// 信任度分级设计器。基于《AI时代的用户体验》信任分级理论， 设计 AI 产品的信任度分级体系，让用户渐进式地建立对 AI 的信任。
[HINT] Download the complete skill directory including SKILL.md and all related files
| name | p8b-trust-tier-designer |
| description | 信任度分级设计器。基于《AI时代的用户体验》信任分级理论， 设计 AI 产品的信任度分级体系，让用户渐进式地建立对 AI 的信任。 |
设计一套信任度分级体系，让用户从"尝试"到"依赖"渐进式地建立对 AI 的信任。
产品场景 + 用户类型 + AI 能力边界。
示例输入：
产品: AI 写作助手
场景: 帮助用户写作业务邮件
用户: 职场人士，对 AI 写作质量有疑虑
AI能力: 能写出合格邮件，但可能缺乏个性
特征：用户第一次接触 AI，持怀疑态度
产品设计：
尝试级:
ai_autonomy: "低 - AI 只提供建议，不自动执行"
user_control: "高 - 用户完全控制"
transparency: "高 - 详细解释 AI 的建议逻辑"
rollback: "简单 - 一键撤销"
verification: "用户可以轻松验证 AI 建议的正确性"
特征：用户已经验证过 AI 的能力，开始建立信任
产品设计：
验证级:
ai_autonomy: "中 - AI 可以执行简单任务，复杂任务需要确认"
user_control: "中 - 用户可以设置规则和限制"
transparency: "中 - 关键决策提供解释"
rollback: "可用 - 可以回滚到上一版"
verification: "抽样验证，关键决策必须确认"
特征：用户已经充分信任 AI，愿意委托给 AI 处理
产品设计：
委托级:
ai_autonomy: "高 - AI 可以自主执行，只在异常时通知用户"
user_control: "低 - 用户设置策略，不干预执行"
transparency: "低 - 只在异常时提供解释"
rollback: "复杂 - 可以回滚到任意历史版本"
verification: "定期审查，异常通知"
特征：AI 和用户形成高度协作关系
产品设计：
协作级:
ai_autonomy: "适应 - 根据任务自动调整"
user_control: "智能 - AI 学习用户偏好，自动调整"
transparency: "适应 - 根据用户偏好调整透明度"
rollback: "智能 - 预测性回滚"
verification: "智能 - AI 主动提醒异常"
过渡条件:
尝试 → 验证:
- 用户完成了 X 次任务
- 用户对 AI 建议的接受率 > 80%
- 用户主动调整过 AI 的建议
验证 → 委托:
- 用户完成了 Y 次复杂任务
- 用户对 AI 自动执行的满意度 > 90%
- 用户开始设置高级规则
委托 → 协作:
- 用户与 AI 有长期互动历史
- AI 已经学习了用户的工作模式
- 用户表达了对 AI 的高度信任
过渡保护:
- 用户可以手动调整信任等级
- 升级时默认保留回滚选项
- 降级时保持历史设置
- 异常情况自动降级
trust_tier_design:
input:
product: "产品名称"
scenario: "使用场景"
user: "目标用户"
ai_capability: "AI 能力边界"
tiers:
trial:
name: "尝试级"
autonomy: "低"
control: "高"
transparency: "高"
rollback: "简单"
verification: "完全验证"
validation:
name: "验证级"
autonomy: "中"
control: "中"
transparency: "中"
rollback: "可用"
verification: "抽样验证"
delegation:
name: "委托级"
autonomy: "高"
control: "低"
transparency: "低"
rollback: "复杂"
verification: "定期审查"
collaboration:
name: "协作级"
autonomy: "适应"
control: "智能"
transparency: "适应"
rollback: "智能"
verification: "智能"
transitions:
trial_to_validation:
conditions: ["过渡条件"]
protections: ["保护机制"]
validation_to_delegation:
conditions: ["过渡条件"]
protections: ["保护机制"]
delegation_to_collaboration:
conditions: ["过渡条件"]
protections: ["保护机制"]
implementation:
default_tier: "默认等级"
user_override: "用户可手动调整"
auto_adjust: "是否自动调整"
rollback_always: "是否始终保留回滚"
设计：
定义：用户愿意"放手"让 AI 自主行动的成功率临界点。这个临界点由三个变量共同决定。
关键点：
