在使用生成式AI时，通常会有几种固定的对话模式。本文把这种对话模式分成6种，并给到了相应的提示词和方法，供各位参考。
“在与生成式 AI 聊天机器人交互时，用户会根据自己的认知水平和信息需求进行六种类型的对话。对话机器人的交互状态也应该支持并适配用户多种需求类型的聊天风格。”
通过分析与 ChatGPT、Bing Chat 和 Bard 等生成式 AI 对话机器人的 425 次交互，发现AI对话可能涉及许多模糊的，未明确说明的Promot（提示词），以及少数尖锐提问。不同的对话类型满足不同的信息需求，也需要不同的 UI 设计来适配。其次，没有最佳的对话长度的说法短对话和长对话都可能对不同问答场景有所帮助，需要根据用户目标提供不同的信息长短。
AI对话交互有长有短，有些需要提示词反复提问，有些一轮提示词就行。
6种AI对话类型
1. Search queries 搜索查询类对话
2. Funneling conversations 漏斗式对话
3. Exploring conversations 探索式对话
4. Chiseling conversations 雕刻式对话
5. Expanding conversations 扩写类对话
6. Pinpointing conversations 精准定位类对话
接下来分别讨论这6种生成式AI对话类型的使用场景和设计Tips。
01 搜索-查询类对话（Search queries）
这类对话通常是一句prompt的的简单查询，后续不需要补充prompt，且用户的prompt格式通常没有框架或格式规范的问题。
搜索-查询类对话背后的逻辑与网页端搜索相同：用户是在试图找到一条特定的信息。这类对话最常发生于当用户试图了解AI机器人有哪些能力以及能为他们提供什么时，在这种情况下，用户很可能只是将他们的搜索的心智模型转移到 AI 机器。
对话类型举例：
“xxx音乐节什么时候在哪里举办？”
“奥利给是什么？“
“鲁迅和周树人是什么关系？”
当用户用Bing进行这类搜索-查询对话时，通常会点击推荐的链接并访问原始网站，和他们平时在使用搜索引擎时的交互习惯一致。
当用户进行某些短语 / 关键词的搜索时，由于AI无法获取用户的上下文信息，生成的内容可能并不是用户期望的，这时候用户有很大的几率会退出AI交互界面，选择直接用传统浏览器进行搜索，对AI对话机器人的信任度和满意度也会因此下降。
用户和AI对话的设计师都需要考虑什么是满足不同信息需求的最佳工具。有时，AI 聊天机器人可能无法像搜索引擎那样有效的输出内容。
给用户的建议：
由于AI 对话机器人需要更多上下文来了解您正在寻找什么样的特定信息，搜索引擎可能可以提供更好更高效的结果。因此以下类型的问题更推荐直接使用搜索引擎（也可以是AI搜索引擎，如Perplexity / ThinkAny等）：
寻找有关事件、日期、地点或人物的非常具体的事实问题的答案。
在获得某一特定选项之前，您需要检查很多选项来源的情况。
给设计师的建议：
考虑允许用户轻松切换到搜索引擎模式或访问搜索结果的交互，即，生成的内容带上来源，现在大部分联网的AI对话产品也都支持相关链接展示。
02 漏斗式对话（Funneling conversations）
在漏斗式对话中，用户从一个未指定、模糊的查询开始，然后通过指定其他约束条件，对后续问题缩小范围。通常，用户在发现AI的回复不满意之前不会主动提供更具体的条件，当然也可能是用户本身自己也没有考虑到的。
例如，下面这个尝试查找菜谱的用户提出的一系列查询：
用户：我正在寻找纪念日的周末可以做的开胃菜。我不想用猪肉，想要用一些相当容易制作的食材。
AI：大概30人左右吃的简单的开胃菜菜谱怎么样？
AI：除了串烧，可能还需要一些蘸酱？
漏斗式对话通常对话轮次较长，因为用户可能需要输入多轮Prompt来优化查询信息。
在漏斗式对话中，用户的信息需求通常是具体且明确的，只是在一开始表达不明确。换句话说，用户是可以识别出正确响应的，但无法在一开始就分辨出正确的响应。但是，机器人可以通过向用户提出帮助问题来保障查询的结果。
ChatGPT 通过询问一组与提供答案相关的细节来帮助用户集中他的漏斗对话。
给用户的建议：
明确的告诉 AI 想要了解的信息约束，帮助AI提高输出质量。例如，您可以添加诸如“Ask me questions“（向我提问） 之类的措辞，让AI帮助您阐明您可能需要的条件约束。
给设计师的建议：
为了减少漏斗对话中的废话输出，AI应该根据对话提出推荐问题，帮助缩小信息查询的范围。
