界面范式是人机交互领域的核心概念，决定了用户与系统交互的基本方式。WIMP 范式统治界面设计四十余年，其核心设计智慧在于通过视觉化手段降低用户的认知负担。进入智能时代，语音、手势等自然交互方式被智能系统广泛采用，带来新的交互可能性，也对既有范式提出挑战。本演讲提出面向智能系统的 RMCP 界面范式，结合多项学术论文、设计奖项及教学实践形成的案例，探讨智能交互设计中的核心问题。最后，讨论面向 AI 时代的交互设计所需的人才能力结构。

演讲提纲

1. 引言：界面范式的内涵与意义

• 界面范式的概念溯源
• 范式对交互设计的指导作用
• 技术变革与范式演进的关系

2. 经典 WIMP 范式的解构与启示

• WIMP 的构成要素与设计逻辑
• 核心机制：用“识别”替代“回忆”
• 对“执行鸿沟”与“评估鸿沟”的回应

3. 智能时代的界面范式

• 智能交互的主要特征
• 智能交互面临的典型问题
• RMCP 框架：角色、模态、命令、呈现

4. 智能时代界面范式的设计实践

• 实践一：“可学性”与“自然性”的权衡
• 实践二：“自动化”与“控制感”的边界
• 实践三：智能空间交互中的反馈设计

5. 面向未来的交互设计人才培养

• AI 时代对交互设计能力的新要求
• 智能交互设计专业的教学探索

您认为，这样的技术在实践过程中有哪些痛点？

• 自然交互的“可学性”困境：追求交互方式的自然性，往往需要在系统确定性与用户直觉性之间寻求平衡，这是自然交互设计中一个需要持续关注的典型问题
• AI 生成中的“控制感”与“自动化”冲突：如何在AI自主决策与用户控制权之间找到恰当的边界，尚无通用设计准则
• 理论框架与技术迭代的适配：随着技术快速演进，既有框架需要持续用新案例进行检验与补充，以保持其对设计实践的指导价值

演讲亮点

• 历史视角与理论纵深：从 WIMP 到 RMCP 的演变脉络，为理解AI交互问题提供系统的认知框架，区别于业界从模型能力、工程架构切入的讨论路径
• 理论研究与实践验证的结合：所提出的 RMCP 框架有学术论文支撑，同时在设计奖项及教学实践中得到应用，形成理论与实践的相互印证

听众收益

• 获得分析 AI 交互问题的系统性框架：可用于拆解自身产品的交互设计，快速定位问题维度
• 理解智能交互设计中的核心权衡点：包括自然性与确定性、自动化与控制感等关键矛盾
• 获得面向 AI 时代的人才能力结构洞察：为团队的人员配置与协作提供参考

Agent 时代，自然语言交互成为主流，自由的需求表达与直观的数据呈现成为 UI 设计的核心挑战。AI 产品深水区，三大矛盾愈发突出：当业务迭代速度超过 UI 产能，当用户需求变化快于设计节奏，当用户体验需要千人千面。传统的"预先设计→开发→上线"的瀑布流程已难以为继，基于 AI 的生成式 UI 正在重塑生产方式。

然而，生成式 UI 技术 在实际生产过程中仍然面临：

• 门槛高 — 技术链路复杂，设计师和产品难以上手
• 质量差 — 生成结果的质量和风格无法满足上线标准
• 效率低 — 算力需求大，生成速度慢
• 黑盒化 — UI质量难监督，优化过程不透明

我们的实践：构建半监督评测体系 + 自动化生产/投放平台，降低使用门槛的同时，通过可量化的质量监控实现链路持续优化，最终达成："让前端生产自动运转，让用户体验随需而变"。本次演讲我将结合实际应用场景，分享我们提升 UI 生成质量/速率的黑科技和 UI 质量评估的技术方案。

演讲提纲

1. 背景：新时代体验技术面临的变革

• LUI 界面演进 与 千人千面需求
• 引入生成式UI，介绍 AI 和 Agent 如何重新定义设计与研发
• 说明现阶段 AI to UI 痛点问题

2. 实践：如何生成高质量 UI

• 生成式链路设计：Data to UI、需求 to UI、设计稿还原 三个场景的生成式UI 实践
• 黑科技 Tools：讲解 N 个提升生成效果的工具，实践可实现风格化、高质量、高还原度的 UI 生成

3. 实践：如何实现高响应速度的 UI 生成效果

• 适配大模型输出的渲染方案实践：流式 UI 生成 & 渲染方案（Code、Markdown、DSL）
• 面向秒级响应的 ToC 场景：运行时 UI 生成方案

4. 实践：如何实现有效的监督与自动迭代

• 半监督 UI 评测体系 与 UI 管理平台实践
• 自动化迭代与优化

6. 总结与展望

• UI 生产线总结与补充说明
• 面向未来，打造面向新时代 LUI 界面的自动化 生产、质量把关、投放、反馈的“ AI Agent 团队 ”与产品

您认为，这样的技术在实践过程中有哪些痛点？

• 在业务深水区，如何实现高质量的风格化 UI 生成
• ToC 场景下，生成式 UI 如何克服 算力不足和响应时间的苛刻要求
• 如何标准化主观的 UI 评分，以实现有效的自动化/人工 UI 质量评价与生成质量监督