来源：书稿 ch07「Trust Threshold 模型：信任决策的量化框架」
定义：在 Trust Threshold 以下，提升 AI 可靠性带来的信任增长剧烈；超过阈值后，继续投入资源提升可靠性是低效的。
关键点：
来源：书稿 ch07「信任的经济学：不是越可靠越好」
定义：每次赋予 AI 系统更多的自主权（agency），就意味着人类让渡出一部分控制权。自主权必须通过持续的信任积累逐步获得，而非一次性授予。
关键点：
来源：书稿 ch07 延伸阅读「CC/CD Framework」及案例库 Smashing Magazine「6大信任设计模式」
定义：将用户对 AI 的信任发展划分为四个阶段，每个阶段对应不同的 AI 自主程度、用户控制程度和透明度要求。
关键点：
来源：主 Skill SKILL.md「信任度分级」章节
定义：用户继续使用一个 AI 产品，可能是因为切换成本高（客观约束）、组织强制要求（被动接受）、暂时没有更好的替代品（阶段性容忍），而非真正的信任。
关键点：
来源：书稿 ch07「替代方案：信任的外部约束」
操作说明： 列出产品中所有 AI 参与的核心场景，评估每个场景当前用户的信任状态：用户对 AI 的接受度如何？是否存在过度依赖或拒绝使用的情况？用户在哪些环节频繁检查/修改 AI 输出？
输出物：
trust_assessment:
场景A:
current_trust_level: "低/中/高"
user_behavior: "描述用户当前行为模式"
pain_points: ["信任相关的痛点"]
操作说明： 对每个场景评估三个核心变量：风险等级（R，1-10分）、介入成本（I，操作步骤数+认知门槛）、替代方案（S，用户转向替代方案的代价，1-10分）。根据三变量组合判断该场景用户的信任阈值水平。
输出物：
trust_threshold:
场景A:
risk_level: "R=7，高风险"
intervention_cost: "I=3，低介入成本（一键重写）"
alternatives: "S=4，中等替代难度"
threshold: "偏高，需要优先提升可靠性"
操作说明： 根据 Trust Threshold 评估结果，为每个场景设计四阶段信任分级体系（尝试→验证→委托→协作）。明确每个阶段的 AI 自主程度、用户控制程度、透明度要求和回滚机制。
输出物：
tier_design:
trial:
ai_autonomy: "低"
user_control: "高"
transparency: "高"
rollback: "简单"
validation:
ai_autonomy: "中"
user_control: "中"
transparency: "中"
rollback: "可用"
delegation:
ai_autonomy: "高"
user_control: "低"
transparency: "低"
rollback: "复杂"
collaboration:
ai_autonomy: "适应"
user_control: "智能"
transparency: "适应"
rollback: "智能"
操作说明： 为每个阶段之间的过渡设计明确的触发条件：用户完成任务次数、AI 建议接受率、用户主动调整行为等量化指标。同时设计过渡保护机制：用户可手动调整等级、升级时保留回滚、降级时保持历史设置、异常自动降级。
输出物：
transitions:
trial_to_validation:
conditions: ["完成X次任务", "AI建议接受率>80%", "用户主动调整过AI建议"]
protections: ["用户可手动调整", "保留回滚选项"]
validation_to_delegation:
conditions: ["完成Y次复杂任务", "自动执行满意度>90%"]
protections: ["升级时默认保留回滚", "异常自动降级"]
操作说明： 为每个信任等级设计具体的 UX 细节：来源展示方式、不确定性提示、边界告知、置信度信号。参考 Smashing Magazine 的 6 大信任设计模式：Intent Preview（意图预览）、Autonomy Dial（自主性旋钮）、Explainable Rationale（可解释理由）、Confidence Signal（置信度信号）、Action Audit & Undo（行动审计与撤销）、Escalation Pathway（升级路径）。
输出物：
trust_ux_details:
来源展示: "每个AI建议标注数据来源和推理依据"
不确定性提示: "置信度颜色+文字双重编码"
边界告知: "明确告知AI的能力边界和不适用场景"
置信度信号: "高(绿色)/中(黄色)/低(红色) 三级信号"
撤销机制: "每个AI操作都可追溯、可撤销"
升级路径: "低置信度场景自动提供转人工入口"
操作说明： 设计信任分级体系的验证方法：用户测试验证信任感知是否匹配设计意图、A/B 测试验证过渡触发条件是否合理、持续监控信任相关指标（接受率、回退率、降级触发率）。
输出物：
validation_plan:
metrics: ["AI建议接受率", "用户回退操作率", "降级触发频率", "手动调整等级比例"]
test_methods: ["用户访谈", "A/B测试", "行为数据监控"]
iteration_cycle: "每月回顾信任指标，调整过渡条件"