03 探索式对话（Exploring conversations）
在探索对话中，用户通常从一个通用的、不明确指向的查询开始（AI通常缺乏上下文或输出格式规范），AI也需要在多轮对话中理解信息后获得查询方向的思路。
探索对话与漏斗对话的不同之处在于，在开始时，用户就不是为了某个具体的查询，用户本身也是缺乏必要的词汇和知识的（而不是因为他们没有花时间考虑其信息约束）。AI的回答可以帮助用户了解信息的结构，并为他们提供有关下一步要询问的新话术和想法。
探索性对话通常感觉像是与真正的老师交谈,用户在对话中深入了解某一主题,并在学习过程中提出问题，就像学生学习一样，用户可以根据从AI收到的信息来构建知识体系。
例如，用户问“人生的意义是什么？” AI可以谈论各种观点，包括哲学、宗教和荒诞主义等。然后，用户可以要求更多地了解荒诞主义。当AI提到某一主题的书籍时，用户也可以要求提供同一作者的其他作品。
在探索对话时，用户可以获得上一个问题的推荐问题，而这些推荐是建立在AI上一轮的回答里的。
给设计师的建议：
如果用户的prompt很泛，而AI的回复内容很复杂，包含一些行话和特定域的事实或概念，可以提供基于这些详细信息的建议后续提示有：
某一特定领域的单词的定义（例如，什么是 …？)
回复中包含的任何事实或概念的其他信息（例如，为什么..？、什么导致了 …？、怎么办…？）
04 雕刻式对话（Chiseling conversations）
在雕刻式对话中，用户询问同一主题的不同方面，从各种角度去充实，就像雕塑家从一块石头上凿出雕塑一样。雕刻式的对话为主题撒下了一张大网，以获得广度。它们感觉像是对特定主题的研究，但研究是人驱动的，而不是由AI的答案驱动的。
以下是在关于 ADHD 的同一次雕刻式对话中提出的一系列问题：
ADHD（多动症）患者有哪些生活技巧可以更有效地记住日常任务？
为什么一些著名的成功人士也患有多动症？
多动症被认为是残疾吗？
虽然这些问题都与多动症有关，但它们涵盖了多动症的各个方面，并没有深入探讨其中任何一个方面。感觉好像用户试图了解有关该主题的许多事实，而没有关注这些事实之间的逻辑关系。
探索和雕刻式对话都对应于不太明确的信息需求，都意味着深入了解一个主题。但是，在探索对话时，学习涉及深入了解主题，而在雕刻式对话中，学习是通过广度进行的。
给设计师的建议：
与探索式对话一样，雕刻式对话受益于推荐的后续查询。但是，对于雕刻式对话，推荐的后续提示应该更宽泛一点，询问同一主题或相关主题的多个方面（例如，怎么样……？
相比之下，探索式对话的推荐更深入，深入研究答案中特定概念或事实的细节。
05 精准定位类对话（Pinpointing conversations）
在精确定位类对话中，用户心中有一个明确的主题，并从一开始就发出一个非常具体的Prompt。Promot里通常包括上下文信息和格式规范。
Prompt示例：
“Summer Cocktail Party: My wife and I are hosting a small cocktail and dinner party welcoming my daughter’s future in-laws for a visit to California in late July. The party will be indoors and outdoors by the pool, and we will be grilling something no doubt for the meal. It will be hot in late July so drinks that are refreshing would be order. I am not a professional bartender, but I have been studying “mixology” for the past year and do have all of the bar tools. I know how to make all of the classic cocktails. I would like a summer-themed cocktail menu of four to five drinks with clever names. I will put them on a framed menu on the counter in my outdoor kitchen and bar areas where I will make the drinks.”
