原文：Designing AI Agents: 4 Lessons from China’s Qwen Agent

文章沒有討論模型能力有多強，而是觀察使用者實際操作 AI Agent 的過程，看看哪些地方做得好、哪些地方容易讓人卡住。以下是文章中提及的四個重點：

1. AI Agent 很方便，但大家還沒養成使用習慣

文章一開始提到，AI Agent 和一般聊天機器人最大的不同，是它不只是回答問題，而是真的可以幫使用者完成事情，例如訂餐、叫車、訂機票、訂飯店等等。
不過研究中有個很有趣的發現。
當研究人員請受測者訂一杯奶茶時，6 個人裡有 5 個第一時間都是打開平常使用的外送 App，而不是使用 Qwen。
原因不是功能不好，而是大家還沒有建立「可以透過聊天完成交易」的習慣。

為了降低這個門檻，Qwen 提供了兩種入口：

• 已經熟悉 AI 的使用者，可以直接在聊天框輸入需求。
• 第一次使用的人，可以點擊明顯的功能按鈕，從任務選單開始操作。

不過文章也提到一個失敗案例。
有位使用者點進「奶茶與餐飲」分類後，系統卻自動送出「幫我訂一碗麵」的 Prompt，讓使用者當場傻眼。
作者認為，像餐飲這種範圍很大的需求，不適合直接幫使用者預填內容。與其猜，不如先問一句：

你想訂什麼？

再提供像是奶茶、麵食、速食等選項，反而比較不容易出錯。

2. AI 不一定要長得很有 AI，熟悉的介面反而更重要

文章提到另一個我很認同的觀點。
使用者不應該為了完成一件原本就很熟悉的事情，而重新學一套新的操作方式。

Qwen 在很多流程中，都刻意沿用了大家熟悉的介面，像是分類、商品列表、商品頁等設計，因此使用者在挑選商品時，會比較有安全感，也能把注意力放在「選什麼」，而不是「怎麼操作」。
有位受測者就提到，原本用聊天點餐時有點不知道自己在哪，但切換到像外送 App 的介面後，馬上就知道怎麼用了。

不過作者也提醒，「熟悉」不代表照搬。
例如 Qwen 用輪播圖（Carousel）一次只顯示一間店家，結果有使用者誤以為只有少數幾家可以選，最後乾脆回到原本的外送 App。
如果是店家很多的情境，用列表、網格，或直接顯示「附近共有 12 間店」等資訊，會更符合使用者的預期。

3. 使用個人資料之前，先讓使用者知道原因

研究中，有受測者在授權 Taobao 後，Qwen 馬上把完整住家地址顯示在畫面上，而且是在還沒開始挑商品之前。
雖然技術上只是讀取已授權的資料，但因為系統沒有先說明用途，很多人第一個反應都是：

我的地址怎麼突然跑出來？是不是資料外洩了？

即使這只是誤會，一旦使用者開始懷疑，信任就很難建立回來。

作者提出三個改善方向：

• 授權畫面要清楚告訴使用者會存取哪些資料，而不是藏在不明顯的文字裡。
• 顯示資料前，先說明用途，例如「我們會使用您的地址來尋找附近店家」。
• 每個步驟只顯示當下需要的資訊，例如瀏覽商品時只顯示郵遞區號，等到結帳再顯示完整地址。

4. AI 可以幫忙省時間，但不能犧牲透明度

AI Agent 的目的，是幫使用者更有效率完成事情。但是效率不能建立在資訊不透明的前提下。
其中一個案例是，使用者看到奶茶只要 1.6 元人民幣，到了結帳才變成 10.2 元，因為系統一直沒有說明運費、包裝費以及最低外送門檻。
另一位使用者在訂國際機票時，AI 已經幫他篩選出三家航空公司，看起來很方便，但卻沒有提供行李額度資訊。
最後，他還是回到原本的旅遊 App 查資料。
這兩個案例其實都有同一個問題。

AI 可以幫忙縮小選項、節省時間，但不能把影響決策的重要資訊省略掉。
如果使用者最後還是得回到其他 App 確認資料，那 AI Agent 帶來的便利就會大打折扣。

小結

看完這篇文章，我最大的感受是：
AI Agent 的挑戰，好像已經不是「能不能做到」，而是「能不能讓使用者放心使用」。
功能再強，如果使用者不知道怎麼開始、不知道 AI 為什麼這樣做，也不相信它怎麼使用自己的資料，最後還是會回到原本熟悉的 App。
所以對 AI Agent 來說，「好用」不只是把事情完成，更重要的是讓整個過程可以理解、可以信任，也保留使用者的控制權。

延伸思考

這篇文章主要分享的是 Qwen 的研究結果，但也讓我想到幾個 PM 和 UX 可以繼續思考的方向。

1. AI Agent 的介面，應該什麼時候聊天？什麼時候切回傳統 UI？

這篇文章讓我開始思考，Generative UI 到底應該怎麼設計。
以前會覺得既然是 AI Agent，那是不是全部都用聊天完成就好了？但看完 Qwen 的案例後，我反而覺得不一定。
聊天介面比較適合用在「表達需求」的階段，例如使用者說一句：「我想訂一杯奶茶」，AI 可以透過對話慢慢縮小範圍、確認需求。
但真的到了挑商品、比較店家時，我反而覺得切回大家熟悉的介面會更自然。像 Qwen 在選定店家後，就改用類似外送 App 的點餐畫面，使用者不用重新學習新的操作方式，也能更專注在選商品，而不是研究怎麼操作。
如果遇到需要高度透明、需要仔細確認資訊的情境，例如機票選位、填寫個人資料或付款，我認為 Full-page 介面可能會比聊天更適合，讓重要資訊能完整呈現，也比較容易確認每個細節。
看完這篇文章後，我開始覺得，未來的 AI 介面應該不是只有 Chat，而是會根據不同任務，在 Chat、Popup 和 Full-page 之間動態切換。

