在生成式AI助手设计指南上篇中（
点此回顾
），我们讨论了生成式AI助手的关键设计要素和设计原则。在本篇中，我们将会归纳AI助手的体验评估思路，另外会提供两个业务案例供大家探讨。
AI助手的体验评估没有统一方法，我们在这里提供一些思路供大家参考。
衡量成本与收益
用户花费时间和金钱去使用AI助手，目的是为了获得帮助。除金钱成本外，付出的成本主要是使用成本，获得的收益则是有用的答案。可以从这个思路入手去评估：
成本类
：易理解性（理解成本）、引导性（构思成本）、易用性（输入成本）、费力度（输入成本）容错性（纠错成本）、效率（时间成本）等。
收益类
：回答帮助度、满意度等。
借鉴已有体验评估模型
可以借鉴业内已有的体验评估模型，如Google的HEART模型、GSM模型、支付宝的PTECH模型等，它们的适用场景和侧重点有所不同。
从体验三维度入手
可以围绕产品表现、用户行为、用户感受这三个体验维度去评估：
产品表现类
：易用性、一致性、无障碍、答案生成速率、重生成比率、回答帮助度等
用户行为类
：使用频次、使用时长、留存率、赞踩比等
用户感受类
：净推荐值、满意度、愉悦度等
考虑重点体验指标
通常产品将满意度、净推荐值和费力度作为重点体验指标，三者分别代表设计价值、商业价值及产品价值。
常用评估方法
可以使用后台数据分析和问卷调查法，必要时还可以加上专家打分法。
不同产品的侧重不同，同一产品在不同阶段的侧重也会不同，我们可以根据产品侧重选择合适的指标和方法进行评估。
下面跟大家分享两个业务案例。
CRM AI助手
在易销CRM（以下简称CRM）内搭建的Copilot AI智能助手，主要用途是通过AI帮助销售提效，同时辅助销售新人完成工作培训和学习。
CRM AI助手以浮窗的形式展示，支持用户拖拽位置和改变大小，采用MA的对话形式，用户通过与AI对话完成业绩查询、产品知识学习和销售话术学习等功能。
推荐功能引导
由于是新的AI产品，因此我们需要让用户在初期就建立智能便捷的认知，因此需要重点引导用户了解AI助手的功能。因此需要增强推荐功能的曝光，帮助销售快捷提问。
推荐策略优化
我们联合产品完成了用户角色的分类，并根据角色差异梳理了不同的快捷指令优先级，做到了千人千面，通过提供智能的服务，增强用户对AI工具的依赖和信任。
推荐场景梳理
我们在流程设计上也在强化了功能推荐的曝光，分为提问前和提问后两个场景：
在提问前
：通过「欢迎卡片」承载功能引导。设计了猜你想问的功能，给不同角色的用户推荐高优先级的功能，点击后会在输入框内形成快捷指令。在二期时，我们还增加了“换一批”和指令中心入口，增强持续增加推荐功能的曝光。
在提问后
：通过「猜你想问」承载快捷指令。在交互方面，采用较短的操作路径，由于是系统编辑好的指令，因此点击之后不填充输入框，直接向AI助手提问。在UI方面，压缩组件面积和字号，形成层级差异，提升可读性。
指令中心搭建
在未来随着AI助手的迭代，功能会越来越多，因此我们搭建了指令中心来承载全部的推荐功能。采用了独立页面的指令中心，使用清晰的Tab分类和快捷帧等功能，对功能进行细致的分类。最重要的是，不影响销售浏览整体页面的核心区域。
由于存在许多表意难的指令，无法很好的通过扁平化图像传递，因此我们决定使用Emoji设计推荐功能的icon，完成情感和情绪的传递，同时也能降低设计成本。因此我们根据推荐功能的意义，梳理了Emoji的使用规范，同时也通过焦点小组的形式，征求销售同学们的意见，最终形成了一套Emoji的使用规范。
AI对话场景
在与AI对话中的场景，我们也在很多细节上为销售同学提效，同时也要保证其使用的舒适度和便捷性。我们以向AI提问为例，将流程拆分成前中后三部分：
提问前：输入框槽位使用
用户高效利用槽位编辑指令。快捷指令填充后，会展示槽位，用户根据自身需求选择要查找的内容。同时遵循槽位的使用规范，我们没有选择复杂的交互方式，仅支持「单选选择器」或「输入框」，足够满足场景，考虑到输入框大小，也规定了每条快捷指令不能超过3个槽位，让用户的操作不那么复杂。同时考虑到容错性支持误删后通过快捷键撤回删除。