（懒得翻译了，反正就是很具体）
精确定位类对话需要用户对prompt有更多的理解，需要在对话前对语言进行组织，提供AI全面回复所需的所有信息，通常包含明确指定的 “工程” 提示。但是，也因此用户不再需要花时间进行查询优化，AI的反馈结果也是更短、更直截了当的。（也就是Prompt Enginner在干的事儿）
有时候漏斗式对话可以转换为精确对话，比如，AI向用户询问有关其查询的详细问题，希望他们在下一个Prompt中指定所有这些详细信息，如果用户一次就能提供足够的信息，那么AI的下一次回复就能更精准有效。
给设计师的建议：
给用户提供需要提供的详细信息，以及答案的格式（占位符，暗文引导等方式）。也可以直接给用户提供一个Prompt模版，供用户修改后直接发送。
06 扩展式对话（Expanding conversations）
扩展对话通常从一个很小的话题开始，然后逐渐扩展，通常是因为初始Prompt的回复结果不令人满意（例如，不是最新的），或者用户认为他们需要更多细节。
初始Prompt：“日本和香港间最便宜的机场是哪个？”
扩展Prompt：“往返日本和中国香港最便宜的航空公司是哪一家？”
再次扩展Prompt：“您能否提供来往香港和日本的廉价航空公司的完整名单？”
Bing里的对话扩展，通常是从推荐的后续查询中选择的：
Bing无法在第一次回复就回答“谁在独立竞选总统”，但是用户可以通过逐渐扩展Prompt，“谁是 2024 年总统选举的潜在候选人”？来获得想要的回复。
在使用 AI 扩展对话的上下文中，推荐的后续提示可以向用户展示如何扩展他们的问题以获得有意义的答案。
给设计师的建议：
当AI无法为用户的查询提供答案时，请提供推荐的后续prompt，帮助用户扩展初始Prompt中的某些条件信息后给予用户需要的结果。
07 几种对话类型的组合
有些AI对话会从一种对话类型开始，然后演变成另一种类型。例如，雕刻式对话也可能基于AI所输出的内容变成探索式对话。
结合雕刻式和探索式的对话：
对话时长不是成功的指标
研究发现：平均对话轮次在3.6次的对话，才可以达到95%置信度区间的回复；
对于 AI 对话，时间较长的对话并不一定代表从AI那里获取信息更费力。事实上，从研究中收集到的对话时长与其帮助度或可信度评级之间没有相关性。对于某些类型的对话（如漏斗和精确定位），长度表示初始提示的清晰程度。长时间的漏斗式聊天从需要更多细节的模糊Prompt开始。简短的精确聊天从详细的Prompt开始，这些Prompt已经列出了可接受答案的所有要求。
对于探索和雕刻式对话，长度是对话性质的一部分，可以满足用户不太明确的信息需求。探索对话需要在AI和人类之间来回沟通，人类从AI那里学习，后续对话建立在AI的回复之上。雕刻式对话也很长，因为对话目的是获得主题的广度，因此需要用户就给定主题的不同方面提出多个角度的问题。在这两种类型的对话中，目标是了解一个主题，而对话轮次是用于定义用户的需求。
用户很喜欢用Bard进行搜索查询式对话，搜索查询在 Bard 中很常见;这可能就是为什么与 Bard 的对话相比，与 ChatGPT （p <0.001） 或 Bing （p<0.001） 的对话短的原因。Bard 的用户可能被Google 作为搜索引擎的突出地位所吸引，所以倾向于使用 Bard 作为 Google 搜索的代理。
许多 Bard的对话都是搜索查询类对话。
按信息需求分类各种所需的AI对话类型：
定义明确的信息需求：漏斗式 / 精准定位 / 探索 / 搜索查询。
未明确定义的信息需求：探索对话：获得知识深度 / 雕刻式对话：获得知识的广度。
基于文本的生成式 AI 对话机器人设计Tips：
所有对话都没有理想的长度。如果用户有一个清晰、明确的信息需求，那么一个好的、详细的、精确的Prompt将很快得到他们需要的东西。
如果用户的目标很广泛且定义不明确，那么一次对话不够。用户可以使用AI的响应来学习 无论是广度还是深度。
特定信息需要：详细、精确的Prompt。
在用户Prompt的末尾添加话术，例如“如果您需要其他信息，请向我提问”，可以让AI帮助阐明用户所需信息的不同约束。
对于事实查询，可能（目前）最好使用搜索引擎而不是生成式AI对话机器人。
08 总结
搜索查询（即简短且不完整的句子Prompt）可能表明用户对 AI 缺乏经验。可以用漏斗对话的方式，向用户询问进一步的问题，以便AI可以提供令人满意的响应。或者，AI还可以为用户提供访问同一问题的搜索结果的选项。
当AI收到模糊、未指定关键词的Prompt（如漏斗对话）时，应该向用户提问，帮助他们缩小对话主题的范围。例如， Best Mother’s Day gifts（最佳母亲节礼物）之类的Prompt，AI可以询问有关礼物接收者的特定信息（例如，年龄、爱好、地理位置）。AI还可以提供示例精确定位提示，以帮助没有经验的用户学习使用 AI。
在需要冗长或复杂且细致的回答的广泛话题（例如探索或雕刻式对话）中，建议的后续提示应有助于用户学习。虽然可能很难确定用户从第一个提示开始有什么样的意图，但AI可以同时提供注重深度和广度的建议跟进提示。
在扩展式对话中，通常映射到AI无法一次提供有效回复的情况，建议的后续提示需要稍微宽泛的提供，使用户能够找到有用的内容，即使它们不完全符合他们的初始需求。
要是我理解的/翻译的有看不懂的地方，请移步原文：https://www.nngroup.com/articles/AI-conversation-types/
发表时间：2023.11.10
作者：小末，公众号：Moer Talk
本文由 @小末is小末 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务
