更多淘寶設計案例：

引言

2025年即將收官，AI已成為人人熱議的話題。在過去的半年多時間里，我們圍繞AI能力在搜索場景中的應用開展了多項業務探索。坦率地說，目前AI與電商的結合仍處于產品驗證與模式迭代的初級階段，尚未形成成熟路徑，但正因如此，蘊藏著巨大的想象空間。

這一探索過程的價值，或許不僅在于具體功能的落地，更在于讓我們對用戶需求、交互邏輯以及技術邊界有了更深入的理解和思考。

一、搜索的邊界正在消融

在傳統電商搜索體驗中，用戶將需求轉化為關鍵詞組合，系統執行商品庫檢索并返回貨架式的結果給到用戶篩選對比，形成"用戶輸入-系統生產-固定響應"的循環。這本質上是"以系統為中心"的設計范式，要求用戶適應系統規則而非系統理解人類意圖。AI搜索產品的出現，正在解構過往的機械體驗：

1. Input層革新：從關鍵詞到自然語言
2. Interaction層進化：從機械操作到動態對話
3. Output層質變：從固定貨架到生成式響應

傳統搜索與AI搜索差異分析

在新的交互范式下，用戶不再滿足于“找得到”，他們期望的是“系統懂我”。這意味著AI搜索的體驗設計，需要從“被動響應”轉向“主動理解”。

二、從關鍵詞到自然語言

AI萬能搜激活頁，是智能預設后的意圖觸發器，沿用用戶最熟悉的傳統搜索形態的同時，通過整個頁面的場景化引導，鼓勵用戶進行自然語句的混合輸入；用戶需求是模糊、動態且高度個體化的，因此在動態功能區中，我們保留了電商最原始的AI基因，并將其外化為搜索框動態功能區的“購物偏好”的調節能力。

在提問引導上，基于用戶畫像的分布式認知，AI搜索將用戶的碎片化模糊需求轉化為可場景化的問題鏈，這是AI基于對用戶的認知，重新組織和包裝的提問方式。

不同節點圍繞意圖進行輸入引導

在這樣的引導下，用戶開始使用自然語言進行條件組合的假設，而每一步的提問則依賴于上一步的反饋演化，甚至超出用戶潛意識預先規劃好的路徑。

三、從機械操作到動態對話

在對話中，當用戶面對AI生成的不確定性時，需要顯性化設計幫助用戶理解AI的運作邏輯，建立用戶對AI的信任感。我們在“深度思考”模型形式和市場反響中得到啟發，AI思考可視化的價值可能大于結果輸出本身。

建立用戶的確定性感知

隱性AI的顯性化：設計不是簡單的"暴露算法"，而讓用戶感知“AI在做什么”以及“AI做得對”，這種設計原則不僅適用于AI對話交互，更指向未來人機協作的重要命題，讓人理解AI的思考。

淘寶特色可視化：在文字表達思考過程的基礎之上，加入商品屬性、用戶購物偏好分析、淘寶評價等內容，形成有電商特色的思考過程。表達不是AI通用泛化的知識檢索，而是符合電商決策邏輯的商品深度思考。

分步轉譯，減緩用戶等待焦慮

四、從固定貨架到生成式響應

AI的生成式響應背后是隨機性，而“隨機”往往隱藏著認知的不確定性與意圖的演化性。這意味著我們面臨的是從“展示已知”轉向“推導未知”。產品設計的重心也必須從“對結果的預設”轉向“對規則與邏輯的構建”。這其實不是設計有什么升級，更多的是設計思維方式的轉變。 電商搜索場景下，AIGC（Artficial Intelligence Generate Content）的重點是文字與商品。設計師無法窮舉所有對象的組合，通過將Markdown的結構化自由與商品數據的對象化映射相結合，保證任意對象與對象的組合相容性，使得每一次自由生成的內容能夠體面地交付給用戶。

Markdown結構與視覺基礎定義

不同于其他AI產品，用戶在淘寶搜索場景的核心仍然是商品，因此文字的密度與組織、文字與商品的穿插節奏尤為重要，需要設計師把握用戶意圖和需求與業務特點，定義基礎范式反向約束調控AI。

用戶的不同輸入代表了不同意圖，呈現出用戶從模糊寬泛到具體精確的變化光譜，在對話中提供如單品卡、多品卡、折疊流、清單卡片、穿搭卡片等多種形態，靈活匹配不同意圖的特征。

漸進式意圖承接

在設計AI生成規則時，要根據業務特色，建立AI能力與用戶體驗雙向適應機制。設計師不再設計完美的結果，而是創造優雅的可能性。

基礎層精準響應：以答案信息準確率為核心的目標，解決“能用”的問題，設計本質是做到“通用性”，為場景化提供穩定的支撐。

商品卡承接分層

場景層動態適配：針對特定的場景行為特征和決策邏輯，進行需求細化和設計策略的分化，比如送禮意圖下，通過清單式結構+場景標簽，將抽象需求轉化為可操作的推薦路徑，依賴用戶畫像與場景識別能力，實現“從模糊場景到精準決策”的躍遷；服飾美妝場景以視覺化為核心，通過穿搭視頻、試色模型、直播等手段，將商品信息與感官體驗深度融合，構建“看即買”的即時決策鏈路等。

分意圖場景展示

用戶意圖的多樣化決定了交互設計必須構建動態適配的承接體系，基礎層解決“能用”的問題，場景層解決“好用”的問題，才能有機會進行體驗層的價值假設，激發用戶的內在動機，真正解決用戶“想用”的問題。AI驅動情感與行為的核心在于"技術服務于人，而非人服務于技術"。未來，如何捕捉用戶情緒與購買動機，構建匹配的模型與適應的機制和設計規則，將成為我們的長期命題。