当你打开某文档，页面角落突然弹出「AI 助手」聊天框；当你使用某移动 App，右上角生硬地挤进智能机器人头像 —— 越来越多用户正在产生厌烦情绪。
目前市面上普通 AI 功能设计有三种模式：
- 独立聊天入口：进入全新弹框或页面，发起交互
- 页面局部 AI 区域：在页面某个模块出现 AI 编辑功能，用户选中页面元素后，调出 AI 指令编辑
- 工作流中 AI 节点：比较有机，比如飞书多维表格 AI 翻译
大量成熟产品拥抱 AI 呈现典型姿态：在现有界面塞入对话框，或者新增「AI 聊天页面」。轻视需求场景和使用习惯，AI 功能更像「外挂」，而非产品有机组成。
真正 AI Native 是什么样？答案或许需要从 AI 原生产品寻找。
一、从「配置」到「指令」：语言魔法替代配置项
传统软件配置方式是用户界面。用户通过勾选复选框、填写表单设定软件行为。方式精确但僵硬 —— 每增加一个功能选项，Settings 菜单就多一行配置项；每个新特性都需要设计对应 UI 控件。当配置项累积到几十上百个，软件学习曲线就会陡峭到令人生畏。
AI Native 应用在让「设置菜单」消失。取而代之是基于自然语言配置协议——用户不再「设置」软件，而是「指导」Agent 行为。
Manus 的 Project 和 Knowledge 将自然语言配置项用在广泛工作场景。每个 Manus 项目可以设置独立主指令，例如「在此项目中，始终使用我们品牌语气」或「制作每周市场研究报告时，使用模板结构，从内部来源提取数据」。指令被持久化存储，并作为系统提示词。相当于为 Agent 安装「人格插件」或「领域专家插件」。
除了指令，Manus 还允许用户上传文件（PDF、品牌指南、代码库）构建项目知识库。Agent 在执行任务前会优先检索知识库信息，确保输出符合项目特定上下文。
Lovable 的 Custom Knowledge 有类似理念，更轻量级 ——「不需要全面，几行清晰方向就能产生作用。」用户可以添加项目指南（优先事项、避免事项）、用户画像、设计资产（色板、字体、布局规则）、编码规范（命名约定、文件结构）等。一切添加到 Custom Knowledge 内容都会被记住并应用于项目所有编辑。
二、从「操作」到「沟通」：观察、互动和信任
传统交互界面建立在确定性逻辑之上：输入 A 必然导致输出 B，相同操作永远产生相同结果。
但 AI Native 应用核心是基于概率推理引擎。同样 Prompt，每次执行可能得到不同结果；同样任务，AI 可能选择不同实现路径。不确定性带来灵活性，也带来焦虑——用户不知道 AI 会生成什么、做对还是做错、会不会浪费昂贵积分。
产品设计需要新的信任表达和容错策略。
Chat/Plan 模式是对不确定性的第一层设计响应。Lovable、Replit、Cursor 等 Vibe coding 工具都采用此模式，将用户交互分为两个阶段。
Chat 模式是纯问答对话，不执行代码任务。消除用户「每句话都会消耗积分」「每句话都会修改代码」不确定感。作为初阶用户，很多时候需要反复确认：对看不见的后台功能（比如定时任务）没有感知和信心，再三询问某个功能实现了没、是怎么实现的；想做新功能时（比如接入 Gemini 模型），先询问它是否能实现、有哪些方案可选。对话像极了需求方在研发写代码前后心态——技术评审、方案澄清、仔细讨论。
Plan 模式则是 Agent 在正式执行前先生成结构化任务清单。Agent 将要执行任务全部列出，用户可以确认和修改，提高意图识别匹配度。用户还可以选择是「先出原型设计不做功能」，还是「设计和功能一起做」。符合软件工程 SOP：设计先行，确认设计合理之后再进研发。
这个看似简单分层设计，其实深刻理解用户两大痛点：一是降低 AI 积分消耗，尤其是减少初始几轮 Agent 任务因为意图识别不准而带来任务失败成本；二是原型设计交付比代码交付耗时更短，让用户更快看到交付结果，减少耐心损耗，加快 Aha moment 到来。
但 Plan 只是降低不确定性，并没有消除它。当 Agent 开始执行复杂任务可能需要十几分钟甚至更长时间。用户看着旋转 Loading 图标会产生巨大焦虑：AI 在做什么？它会做对吗？它有没有卡住？
Manus 的 Computer View 提供第二层设计响应：透明执行。
Manus 界面采用分屏式设计。左侧是对话交互区，用户在这里下达指令；右侧上方是虚拟机实时画面，用户可以看到虚拟桌面上所有操作——AI 正在打开哪些网页、点击哪些按钮、在搜索框输入什么关键词、如何处理验证码、如何提取信息并粘贴到文档中；右侧下方是 ToDo List 形式子任务列表，每个完成子任务会打勾标记，用户随时能看到当前执行到哪个阶段。
这种「看着 AI 工作」体验，像极了看着实习生操作电脑。心理效果深刻：「可见即可控」——即使等待时间较长，用户也能保持耐心，因为他们确信 AI 确实在查阅真实数据而非编造内容。
Chat/Plan 模式降低试错成本，Computer View 建立执行信任。两者共同解决 AI Agent 面临的最大用户心理障碍——在不确定性中建立确定感。
三、从「工具」到「代理」：交互方式多模态演进