场景描述： 一款 AI 写作助手帮助用户撰写业务邮件。用户对 AI 写作质量有疑虑——不知道 AI 写的邮件是否合适、是否遗漏关键信息。需要设计信任分级体系，让用户从"试试看"逐步建立信任。
用户输入：
产品: AI 写作助手
场景: 帮助用户写作业务邮件
用户: 职场人士，对 AI 写作质量有疑虑
AI能力: 能写出合格邮件，但可能缺乏个性
执行流程：
Trust Threshold 评估：
风险等级 R = 4（邮件写错的后果中等：可能影响商务关系）
介入成本 I = 2（一键编辑，几秒钟可修改）
替代方案 S = 3（用户可以自己写，但效率较低）
→ 信任阈值偏低，AI 不需要接近完美就能获得放手授权
四阶段分级设计：
尝试级：AI 提供多个写作建议，用户选择并修改
验证级：AI 自动生成草稿，用户确认后发送
委托级：AI 自动处理常规邮件，只在异常时通知
协作级：AI 学习用户写作风格，自动调整语气和用词
过渡条件：
尝试→验证：用户完成 10 次邮件 + 接受率 > 70%
验证→委托：用户完成 50 次邮件 + 满意度 > 85%
委托→协作：AI 学习了用户 200+ 封邮件的风格特征
输出结果：
trust_tier_design:
product: "AI 写作助手"
scenario: "业务邮件撰写"
trust_threshold:
risk_level: 4
intervention_cost: 2
alternatives: 3
threshold: "偏低"
tiers:
trial:
description: "AI 提供 3 个候选建议，用户选择并修改"
ai_autonomy: "低 - 只建议不执行"
user_control: "高 - 用户完全控制"
transparency: "高 - 解释每个建议的写作逻辑"
rollback: "一键撤销"
validation:
description: "AI 自动生成完整草稿，用户确认后发送"
ai_autonomy: "中 - 可生成完整草稿"
user_control: "中 - 用户确认后执行"
transparency: "中 - 标注不确定的措辞"
rollback: "编辑后重新生成"
delegation:
description: "AI 自动处理常规邮件，异常时通知"
ai_autonomy: "高 - 自主处理常规邮件"
user_control: "低 - 只处理异常"
transparency: "低 - 异常时才解释"
rollback: "已发送邮件可追回"
collaboration:
description: "AI 学习用户风格，自动调整语气用词"
ai_autonomy: "适应 - 根据邮件类型自动调整"
user_control: "智能 - AI 学习用户偏好"
transparency: "适应 - 根据用户偏好调整"
rollback: "智能 - 预测性回滚"
trust_ux:
来源展示: "标注参考了用户历史邮件中的哪些风格特征"
置信度信号: "高置信(绿色边框) / 中置信(黄色+请确认) / 低置信(红色+建议修改)"
撤销机制: "每个版本可一键回退到上一版"
升级路径: "复杂邮件自动建议用户人工审核"
场景描述： 企业内部知识库的 AI 搜索与问答系统。员工用它查制度、找流程、查技术文档。AI 回答有时引用了过时文档，有时对不确定的问题也给出肯定回答，导致用户信任度下降。
用户输入：
产品: 企业知识库 AI 搜索
场景: 员工查询制度、流程、技术文档
用户: 全体员工
AI能力: 能检索并综合文档，但有时引用过时文档
已知问题: AI 对不确定的问题也给出肯定回答，员工开始不信它
执行流程：
Trust Threshold 评估：
风险等级 R = 6（依据错误制度执行可能导致合规问题）
介入成本 I = 5（需要手动查找原始文档验证）
替代方案 S = 4（可以问同事或查纸质手册，但效率低）
→ 信任阈值偏中高，需要显著提升透明度和可验证性
信任分级设计：
🟢 L1 - 高信任（置信度 ≥ 90%）：
引用 3+ 篇一致文档 + 文档更新于 90 天内
→ 绿色卡片 + "高置信回答" + 可直接采纳
🟡 L2 - 中信任（置信度 60-89%）：
引用 1-2 篇文档 或 文档较旧
→ 黄色卡片 + "建议验证" + 展示引用来源列表
🔴 L3 - 低信任（置信度 < 60%）：
文档之间存在矛盾 或 无直接匹配
→ 红色卡片 + "需要人工确认" + 展示相关片段
⚪ L4 - 无法回答：
知识库中无相关内容
→ 灰色提示 + "未找到相关知识" + 转人工入口
信任 UX 细节：
输出结果：
trust_tier_design:
product: "企业知识库 AI 搜索"
scenario: "员工查询制度和文档"
trust_threshold:
risk_level: 6
intervention_cost: 5
alternatives: 4
threshold: "偏中高"
tiers:
L1_high_trust:
condition: "置信度≥90%, 3+篇一致文档, 90天内更新"
display: "绿色卡片 + 高置信回答"
interaction: "可直接采纳，一键复制或分享"
example: "根据《2026年差旅报销制度》第4.2条..."
