AI原生产品设计：如何打造AI优先而非AI附加的产品。

所谓“原生AI产品”，是指移除AI模型后，产品将失去所有可用功能。如今大多数自称“原生AI产品”的产品，即使没有AI也能正常运行，这意味着它们并非真正的原生AI产品，而是AI的附加组件。二者的区别不在于品牌，而在于架构。

最直接的测试方法是删除测试。打开产品，在脑海中删除所有模型调用、所有聊天面板、所有炫酷按钮以及所有“AI摘要”文字。剩下的是什么？如果答案是一个功能齐全的产品，只是少了一些装饰，那么该产品就是AI的附加组件。如果答案是一个空壳，失去了主要功能，那么该产品就是原生AI产品。Linear 仅在其较新的界面上通过了删除测试。Cursor 立即无法通过删除测试，因为移除模型后，产品将失去所有功能。大多数在2024年推出聊天侧边栏的企业级SaaS产品，由于没有丢失任何重要内容，因此通过了删除测试，但这恰恰说明了问题所在。

本文是该测试的实际应用版本。本文阐述了区分原生AI和外加AI的六项原则，并提供了来自Linear、Cursor、Granola、Perplexity和Arc Search的五个真实产品拆解案例，展示了每项原则的实现方式。此外，本文还列举了两个将AI外加到侧边栏却最终一无所获的案例，并提供了一份发布前检查清单，任何团队都可以在正式发布前对已构建好的版本进行检查。

原生AI意味着模型本身就是产品，而非一项功能

“原生AI”这个词被滥用，几乎每个产品都被赋予了OpenAI的专属标识和炫目的效果，导致该术语的含义被严重曲解。其更清晰的定义是：原生AI产品以模型为核心，其余的UI元素都是为了确保模型的可用性、可追溯性和速度而存在的。聊天面板、表单字段、仪表盘、侧边栏等等，都只是辅助框架。模型是承重墙。

这听起来显而易见，但当你了解产品实际交付的方式后，就会发现并非如此。2024 年的标准企业模式是保留现有仪表盘，并在右侧边缘附加一个聊天面板。模型虽然存在于产品中，但产品并非围绕它构建。用户可以忽略聊天面板，使用原始用户界面完成所有任务。这就是“附加式 AI”的定义，无论其图标多么醒目。

同一产品的 AI 原生版本会围绕模型重建主要工作流程。仪表盘变成提示，表单变成对话，导出变成生成。模型不再是可有可无的，它本身就是界面。这样的产品交付难度更大，这也是大多数团队最终选择附加式方案的原因。

AI 原生产品设计的六大原则

模型作为核心界面、提示即输入、默认代理、透明界面、精心设计的模型展示方式以及延迟作为设计约束所有值得研究的AI原生产品都会包含这六项原则中的某种组合。

这些原则并非清单，并非满足其中四项就能认定产品是AI原生产品。它们是一种理念。如果团队从一开始就将模型视为核心界面，自然会遵循其中大部分原则。而如果团队将模型视为第十二个迭代周期添加的功能，则会全部失败，最终发布一个聊天侧边栏。

以下原则被视为决策，而非功能。每项原则都针对AI原生产品和AI插件产品分别设定了默认的执行方式。正是这两种执行方式之间的差距，将Cursor与任何带有Copilot插件的文本编辑器区分开来。

将模型作为核心界面，而非侧边栏

第一条原则最简单，但也最容易被违反，因为所有发布聊天侧边栏的企业级SaaS产品在第一天就违背了这条原则。

核心界面指的是用户打开产品后首先接触到的就是模型。侧边栏意味着模型停靠在现有用户界面旁边，可按需访问，默认情况下会被忽略。Perplexity 是核心界面。Notion AI 的斜杠命令在编写上下文中主要属于核心界面。Cluely 作为覆盖整个屏幕的叠加层属于核心界面。停靠在任何标准 SaaS 控制面板右侧的聊天闪光图标是侧边栏的理想示例。

测试方法是观察用户首次打开产品时看到的内容。如果他们首先看到的是提示字段、答案界面或模型驱动的主视图，则该产品属于核心界面。如果他们首先看到的是带有角落聊天图标的原始控制面板，则该产品属于侧边栏，AI 将被首次会话之后的用户忽略。

现有产品的修复方案并不简单。聊天面板不能一直停靠在右侧。模型必须要么替换主界面，要么作为一级操作提升到中心工作流程中。那是一项重新设计，而非一项新功能，因此大多数团队拒绝这样做，而是选择发布侧边栏。