在过去，写代码或使用专业工具需要正襟危坐、找大块时间，开电脑、打开数个文件、窗口和网页。而 Vibe coding 交互正在变得碎片化——在吃早餐时有了新想法，打开 Lovable 说几句话，让 Agent 开始工作，期间去看文档或回消息。如果是更复杂需求，可以每过几个小时和 Agent 互动一次，充分利用碎片时间。
AI Coding 厂商普遍在做的语音输入功能，既在促进也在顺应碎片时间交互趋势。
语音输入是降低产品启动、使用和交互门槛的第一步。
很多时候想到一个需求，说出来比写出来成本更低——清晰的文字表达相比口语是更复杂的技能。另外在指代多个实体之间关系的时候，口语上的「这里」「那里」「这个」「那个」，来来回回说，比打字要轻松自然得多。
据报道，Plaud 公司的算法研发现在人手一个麦克风，直接通过语音来 Vibe code，工作效率大幅提升，而且更容易进入心流状态。Replit 已经上线了能连续工作 200 个小时的自主智能体，Manus 的价值主张之一是灌入更多用户在 Google Docs、邮箱、笔记中的上下文，以让智能体自主全天候工作。
指指点点 + 自然语言在视觉界面中降低沟通和交互摩擦的关键设计。
Lovable 的 Visual Edits 功能解决了一个具体痛点：当用户面对一个页面，上面有多个按钮、图标、卡片，而这些元素不止一个时，如何用对话描述「我要修改哪个组块中哪个卡片的哪个图标」？这种嵌套的空间关系用自然语言表达门槛很高，容易产生歧义。
在现实世界中，需求方和设计师会对着设计稿指指点点，设计师自己也会在画布上直接修改。Lovable 对此提供的交互方案是：「圈选页面元素，再针对该元素输入 Prompt」。它的提示词输入框不是放在侧边栏或底部，而是直接放在 App preview 的画布上，更符合所见即所得的用户直觉。
这个设计在 Manus 的 Design View 中也有类似实现。通过在画布上选中某个元素，用户可以做针对性的自然语言编辑，只修改选中的元素而保持其他元素不变。这种「指向 + 表达」的组合交互，比纯对话要高效得多。
过去软件世界是「专业分工」：图片交给 Photoshop，音频交给 Audacity，视频交给 Premiere，文字交给 Word，每个模态都有专属工具、独立界面、不同操作。
AI Native 产品正在打破这种分工。多模态模型的进步让统一输入输出成为可能——一个输入框，处理所有类型的内容。
这种「一以贯之」的设计背后是「可供性」（Affordance）的最大化：在不改变形态的前提下，容纳尽可能多的功能可能性。微信的输入框是这一理念的先行者——同一个框，既能发文字，也能发语音、视频、红包、商品、地理位置、名片。
AI 产品的输入框发展了这种可供性：输入端，它发出文字、语音、图片、文件、甚至圈选的页面元素；输出端，它生成文字、代码、界面、图表、甚至可交互的组件。
四、从「坐席」到「积分」：重构团队协作
传统 SaaS 商业模式是按席位收费。公司或部门中有多少人要使用工具，就需要为多少人支付订阅费用。模式背后假设是：每个协作者对业务贡献相近。在 Intercom 中，每个客服坐席背后是接近客服技能；在 Slack 中，每个团队成员有近似沟通技能。人的技能决定价值产出。
但在 AI Native 产品中，这个假设不再成立。
Lovable 是 Vibe coding 领域唯一一家从 Free Plan 开始就提供无限席位的产品。它不卖坐席，只卖积分。无论团队有 3 个人还是 30 个人，Free Plan 都允许无限协作者加入，一起来 Vibe coding 某个项目。当需要更多算力时，购买是积分包，而不是增加席位数量。
看似激进的定价策略，背后是对 Vibe coding 协作本质的深刻理解。
在 Vibe coding 场景中，Agent 决定每个任务交付，而非人类技能。一个有 10 年经验资深开发者和一个刚入行产品经理，在对 Agent 下达同样清晰指令后，得到交付结果质量是接近。人与人之间软件开发知识和世界知识差异，被大模型能力磨平。
此时，按席位收费就失去意义。如果真正有产出的是 Agent，为什么要为「人头」付费，更合理定价锚点应该是结果：完成多少任务、交付多少迭代。而这些，都可以用 Agent 消耗算力（积分）来量化。
在传统 SaaS 中，每增加一个席位都意味着价格增加，因此团队会谨慎控制协作者数量。但在 Lovable 中，邀请设计师、运营、观察员、外部协作方进入项目，用户无需付出额外成本价格。无限席位设计带来协作门槛大幅降低。
五、AI Native 设计的底层逻辑
总结一下：
从界面配置项到自然语言指令：Master Instructions、Custom Knowledge，用自然语言替代令人望而却步的复杂配置项
从确定性到概率性：Chat/Plan 模式、Computer View 透明执行，在不确定性中建立信任，「慢一点但可见」比「快一点但黑盒」更重要
从按人头付费到按成果付费：Lovable 无限席位 + 共享积分池，对协作关系重新定义，为 Agent 工作量付费，而非团队规模
成熟产品 AI 设计范式是在现有界面加 Copilot，AI 是锦上添花辅助功能。AI 原生产品中，用户界面、交互逻辑、配置方式、商业模式都演化出新结构。
为 Agent 能力和特征设计产品，而不是为成熟软件交互工作流设计产品。