2. AI Agent 的信任，不只是資料安全，而是「不要嚇到使用者」

受測者才剛授權，系統就直接把完整住家地址顯示出來，很多人的第一反應不是方便，而是覺得：「我的資料是不是被看光了？」
這讓我想到，AI 時代的隱私設計，好像不只是「有沒有取得授權」，更重要的是「什麼時候顯示、怎麼顯示」。
如果我是 PM，我會希望遵守幾個原則：

• 在瀏覽階段，只顯示完成任務需要的最少資訊，例如郵遞區號或區域即可。
• 在真正需要使用個資之前，先告訴使用者：「我們會利用您的地址尋找附近店家。」
• 所有資料授權，都讓使用者明確知道系統會讀取哪些內容，而不是藏在一大串條款裡。

我覺得這種「漸進式揭露（Progressive Disclosure）」的方式，既能維持流程順暢，也比較不會讓人有被監控的感覺。

3. AI 猜錯很正常，但修正成本不能太高

Qwen 有一個案例是，使用者想訂奶茶，結果系統自動送出了「訂麵」的 Prompt。
我覺得真正的問題不是 AI 猜錯，而是猜錯之後，使用者要花多少成本修正。
如果每次都要重新輸入一整段 Prompt，體驗一定很差。
我反而比較喜歡文章提到的做法，不要急著幫使用者預設答案，而是先多問一句：

你想訂什麼？

然後提供像是「奶茶」、「麵食」、「速食」這種 Quick Chips，讓使用者一鍵修正即可。

另外，整個流程中也應該保留「取消」、「返回」或「調整條件」等操作，讓使用者知道自己隨時都能改變決定，而不是只能一路往下完成流程。

4. 未來評估 AI Agent，可能不能只看 GMV 和轉換率

如果未來真的做交易型 AI Agent，我們應該怎麼衡量它到底做得好不好？
除了大家熟悉的 GMV、轉換率之外，我覺得還可以加入一些更貼近 AI 特性的指標。
例如：

• Task Efficiency：AI 到底幫使用者省下多少時間？
• Prompt-to-Payment Success Rate：從一句需求，到最後成功完成付款的比例有多高？
• Information Sufficiency：AI 提供的資訊，是否足以讓使用者放心做決定？像文章中的機票案例，如果沒有行李額度，再好的推薦也沒有意義。
• Trust Return Rate：使用者會不會最後又跑回原本的 App 查資料、比價？如果很多人都有這個行為，也許代表 AI 的透明度還不夠。
• Success without Supervision：如果 AI 已經自動完成了 95% 的流程，但使用者還是得一路檢查它有沒有做錯，那我覺得這個 Agent 還不能算成功。

另外，我也覺得 PM 未來可能需要建立更多 Eval（評估機制），去量化哪些是好的 AI 回覆、哪些是失敗案例，而不是只看最後有沒有成交。

5. 如果沒有阿里巴巴的生態系，中小型產品還能怎麼做？

Qwen 最大的優勢，就是背後有阿里巴巴完整的電商、支付和物流生態，所以很多事情都可以直接完成。
但大部分產品其實都沒有這樣的資源。
如果是中小型產品，我覺得反而可以往另外一個方向思考。
一方面，可以透過 MCP（Model Context Protocol）這類標準協議，串接不同服務，降低資料孤島的問題。
另一方面，也可以把自己的專業知識變成 AI 的 Context。例如把團隊累積的 UX 規範、設計原則、產品知識整理成文件，讓 AI 更理解這個領域，而不是什麼都依賴通用模型。
也許未來真正的競爭力，不一定是誰擁有最多資料，而是誰提供了最有價值的 Context。

6. AI Agent 出現後，會不會改變現在的商業模式？

以前使用者會自己搜尋、比較很多商品，平台可以透過搜尋廣告、競價排名來獲利。
但如果 AI Agent 最後只推薦 1～3 個選項，那使用者一定會開始問：

為什麼是這三個？

我覺得未來推薦邏輯的透明度，可能會比排序本身更重要。

除了告訴使用者推薦了什麼，更應該說明「為什麼推薦」，例如：

• 因為 CP 值最高
• 因為配送最快
• 因為最符合你的需求

同時，也不能因為商業考量，就刻意隱藏運費、包裝費、行李額度等重要資訊。文章中的案例也證明，一旦資訊不透明，使用者很快就會失去信任。

另外，我也很好奇，不同類型的平台會不會有不同策略。

像交易型產品希望 AI 幫使用者快速完成任務；但 Netflix、YouTube，甚至部分內容平台，可能反而希望使用者多瀏覽、多探索，而不是立刻找到唯一答案。

這或許也是 AI Agent 普及之後，產品設計和商業模式都需要重新思考的一個方向。