提示即输入取代表单即输入

第二个原则是输入模型本身，其中自然语言取代了下拉菜单、多步骤向导和空状态表单。

提示即输入意味着用户用自己的语言输入想要的内容，模型会自动识别其结构。表单即输入意味着用户填写产品预定义的结构化字段，模型无需进行任何操作。Cursor 的 Cmd-K 就是提示即输入。Linear 的命令面板加上 AI 就是提示即输入。Perplexity 将整个产品都作为提示。Krea 的图像输入字段是提示即输入，并添加了参考图像。Lovable 也是提示即输入，它根据用户输入的句子构建整个应用程序。

将表单作为输入并非总是错误的。某些结构化数据确实应该以表单的形式呈现，而强制所有交互都通过提示框进行本身就是一种设计上的缺陷。正确的做法是思考模型能够比表单更好地处理哪些输入，然后优先替换这些表单。配置界面、搜索过滤器、报表生成器、查询界面等等，这些都是理想的候选对象。用户的姓名、邮箱和信用卡信息则不在此列。

大多数产品存在的一个错误是保留所有表单，并添加提示框作为替代入口。用户现在必须学习两种方法来完成同一件事，这比单独使用任何一种方法都更糟糕。提示框应该取代表单，而不是与表单并存，当提示框的性能优于表单时，团队应该愿意弃用表单。

默认代理意味着产品主动行动，而不是被动请求

第三个原则是自主姿态，即原生AI产品无需等待许可即可完成工作，而AI附加产品则在每次按键时都请求确认。

默认代理是指产品在用户表达意图后立即执行操作，然后显示操作结果并允许用户撤销。默认许可是指产品主动提出执行操作，用户点击确认后，产品再次询问，用户最终放弃。Cursor 的代理会在未经询问的情况下编辑文件。Granola 会在未经询问的情况下转录和补充笔记。Arc 搜索功能会在未经询问的情况下浏览、总结并呈现答案。产品是在主动行动，而不是在协商。

这种权衡是真实存在的。默认代理需要提供撤销功能、审计跟踪以及清晰的模型操作界面。缺少这些，代理功能就会变得具有攻击性，产品会执行用户不希望的操作，信任也会随之消失。关键在于将代理功能与恢复界面一起交付，而不是单独交付代理功能并寄希望于一切顺利。同样的权衡也适用于更广泛的 代理 UI 设计模式 讨论，其中自主性滑块是一个重要的控件。

谨慎版本是指产品在每次操作时都会询问“您是否希望我……”。每次确认都需要点击，会打断流程，并且表明构建该模型的团队实际上并不信任它。如果团队不信任模型，用户自然也不会信任，因此应该提高代理机构的姿态，直到摩擦感不再是出于保护，而是出于怯懦。

透明界面使模型承担责任

第四个原则是信任循环，即产品在一个用户可读的界面上展示模型看到了什么、做出了什么决定以及原因。

透明性与暴露系统提示不同。透明性意味着用户可以按需回答三个问题：模型访问了哪些上下文？模型采取了什么操作？模型生成了什么，以及它的来源是什么？Perplexity 在每个声明中都提供了引用。Cursor 在每次编辑后都提供了差异。Granola 在增强注释旁边提供了原始文本记录。用户无需担心模型是否凭空捏造了什么，因为只需点击一下即可查看来源。

与之相反的是“魔法盒子”模式，在这种模式下，模型生成输出，但用户却无法验证。Notion 人工智能早期的摘要功能就曾采用过这种模式，摘要出现后，用户只能盲目信任。后来的解决方案是添加引用信息，并提供查看摘要内容的方式。由此可见，在人工智能原生产品中，透明界面并非可有可无，而是信任机制，能够防止产品沦为一台“幻觉机器”。

正确的做法是从一开始就提供透明界面，而不是在信任崩塌后才进行补救。一个最初发布时没有引用信息，现在才添加引用信息的产品，是在进行危机公关。而一个从第一个版本就提供引用信息的产品，才是真正尽职尽责。

默认隐藏模型详情，仅在用户需要时显示

第五条原则是何时显示温度、模型名称和系统提示信息，而答案几乎永远不会出现在主界面上。

用户并不关心运行的是哪个模型变体。他们关心的是答案是否良好、快速且可验证。在主要界面上公开模型名称，相当于将产品团队的思维模型泄露给了用户，这表明团队尚未确定产品的实际定位。ChatGPT 曾经将模型选择器突出显示，后来悄悄地将其降级​​，因为大多数用户并不了解 GPT-4-Turbo 相对于 GPT-4o 的区别，这种选择非但没有带来价值，反而造成了决策瘫痪。

