菜单
English articles本文暂无译文
积墨AI

积墨AI

AI Agent 情感化设计实战:从语气切换到价值观、承接策略与可量化验证

在即时零售场景中,用户带着明确的任务而来:点单、催单、售后。AI Agent 若只把话说得漂亮,却没回应「这都几点了还没到」背后的焦急与不满,用户并不会觉得产品有温度。早期版本提供了三种可手动切换的对话语气,但真实体验发现,仅靠语气调整远远不够。情感化设计需要回答一个更根本的问题:在语气之外,AI 到底应该怎样对待用户、怎样提供帮助。

有分寸的关心与情绪承接落地

带着这个缺口,我们横向调研了十余款不同类型的 AI 产品,覆盖通用对话助手、垂直行业应用以及硬件与车机形态,观察它们在哪些环节体现情感化、如何实现更接近真人的沟通。调研发现三条共性路径:其一,为应对大模型输出的不确定性,越来越多产品把「如何做选择、如何表达」沉淀为一套明确的服务价值观;其二,垂直类 AI 更倾向把用户的情绪问题引导到自身业务域,用产品功能提供解决途径,而非泛泛的心理安抚;其三,识别用户情绪后自动切换承接策略,比单纯换语气更有效。

垂直场景中用户的核心诉求是「帮我快速完成任务」,任务驱动性强,情绪往往伴随订单状态起伏。这并不意味着语气不重要,而是说明语气的体验必须建立在恰当的承接策略之上。结合调研结论与目标用户「高频、即时、目的明确」的行为特点,我们将情感化设计拆解为三层:价值观层决定 AI 如何对待用户,承接策略层决定如何回应用户情绪,语气风格层决定具体怎么表达。三层各司其职,共同构成有分寸感的服务体系。

AI 情感化的成败,不在语气里、不在话术里,而在价值观、承接策略与验证规则的每一个细节里

“行业观察”
积墨 AI 核心产品

积墨 AI 智能体开发平台

快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。

价值观层要回答一个具体问题:关心用户,该关心到哪一步?例如用户说「压力好大,要点三人份炸鸡再加一大瓶可乐」,直接推荐商品可能忽略了用户的处境,劝其少点又可能误判场景,也许是几个人一起吃。关心需要有依据,也要尊重用户选择。为此先梳理服务边界:关心围绕眼前的生活需求展开,不假装是朋友或心理顾问,不承诺做不到的事;再结合用户提问与投诉反馈,了解他们在点单、等餐、售后各环节真正在意什么。承接策略层则借鉴心理学中的情绪行动预测理论,按「分析情绪、理解需要、调整服务」展开:结合措辞、标点、上下文与订单状态,推断用户为何产生情绪、希望获得什么帮助。例如用户连续追问「说好的半小时呢」,推测他既想知道配送进度,也不满被敷衍,回复便从引导查看订单,调整为先致歉安抚、再说明已知情况与风险补偿。

语气风格层借鉴文体学的「风格标记」思路,从字符、词汇、句法、结构、语义与应用特征六类可量化维度入手,把语气细化为标点使用频率、用词偏好、句式选择、信息组织等具体规则,明确哪些表达习惯保持稳定、哪些随场景调整。同样推荐咖喱猪排饭,欢快风格用「开吃啦」这类口语短句带动气氛,沉稳风格则先给结论再用完整句子介绍搭配,业务信息保持一致而语气各有温度。验证环节同样工程化:先用 Prompt 快速试跑,价值观、承接与语气要求分开编写以便逐项调整;再围绕问题解决、情绪疏导、关系维护、信息补充四方面建立十二项检查标准,让不同版本在相同条件下回答同一组测试题;最终将回复生成、批量评分、版本比较串成自动化流程,由人复核结果并迭代指令,避免把「说得亲切」误当成「解决了问题」。

这次探索让设计工作从写回复、做示例,延伸到写规则、建测试流程,也需要更早与技术侧共同讨论实现方式。语言学与心理学提供了新的判断依据:回复有没有回应情绪、关心是否得体、是否提供了实际帮助。情感化不是堆砌话术,而是一套可定义、可执行、可验证的工程体系。

#Prompt工程#Skill封装#情感计算#用户体验设计#自动化评测
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信