在UI设计上我们在区分清楚槽位与字段的关系，如使用输入框并增宽间距，在编辑槽位时也将边框高亮，增强编辑时的差异化，提升用户的认知。
提问中：意图识别反馈
AI及时给予用户进度反馈，增加用户的信赖感。为了让用户了解当前的生成进度，我们设计了AI助手的阶段反馈，通过加载动效配合文字完成提示。同时会反馈会拆分成两个阶段：
提问后：对话气泡
在人与AI的交流过程中，对话内容常以对话框的形式呈现，其边界清晰，便于集成各类功能。这些功能主要聚焦于对用户所发出的指令以及人工智能的回复内容进行反馈和操作。
气泡反馈
：在富文本和卡片通知的设计中，强化标题和正文的对比度，提升行高，增加无序列表样式，提升通知可读性。
气泡操作
：用户Hover对话气泡可以调起工具栏操作。我们选择了这种把操作栏卡在对话气泡下方的形式，节省在不Hover场景下的气泡与气泡间的上下高度，提升AI助手的屏效。
接下来我们来看一个案例。这个案例是在B端模板配置中，应用生成式AI助手进行公式编辑，并且根据使用场景对AI助手的界面进行了灵活的改进。
AI编辑器案例
在一个为销售人员计算提成的系统里，有一个模块功能是建立提成核算模板。
假设我们最后需要得到这样一张核算表：
表头的姓名/城市/业绩/提成是
数据项
，表示这“是什么”。
数据项（表头）有了，数据从哪里来呢？
如果是小规模公司，可能直接统计填入就好了。但体量大的公司，这些数据可能来自多个系统。
这就需要了解两个概念：
取值方式
：从哪里/如何取值，相当于方法（渔）。
值
：是什么内容/数据，相当于结果（鱼）。
建立核算模板时，除了数据项，还需要定义取值方式。有了取值方式，通过计算或数据引入，就可以得到值，也就能得到一张完整的核算表。
这里的取值方式有多种定义方式，比如：
填入
：通过上传文件填入。
引入
：通过字段引入，字段是其他表的数据项，这样就可以把其他表的数据拿过来。
计算
：通过公式计算，公式中会用到本表或者其他表的数据项/数据字段。
图中的提成是通过公式计算的。调研发现，由于核算政策细节丰富、场景千差万别，实际业务中公式往往很复杂，需要花费大量时间，而且极易出错。下图是一个简单的公式示例：
评估分析，公式编辑场景下，AI可以帮我们在三个方向提效：
公式生成
：通过描述想要的效果，自动建立或补全所需的数据字段并生成公式。适用于一些逻辑规则比较复杂或者输入量较大的场景。
公式解释
：拆分解释给定公式的含义及功能逻辑。在多人协作时，可以帮助用户读懂其他用户填写的公式。
函数解释
：解释函数的含义和参数。可以帮助用户了解函数的用法，尤其适合一些非通用函数。
其中，公式生成是最大的应用场景。
公式编辑最突出的痛点，一是编辑过程复杂，需要输入很多内容。二是输入不规范（比如缺少一个逗号或者括号）导致错误。而这些恰好是AI擅长的。
但应用到核算模板中，还存在一个难点：
目前市面上的AI公式编辑器应用场景主要在Excel或Google Sheets这样的表格中，利用表格已有的数据项进公式计算，无法使用表格没有的数据项（即无法引用其他表的字段）。举个例子：
表格中的AI公式编辑器仅能利用已有数据项进公式计算，但核算模板中参与公式计算的数据并不一定都在当前的数据表中，它们可以利用其他表中的任何数据项作为可用的数据字段，只需要引入到当前表就可以。
这就涉及到公式的数据字段建立或补全的问题。
1.公式生成时，如果用到了模板中没有的数据字段，应该怎么表示？
2.往往引入的数据字段很多，相同类型字段（比如姓名/员工姓名/销售姓名、业绩/实际业绩/总业绩）很多，AI如何知道该用哪个？
第一个问题好解——在公式生成前，需要建立或补全数据字段，这样便于用户理解和下文描述，这也是区别于表格类AI公式编辑器的重要一点。