例外情况是高级用户界面。Cursor 公开了模型选择，因为它的用户是开发者，他们需要这种选择权。Claude Code 出于同样的原因公开了模型选择。Krea 公开了生成参数，因为它的用户希望调整这些参数。这种模式的惯例是，默认情况下在消费者界面上隐藏模型详细信息，然后在设置面板或高级模式下向明确需要控制的用户显示这些信息。

这个缺陷在于，产品主屏幕上直接显示了模型选择器，而用户群体并不了解这些模型。每个产品发布演示文稿的首页截图上仍然保留着模型选择器。大多数产品最好将其隐藏，让团队能够以不可见的方式找到合适的模型。

延迟是首要的设计约束

第六条原则是，如果模型开始流式传输的时间超过两秒，那么原生 AI 产品就会让人感觉很慢，设计必须先解决这种感知问题，工程团队才能着手解决。

延迟不仅仅是一个性能指标，它关乎产品的节奏。第一个响应出现前的两秒停顿是空白，用户会在这段时间内产生疑虑。解决方案是：逐个响应节点传输数据（以便用户立即看到动态），显示骨架或闪烁状态以预示即将有响应，并在结果可用时立即显示部分结果。Perplexity 和 Cursor 都做到了这三点。大多数企业级 SaaS 聊天侧边栏都做不到这些，每次交互都感觉不流畅。

由此产生的设计约束是，产品设计必须先测试模型的实际延迟。如果原型只针对快速模拟模型运行，就无法发现延迟问题，团队最终交付的产品在设计评审阶段运行良好，但在生产环境中却感觉很慢。正确的做法是从第一个原型开始就使用实际延迟进行设计，然后要么改善用户体验，要么修改架构，直到感觉流畅为止。

五个原生 AI 产品（附注释）

只有当这些原则在已发布的产品中得到验证时，它们才有意义。以下是五个目前做得很好的例子。

每个产品的拆解分析都简洁明了。它们分别阐述了产品在每个原则上的表现、优势和不足之处。这些产品都不是完美的。但它们都远超 AI 附加组件的基准水平，这正是它们值得研究的原因。

Linear，原生AI作为静默的命令界面

Linear 的AI在您召唤它之前是隐形的，召唤后，它是产品中执行任何操作的最快途径。

界面：AI集成在现有的命令栏中，而Linear 高级用户的大部分工作都在这里完成，因此该模型是面向重要用户的核心界面。提示：纯粹的提示，通过自然语言命令输入。自主性：高度自主，AI无需协商即可创建问题、编辑描述和进行分类。透明度：操作在时间线中显示为普通的Linear 事件。揭示：模型细节隐藏，甚至触发器也感觉像是Linear 的功能，而不是AI的功能。延迟：流式响应，即时触发。

Linear 的不足之处：AI需要通过命令栏调用才能使用，这意味着新用户发现它比较晚。更明确的 AI 优先引导流程能够提升长尾用户的接受度，同时又不影响高级用户的使用习惯。

Cursor，AI 原生编辑器

Cursor 的理念在于不再将 AI 生硬地附加到 VS Code 上，而是围绕 AI 模型重构编辑器。最终成果是迄今为止最简洁的 AI 原生开发者工具。

界面：AI 模型无处不在，Cmd-K、代理模式、自动补全、聊天等功能都已融入编辑器界面。提示：提示作为输入是主要操作方式，编辑器仍然保留菜单，但大部分工作都由提示完成。代理模式：代理模式下的代理功能非常强大，它可以编辑文件、运行命令并生成差异。透明性：每次更改都会生成一个差异供用户查看，每个操作都会被记录。揭示性：模型细节完全公开，因为目标用户是开发者，他们需要这些信息。延迟：流式传输、并行调用、乐观 UI。

Cursor 的优势所在。在某些流程中，代理模式的用户界面仍然感觉像是编辑器上附加的聊天面板，而它应该更融入到内联体验中。加强这种集成将使 Cursor 更深入地融入核心界面。