L2_medium_trust:
condition: "置信度60-89%, 引用1-2篇或文档较旧"
display: "黄色卡片 + 建议验证"
interaction: "展示引用来源列表，鼓励查看原文"
example: "根据《报销制度(2024版)》... ⚠️ 该文档已超6个月未更新"
L3_low_trust:
condition: "置信度<60%, 文档矛盾或无直接匹配"
display: "红色卡片 + 需要人工确认"
interaction: "不直接给结论，展示相关片段让用户判断"
example: "找到3篇相关文档但内容存在差异..."
L4_cannot_answer:
condition: "知识库中无相关内容"
display: "灰色提示 + 未找到相关知识"
interaction: "提供转人工入口 + 我要提问"
trust_ux:
来源展示: "每条回答标注文档名+更新日期+维护人"
时效性标记: "✅最新 / ⚠️3个月前 / 🔴超6个月"
一致性标记: "✅多篇一致 / ⚠️存在差异"
不确定性: "置信度颜色+文字双重编码"
边界提示: "本系统覆盖行政HRIT制度类文档，法律问题建议咨询法务"
撤销/纠正: "查看原文高亮定位 / 标记错误 / 报告过时 / 转人工"
escalation_path:
- "低信任回答自动提供转人工入口"
- "高频错误问答 → 知识管理团队待办"
- "过时文档 → 自动触发更新提醒"
场景描述： 设计一个 AI 客服协同工作台的信任分级体系。客服专员使用 AI 建议回复用户咨询，但 AI 建议有时不被采纳，有时被采纳后反而需要修改。需要让客服专员逐步建立对 AI 建议的信任。
用户输入：
产品: AI 客服 Copilot
场景: 客服专员使用 AI 建议回复用户咨询
用户: 客服专员
AI能力: 能生成合格回复，但高风险承诺场景表现不稳定
已知问题: AI 建议采纳率仅 40%，客服花大量时间审核修改
执行流程：
Trust Threshold 评估：
风险等级 R = 5（错误回复可能影响客户满意度和公司声誉）
介入成本 I = 3（行内编辑可快速修改）
替代方案 S = 2（客服可以自己写回复，但效率低）
→ 信任阈值中等，需要通过透明度和置信度信号提升信任
信任分级设计：
尝试级：AI 提供 3 个候选回复 + 每个回复的风险标记
验证级：AI 自动生成回复草稿，客服确认后发送 委托级：高置信+低风险建议自动发送，其他仍需确认 协作级：AI 学习客服的修改模式，自动调整建议风格
3. **置信度信号设计**：
高置信度（>90%）：绿色边框 + "推荐使用" 中置信度（70-90%）：黄色边框 + "请确认" 低置信度（<70%）：红色边框 + "建议人工处理"
**输出结果**：
```yaml
trust_tier_design:
product: "AI 客服 Copilot"
scenario: "客服专员回复用户咨询"
trust_threshold:
risk_level: 5
intervention_cost: 3
alternatives: 2
threshold: "中等"
tiers:
trial:
description: "AI 提供 3 个候选回复，客服选择并修改"
ai_suggestions: "3个备选 + 风险标记(绿/黄/红)"
transparency: "每个回复标注引用来源（规则第X条、订单#123）"
rollback: "一键切换到其他候选"
validation:
description: "AI 自动生成草稿，客服确认后发送"
auto_actions: ["信息查询", "初步意图识别"]
human_confirm: ["回复生成", "解决方案推荐"]
transparency: "关键决策提供解释"
delegation:
description: "高置信+低风险建议自动发送"
auto_threshold: "置信度>90% + 风险等级=低"
exceptions: ["高风险承诺", "投诉处理", "退款操作"]
monitoring: "定期审查自动发送质量"
collaboration:
description: "AI 学习客服修改模式，自动调整建议"
learning: "追踪人工编辑与原建议的差异"
adaptation: "自动调整语气、用词、模板选择"
trust_ux:
置信度信号: "绿色(>90%推荐) / 黄色(70-90%请确认) / 红色(<70%人工处理)"
来源展示: "基于订单#12345生成 / 引用退换货规则第3.2条"
不确定性: "⚠️该情况较为少见，建议优先解释政策"
边界: "退款涉及金额>500元需主管确认"
纠偏入口: "快速编辑(行内) / 重新生成(一键) / 完全拒绝+反馈"
feedback_loop:
即时: "👍/👎 + 修改追踪 + 标签选择(准确/冗余/风格差/信息错误)"
定期: "每周生成最佳建议和待改进建议报告"
沉淀: "高采纳率建议→案例库 / 频繁修改场景→模型优化需求"
progressive_path:
阶段1: "所有建议人工审核（当前）"
阶段2: "高置信度+低风险建议自动发送（达成90%准确率后）"
阶段3: "仅异常/边界场景人工介入（长期目标）"
信任不是一个开关，而是一个渐进的过程。好的设计让用户自己决定什么时候信任 AI。