：當 ChatGPT 這類大型語言模型（LLM）變成你的 UX 助理，實際能幫你哪些事？要怎麼幫你做研究、寫文案、排流程，不會只生出「漂亮但不好用」的東西？今天的內容提供提示模板、檢核表與產出格式，讓 LLM 整合進日常設計流程。

LLM 在 UX 能幫助的 5 件事

1) 研究（Research）

• 做什麼：把商業目標變成可驗證的研究問題、受試者條件、問卷/訪綱。
• 怎麼用 LLM：丟逐字稿，請它做主題萃取、痛點分群、引述索引。
• 輸出：一頁式研究計畫、Screener、訪談腳本。

模板｜訪談腳本（60 分鐘）
產品：{產品簡述}；目標：{研究目標}
請產出可直接照問的半結構化訪綱：

• 暖身（5分鐘）：受訪者背景、現在怎麼做。

• 任務（35分鐘）：挑 3 個核心任務。每個任務都要列

  • 追問句（往下挖）
  • 校正語（答偏時拉回主題）

• 收尾（10分鐘）：

  • 請受訪者替痛點排優先順序
  • 詢問替代做法/理想解

請特別列出：

1. 每題的追問句　2) 每題的偏差校正語

2) 資訊架構 & 任務流（IA / Task Flow）

• 做什麼：把需求清單變成 樹狀 IA，並畫出跨頁任務流程。
• 重點：找出斷點（高認知負荷、需要系統回饋的節點）。

模板｜從需求生成流程

功能清單：{功能列表}

1. 產出網站 IA（樹狀 YAML）。
2. 針對任務「{關鍵任務}」產出分步表（步驟/目標/輸入/系統回饋/風險）。
3. 標註每步的最晚回饋點與可撤銷策略。

3) 介面文案 & 微互動（UX Writing）

• 做什麼：定義語氣系統（Voice & Tone），準備成功／等待／錯誤／高壓等場景的文案。
• 好處：空狀態、錯誤與 Loading 不再漏掉，一次生、一致審。

模板｜語氣矩陣
產品人設：{人設}　品牌語氣：{語氣關鍵詞}（例：溫暖／專業／俏皮）

場景：{場景}（例：結帳完成／排隊中／表單錯誤／系統壓力）

每種情境都要有：

• 長版 ≤120 字
• 中版 ≤60 字
• 按鈕 ≤16 字（動詞開頭）
• 語氣說明（想讓人感到什麼；避免什麼）
• 禁用詞

4) 原型與驗證（Prototype & Test）

• 做什麼：根據 IA/Flow 生出 5–7 個可用性任務，附成功標準、觀察表、問卷。
• 重點：任務敘述不暗示操作，才能看出真問題。

模板｜可用性測試包（精簡版）
任務流：{任務流摘要}

1. 任務敘述（不提示按哪裡）：{任務敘述}
2. 成功/失敗條件（可觀測）
   　成功：{例：看到成功頁並收到確認信}
   　失敗：{例：5 分鐘未完成／放棄}
3. 觀察點：猶豫（>3 秒）、回退、誤點
4. 後測 8 題（含 1 題開放）
5. CSV 欄位（紀錄每位受測者）

建議 CSV 欄位：
participant_id,task_id,start_time,end_time,total_time_sec,success(bool),errors_count,misclicks_count,backtracks_count,hesitation_events,critical_incident_notes,help_requested(bool),system_issue(bool),satisfaction_1to5,perceived_difficulty_1to5,comment

5) 無障礙 & 在地化（A11y / L10n）

• 做什麼：列出 ARIA role、鍵盤操作、焦點順序、替代文字、常見陷阱。
• 好處：先把容易踩雷的地方補齊，減少返工。

模板｜A11y 掃描

元件列表：{元件與用途}
請輸出表格，包含：
角色（ARIA role）／鍵盤操作／焦點順序／必要替代文字／常見陷阱

讓 LLM 變成固定流程的一部分

輸出要可落地

• 結構化輸出：要求用 YAML / JSON / CSV / 表格。
• 限制格式與字數：避免冗長、難比對。
• 指定受眾：新手／熟手／管理者 → 文風與細節會不同。

範例｜任務流 YAML

task: 預約教練
steps:
  - id: pick_slot
    goal: 選時段
    input: 日曆
    system_feedback: 即時佔位提示
    risk: 無可用時段
    mitigation: 顯示相鄰三個備選
  - id: confirm
    goal: 確認
    input: 姓名/支付
    system_feedback: 費用明細與可撤銷
    risk: 刷卡失敗
    mitigation: 後退保留表單

評估不是看心情

• 三個硬指標：任務成功率、步驟數、錯誤/誤觸率。
• 文案品質：可讀性（字數/閱讀年級）、一致性、禁用詞命中率。
• 回饋進下一輪：把測試觀察寫進下次的提示 context。

模板｜自我審校

你是 UX 審校員。
文案：{文案}
請用「清晰/必要/禮貌/可行」四構面（1–5 分）評分，列修改重點，並給一個 ≤60 字 的改寫版。

協作與界線

• 在研究/分析產物上標：「AI 草稿，X 已審」。
• 匿名化：只貼必要片段；敏感資訊用假名/刪節。
• 最後決定權在人：LLM 是助理，不是審稿人。

常見問題

• 把 LLM 當決策者（×）。它擅長生候選、列風險；取捨要用資料說話。
• 輸入太少：沒寫受眾/場景/限制 → 輸出一定空泛。
• 沒格式約束：結果不可用、難比對。
• 任務暗示操作：測不到真實問題。

總結

LLM 不是超級設計師，但它是高迭代、好記錄、可度量的UX 助理。善用模板與格式限制，你能把瑣碎工具標準化，騰出時間做關鍵決策：定義問題、理解人、做判斷。