Granola，一款基于人工智能的无声转录工具

Granola 将模型视为一个环境层，在用户手动记录笔记时运行，然后在会议结束后悄悄地增强这些笔记。

界面：模型是整个增强步骤，也是该产品的主要价值所在。笔记界面本身是传统的，但它是覆盖在模型之上的一层膜。提示：与大多数工具相比，提示并非作为输入，而是作为后处理，用户的手动笔记成为增强的提示。自主性：高，增强无需询问即可进行。透明度：原始转录文本和增强后的笔记并排显示，用户可以验证任何内容。揭示性：模型细节隐藏，用户不知道运行的是哪个模型。延迟：在会议结束后进行，因此延迟不是实时问题。

格兰诺拉的不足之处。该产品可以进一步强化“提示即输入”的理念，允许用户在会议结束后通过快速提示来引导增强功能，而不是完全依赖默认的静默模式。添加这一功能可以将人工智能原生特性扩展到用户的编辑控制中，而不会破坏默认设置。

⟦品牌18⟧，人工智能原生即搜索引擎

⟦品牌19⟧ 围绕模型和答案重建搜索，输入是模型，界面是模型，结果也是模型。

界面：最大程度地展现核心界面，整个产品即为模型。提示：提示即输入是唯一的交互模式。代理：中等程度，模型无需提问即可回答问题，但用户仍然需要明确地引导每一次交互。透明度：每个声明都提供引用，来源以内联方式显示，并提示后续问题。揭示：模型细节在消费者界面上大多隐藏，在专业设置中才会显示。延迟：流式传输，快速返回首轮结果，深度查询时仅提供部分结果。

Perplexity 的不足之处：智能深度搜索模式仍然感觉像是嫁接到主界面上，如果能将其更好地整合到答案流程中，以深度滑块的形式呈现，而不是作为一个独立的模式，效果会更好。这样的整合将使初次使用者更容易理解智能搜索的理念。

Arc 搜索，AI原生集成于浏览器标签页

Arc 搜索将整个浏览和摘要循环简化为一次点击，并且AI本身就是标签页，而不是附加在标签页上的面板。

界面：模型取代了页面，“帮我浏览”返回的是答案，而不是链接列表。提示：通过地址栏输入提示，这是浏览器上最自然的提示方式。智能程度：非常高，产品会访问多个页面，进行摘要，并在无需询问的情况下呈现一个综合结果。透明度：来源链接位于合成结果的底部。揭示：模型细节完全隐藏，AI 作为基础设施隐形存在。延迟：对于多页面代理操作而言，速度快得惊人，这得益于紧凑的加载状态。

Arc 搜索的不足之处。合成答案可能存在一些细微的错误，而透明界面（链接来源）虽然功能实用，但容易被忽略。在答案正文中更积极地推广来源引用，可以在不破坏 AI 原生特性的前提下提升用户信任度。

想要一款 AI 是产品核心，而不是角落里一个闪亮图标的产品吗？聘请 Brainy。UXBrainy 提供 AI 优先的产品策略和设计审核。AppBrainy 为构建 Cursor 级工具的团队提供完整的 AI 原生产品 UI。ClaudeBrainy 为希望构建类似列表中产品的 AI 功能（而不是像 2024 年的聊天侧边栏）的团队提供技能包和提示库。

人工智能强加于侧边栏的两个警示案例

每当一款原生人工智能产品赢得用户信任时，总会有一款企业级SaaS产品在2024年推出聊天侧边栏，却眼睁睁看着使用率停滞不前，如今只能纳闷为何无人点击那个闪亮的图标。

这两种模式在企业软件中随处可见，而且只需使用产品的前十秒即可发现。它们是典型的人工智能强加于侧边栏的模式，任何即将推出此类功能的团队都应该在发布演示文稿之前重新考虑。

无人问津的聊天侧边栏

第一个警示模式是将人工智能面板停靠在现有用户界面的右侧，它不仅对工作流程毫无贡献，反而与用户界面争夺屏幕空间。

这种模式似曾相识。CRM、项目管理工具、客服系统、分析仪表盘等，都在右侧添加了一个聊天面板，并用闪亮的图标承诺提供人工智能辅助功能。用户打开一次，问一个问题，得到一个无法理解上下文的通用答案，然后关闭它，之后再也不会打开。聊天面板之所以还在产品中，是因为团队在主题演讲中发布了它，而不是因为用户需要它。

解决方案并非改进聊天面板，而是彻底移除聊天面板，并围绕模型重建主要工作流程。用提示框替换表单，用生成功能替换报表生成器，用答案界面替换搜索栏。模型必须位于流程的核心位置，而不是紧挨着它。拒绝这种重新设计的团队将继续推出聊天侧边栏，并继续纳闷为什么他们的 AI 用户参与度只有 1%。

