我感觉我自己之前做的app，都太强调“场景”了，就是聚焦在一个固定的topic，限定用户只能做某一类或某一项事情。但发现其实AI时代的用户是“泛目的性”——很有可能上一秒还在了解major info，下一秒突然就不高兴了，想要做一些心理辅导。
这些如果用传统的行为数据或workflow，就会让人感觉很生硬，必须人为通过交互完成决策和路径。但这种体验就像之前的情绪感知课程，需要人先培养自己的元认知能力，在情绪爆发的时候以第三视角感知到自己的情绪状态，并找到对应的方法去处理，完全是“非人化”的状态。而AI 具备了足够的感知与生成能力，能够主动去“拼接”这种模糊。它不再只是被动地等待用户输入需求，而是通过“意图识别+情绪感知+记忆检索”调用reasoning，捕捉用户潜藏的认知模式，从而生成新的连接可能。
以最近在做的学生project execution为例，原本的设计是想在taskslist中，每个milestone下都有overview、中间是几个具体的task、最后是recap和reflection，这样的workflow是符合一般的教学流程。但团队小伙伴在交流过程中，会突然发现这种交互不够“AI”，step by step固然非常结构化，但感觉是面对一个不耐烦的“打工人”：好的，我就是为了完成给你推荐task这件事，你快告诉我需要的信息，我扔给你一堆东西，然后自己滚蛋赶紧去做。
今天使用youlearn.ai的过程中也有强烈的感受，包括之前google的learnyourway，都是在原来的教育范式内，帮助学生完成学习过程。但这种脚手架式的学习反而太限制了学生的自主探索兴趣，也类似于经济学中的“纯粹理性人”假设，把学生作为学习的机器，没有任何情感地去执行学习任务。这种AI的工具化，本质上都是在原有业务上，使用LLM替代一些算法的生态位，并没有做到真正发挥出AI的优势，营造更好的体验。
国庆前和一位同事交流AI旅行规划app，比如飞猪，我会把计划四天的行程、出发点和终点、出行交通、预算、住宿要求等context输入给AI，坐等AI提供我一个非常清晰的timeline，结果完全没有用到。原因是：
1.国庆期间堵车时间过长，到酒店停好车后根本不可能再拖着疲惫的身体下楼到停车位，虽然到推荐饭店只有10分钟车程，但还要找停车位，人生地不熟晚上交通复杂，想想还是点外卖；
2.看起来挺不错的，但是获知稍微清晰一些的信息后会情不自禁脑补更多细节，越来越多细节反而会带来更多思考负荷，不断验证这个timeline的问题，陷入负面循环；
3.如果timeline执行有问题，就会和最初的期望偏差，对接下来的行程充满未知和焦虑，反而降低了整个旅程的体验。
这些体验都可以总结出核心观点：
- [AI工具局限]：AI被简单工具化，仅替代传统算法、内容或workflow，未发挥AI的潜能，导致体验空洞化。
- [情感与认知负担]：用户在使用中产生负面情感（如不耐烦、焦虑），或认知负荷增加（如脑补细节），没有AI及时介入进行意图识别和处理，还是通过传统UX强迫用户完成操作。
- [现实应用脱节]：缺乏足够的context，AI输出与real-world脱节，反而造成用户困扰。
原本我们只能通过“场景”来限定意图，并只能将意图识别后的执行限定在有限的交互（如点击、滑动等）和固定的内容框架中，所以我们应该把交互的选择权交给用户，让Agent去配合用户完成意图识别和UX。
产品和设计师应该是负责给agent提供tools，并不断优化agent，通过后台迭代更精准去响应用户的需求，不断提升推荐资源的质量，让用户获得更全面而自然的体验。
此外，我们不再要求资源匹配的效率，因为快速定位到解决问题的方法然后离开是一种非常理想的状态，但学生去解决问题的过程中，有价值的node恰恰是哪些漫无目的的浏览-筛选-确认的过程，这个过程恰恰能带来很多的惊喜和收获。所以我们定义的效率，不是指「最快地达成一个预设目标」，而是 「高概率地帮你找到值得去做的事」。