倒置智能体：当用户是规划者，模型是步骤执行者时
大多数智能体产品让模型负责规划，而让用户负责审批。对于高风险工作，这种极性恰恰相反 —— 解决方案是一个不同的产品设计，而非更优的提示词。
投机采样（Speculative Decoding）是一项流式传输协议决策，而非推理优化
投机采样（Speculative Decoding）承诺在保持模型输出一致的前提下实现 3-6 倍的加速，但这种保证仅限于离开推理引擎的 Token —— 而非已经展示给用户的字节。当你通过流式传输尚未验证的草稿 Token 时，被拒绝的后缀必须撤回。哪些界面能够容忍撤回是一项产品决策，而推理团队往往很少考虑到这一范围。
面试模式与任务模式：你的智能体不断打破的无形契约
大多数关于 “问得太多” 和 “问得不够” 的抱怨其实都是同一个 bug —— 你的智能体选错了契约。本文将介绍如何识别并解决这一问题。
飞行中转向：无需重启即可重定向长时运行的智能体
大多数智能体 UI 将每次航向修正都变成了完全重启。解决方案是架构层面的——检查点与注入、计划修订钩子以及软中断令牌——外加一套区分了修正、覆盖与取消的“三动词” UX 词汇表。
AI 审计追踪是产品功能，而非合规勾选项
向用户展示你的 AI 智能体实际做了什么——调用了哪些工具、检索了哪些数据、在何处产生了分支——比任何功能开关实验都能更可靠地提高采用率。以下是构建方法。
没人用的 AI 功能：团队为何交付了无人采用的能力
大多数 AI 功能的采用率只有 2-6%。差距不在模型，而在用户根本找不到这个功能。本文解释为什么传统发现模式对 AI 无效，以及真正有效的方法。
优雅的工具调用失败：你的 Agent UI 缺失的错误契约
大多数 Agent UI 只处理成功路径。以下是将工具调用失败从崩溃变为可恢复时刻所需的错误契约和 UX 模式。
延迟感知差距：为什么3秒的流式响应比1秒的批量响应感觉更快
3秒的流式响应往往比1秒的批量响应感觉更快。这是背后的心理学原理和利用它的工程模式。
为什么用户会忽略你花了三个月构建的 AI 功能
AI 功能之所以失败，不是因为模型不好，而是因为用户从未发现它们、不信任它们，或者没有养成使用它们的习惯。以下是解决方法。
认知负载倒置：为什么 AI 建议让你感觉有帮助却精疲力竭
实时 AI 建议通过将工作从生成转向验证，反而增加了认知负载。这里有相关研究和真正有效的设计模式。
对话设计师在 AI 产品质量中的隐形角色
系统提示词、错误提示和能力披露中的 UX 写作直接影响模型行为和用户信任——而大多数工程团队从未衡量这一点。
AI 界面中无人关注的可访问性鸿沟
逐个 Token 的流式输出会以大多数团队从未测试过的方式破坏屏幕阅读器的体验。本文将探讨为什么 WCAG 对此没有现成的解决方案，以及哪些设计模式是真正有效的。