总结没人想总结的内容的闪光按钮

第二个需要警惕的模式是在每个文本框上都添加一个“魔法棒”，AI 会提供重写、总结或扩展任何输入的功能，而用户却继续输入。

问题在于：每个表单字段、每个文本输入框、每个评论框都配有一个闪闪发光的小按钮，提供 AI 辅助功能。团队之所以推出这个功能，是因为它简单易用。然而，用户却忽略了它，因为 AI 对上下文的了解不足，无法提供有效的帮助，而且点击按钮比自己输入句子更费力。这个按钮像藤壶一样在产品界面上不断堆积，团队追踪的指标（按钮可见度）上升了，而真正重要的指标（用户满意度）却停滞不前。

解决方案与聊天侧边栏的方案类似，但范围更小。选择两到三个 AI 真正能发挥作用的文本字段（例如长篇内容、结构化数据提取、大型文档摘要），并在这些字段中提供深度 AI 原生体验。移除其他所有字段中的闪闪发光按钮。现在，产品在关键界面上实现了 AI 原生体验，并且消除了干扰因素。

AI原生产品发布前检查清单

对任何声称是AI原生产品的产品运行此清单，即可在它们到达真实用户之前发现其附加功能。

1. 删除测试。在脑海中移除产品中的所有模型调用。剩下的是什么？如果产品功能完整且可用，则该产品是AI附加的。如果只剩下一个空壳，则该产品是AI原生产品。

2. 冷启动测试。冷启动产品。用户首先看到的是什么界面？如果是提示框、答案界面或模型驱动的主视图，则界面原则成立。如果是带有角落聊天图标的原始用户界面，则界面原则不成立。

3. 表单到提示审核。列出产品中的每个表单字段。对于每个字段，询问提示是否能更好地完成此操作。替换那些未通过测试的字段。

4. 代理姿态。统计用户表达意图与模型执行操作之间出现的确认模态框数量。如果超过一个，则代理原则过于谨慎。应鼓励更多操作采用“先执行后撤销”的机制。

5. 透明度盘点。对于模型的每个输出，都要问自己：用户能否看到模型的上下文、执行的操作以及答案的来源？如果这三者中缺少任何一项，则透明度界面不完整。

6. 信息呈现。查看主界面。模型名称、温度或系统提示是否可见？如果可见且受众非技术人员，则将其隐藏。如果可见且受众是技术人员，则保留。

7. 延迟节奏。测量从用户表达意图到模型首次响应的时间。如果超过两秒且没有任何反馈，则延迟感知被破坏。添加流式传输、骨架状态或部分结果，直到感觉节奏流畅为止。

8. 闪光按钮审核。统计产品界面上的闪光图标数量。如果超过三个，其中大部分都是噪音。在两三个真正重要的界面上提供深度原生AI体验，其余的则移除。

9. 新手引导测试。观察首次用户完成主要任务的过程。是模型主导了整个体验，还是用户使用原始UI完成了任务？如果是后者，无论市场宣传如何，AI都是生硬地附加上去的。

10. 信任失败恢复。强制模型给出错误答案。产品会如何处理？如果没有干净的恢复界面，信任循环就不完整，产品会因为最初的错误而流失用户。

通过这十项检查的产品才是真正的原生AI产品。它不会完美无缺，但架构​​是正确的，大多数其他问题都可以从这里着手解决。如果产品未能通过大部分检查，无论AI功能在发布会上看起来多么突出，它都是生硬地附加了AI。

常见问题解答

什么是原生AI产品设计？

AI原生产品设计意味着模型是主要界面，其余用户界面都是为了确保模型的可用性、可靠性和速度而存在的。最简洁的测试方法是删除测试：如果从产品中移除所有模型调用，并且产品功能仍然完整，则该产品是AI附加的。如果只剩下一个空壳，则该产品是AI原生产品。Linear、Cursor、Granola、Perplexity和Arc Search的核心界面均通过了这项测试。大多数在2024年推出带有聊天侧边栏的企业级SaaS产品都未能通过这项测试。

AI原生产品与AI附加产品有何区别？

AI原生产品围绕模型重建了主要工作流程。AI附加产品则保持现有工作流程不变，并在侧边栏添加一个AI面板。区别体现在用户冷启动时的界面、输入方式（提示或表单）、产品是主动执行还是主动询问，以及模型是否可以在不影响主要功能的情况下被忽略。AI 附加产品可以被忽略，而 AI 原生产品则不能。

AI 优先产品设计的原则是什么？

六项原则将 AI 原生产品与 AI 附加产品区分开来。模型作为核心界面，而非侧边栏。提示作为输入，而非表单作为输入。默认赋予用户自主权，而非默认授予用户权限。透明界面使模型可追溯。默认隐藏模型细节，仅在用户有意操作时显示。延迟作为首要设计约束，采用流式传输、骨架状态和部分结果等方式。所有值得研究的 AI 原生产品都包含这六项原则的某种组合。

AI 原生产品的最佳示例是什么？

Cursor 是迄今为止面向开发者工具发布的 AI 原生产品设计中最简洁的示例。 Perplexity 是面向消费者搜索的最简洁示例。Linear 是将原生 AI 体验嵌入现有生产力界面的最简洁示例。Granola 是环境式原生 AI 产品的最简洁示例，其中模型在后台运行。Arc 搜索是原生 AI 浏览器交互的最简洁示例。每个案例都围绕模型重建了其主要工作流程，而不是将 AI 生硬地附加到现有 UI 上。

如何为原生 AI 产品设计 AI 用户体验？

首先在每个屏幕上进行删除测试。用提示替换表单，模型可以比用户更好地构建表单结构。将默认代理策略设置为“先操作后撤销”，而不是“先询问后操作”，并将撤销界面与操作一起发布。为每个模型输出添加透明界面。在面向消费者的界面中隐藏模型详细信息。设计每一次交互时，都要考虑真实的模型延迟，而不是模拟延迟；如果第一个令牌到达时间超过一个节拍，则应使用流式传输或骨架状态。同样的理念也适用于更广泛的2026年网页设计趋势转变，即采用适应模型而非包裹模型的布局。

AI原生产品真正开启的变革

AI原生产品并非在角落贴上聊天窗口的SaaS应用，而是一种全新的产品形态，其中模型是主要媒介，而用户界面则是外层。

那些推出AI原生产品的品牌（Linear在其新版界面中，Cursor无处不在，Granola在其增强层中，Perplexity端到端，Arc将搜索作为完整的交互模型）都已充分理解这一点。他们并非在产品中添加AI，而是围绕AI构建产品。架构决策先于所有设计选择，它体现在从输入模型到延迟节奏再到恢复界面的方方面面。那些试图将人工智能强加到现有界面上的产品，最终只会得到一个无人问津的聊天侧边栏和一个无人点击的闪光按钮，无论其营销网站如何强调自身是“人工智能优先”。

2026 年，设计团队的机遇在于认真对待他们发布的每个产品的删除测试。如果产品通过了测试，那么团队发布的只是一个功能，而非一个完整的产品。如果产品未能通过测试（以正确的方式，即失去模型后变成一个空壳），那么团队就有机会构建真正原生于人工智能的产品，而上述原则正是实现这一目标的框架。同样的框架也支撑着更广泛的 视觉层级 理念，在 视觉层级 理念中，模型如今占据了页面上最重要的视觉位置，而不是围绕着原始用户界面转。

更深层次的转变在于，用户对软件的认知模型正在发生变化。用户不再期望学习使用工具，而是期望表达意图后工具能够立即响应。基于旧思维模式（表单、仪表盘、多步骤向导）构建的产品，两年内就会显得缓慢、繁琐且过时。而基于新思维模式（提示、回答、操作、撤销）构建的产品，则会显得与时俱进。率先行动的团队将定义其所在领域“原生AI”的含义，而那些仅仅在现有界面上添加聊天侧边栏的团队，将在接下来的十年里不断解释为何他们的AI用户参与度指标如此之低。

如果您的团队正在开发AI功能、AI产品，或者正在努力确定最终要发布的是哪一种产品，那么本页的原则就是您的操作手册。如果您需要帮助将这些原则应用到您的特定产品中，请点击链接4。UXBrainy提供基于此框架的AI优先产品策略和完整的设计审核服务。AppBrainy则为那些致力于开发用户真正会使用的工具的团队提供原生AI产品UI设计。 ClaudeBrainy 发布了 Claude 技能 和一个提示库，供希望构建类似 Cursor 而非 2024 年聊天侧边栏的 AI 功能的团队使用。本页所示的框架是我们在每个项目、每个屏幕上运行的，在正式发布前都会进行测试。