演讲亮点

• 高质量 UI 的生产方案：结合多种工具、模型、Agent 和 UI 评测体系的 UI 生成方案
• 真实业务场景下的链路改进思路和多个实践案例分享：结合真实线上案例，分享生成式 Agents 的演进过程与实践效果

听众收益

• 了解团队在针对新时代 LUI 产品，构建自动化 UI 生产/监督/投放平台的最新探索实践
• 掌握 UI 生成领域 提升 UI 生成质量的 N 个黑科技技术
• 了解 ToC 场景下 运行时 UI 生成方案的实践
• 了解 UI 评测体系与自动化迭代演进方案

随着大模型能力提升，用户开始以自然语言表达“想做什么”，UI 也逐步成为模型参与生成的结果。但在真实业务中，问题并不在“能否生成”，而在“如何长期稳定运行”，模型推理成本高、输出结构不稳定、直接生成代码难以治理，使生成式 UI 面临工程化与规模化挑战。

本次分享将围绕“生成能力如何进入工程体系”这一核心问题，结合 AI 搜索应用场景的实践，介绍基于协议的UI 表达方式、统一的解析与组件体系，以及代码直出的生成式UI自动化产线，分享实际踩坑经验与取舍思考，探讨生成式 UI 的可控性与工程回报率。

演讲提纲

1. 引言

• AI 应用形态的变化
• UI 从静态到“被生成”

2. AI 搜索应用中的 UI 工程实践

• 业务中遇到了什么问题？
• 面向模型的 UI 协议设计（Markdown 扩展 + JSON）
• 渲染与组件体系的工程落地

3. 生成式 UI 自动化产线的工程探索

• 为什么选择代码直出
• 代码直出的现实挑战
• 自动化产线的工程设计
• 规模化下的质量保障

4. 总结

您认为，这样的技术在实践过程中有哪些痛点？

• 协议与 DSL 是约束，也是门槛
• 生成能力 vs 稳定性：越自由，越难兜底

演讲亮点

• 从工程视角拆解生成式 UI 的工程成本与可控性问题
• 分享 AI 搜索应用下协议生成及代码直出两种路径的真实落地经验

听众收益

• 理解生成式 UI 在真实业务中的工程成本与边界
• 掌握如何设计“可被模型生成且可控”的 UI 表达与工程体系
• 获得生成式系统在规模化过程中真实踩坑经验与解决思路

生成式 UI 开启 AI 交互新模式，以更直观清晰可交互等方式，改写与大模型等对话过程。结合生成式 UI 的产品，介绍了生成式 UI 的原理以及在业务场景落地诉求下对能力的改造与扩展，讨论了生成式 UI 性能指标以及应用场景的局限性。对业界多个生成式 UI 产品协议进行对比，讨论了协议标准化的不同观点。

演讲提纲

1. 生成式 UI—— 开启 AI 交互新模式

• 改善文本对话体验，可视化直观清晰
  • 案例：对比长文本流 Markdown 展示 & 可视化文本图表效果
• 优化多轮信息交互， 贴合业务降低门槛
  • 案例：对比点一杯奶茶选项，手动回复 & 使用 UI 交互回复
• 千人千面实时渲染，告别“预制”轻松调整
  • 案例：对比生成调研报告，严谨风格 vs 活泼风格， 文案+配色等

2. 生成式 UI 原理与基于场景落地扩展

• 原理： 结构化输出 + 流式增量渲染 + 缓冲保护区
  • 始于结构化输出——采用 TinyEngine 低代码协议
  • 内存稳定为王，减少框架重渲染 —— 增量补丁实现流式渲染
  • 削减不完整信息引起的错误与不必要的渲染 —— 缓冲拦截规则
• 场景落地述求下的扩展
  • 更懂品牌与业务 —— 物料可定制扩展
  • 跳出对话框，融合业务 —— 交互上下文扩展
  • 延长线： 生成式 MiniApp —— 共享对话生成应用
• 性能指标考量与局限性
  • 性能指标与度量 —— 大模型的 TTFT/TPOT 指标 + Web 应用性能指标 => 生成式 UI 指标度量
  • 应用场景局限性 —— 长数据、复杂应用、重复生成的问题讨论

3. 协议对比与标准化争论

• 协议对比 （ A2UI、cosui）
  • UI 描述能力
  • 数据绑定形式
  • 事件通信模式
  • 协议实现层级与转换
  • 性能、安全等讨论
• 标准化争论（源自公司内部参与浏览器标准化相关工作组）
  • 争论点：生成式 UI 标准化是否只支持原生 HTML 元素
    • 正方观点：
      • 浏览器内核相关标准应该与框架无关
      • 组件应当限制在通用范围
      • 标准化应围绕现有标准组件
    • 反方观点：
      • 协议应保持开放可扩展
      • 业务侧有更多业务述求，需要灵活支持业务组件与上下文
      • 仅有原生 HTML 元素对于复杂业务场景，LLM 生成效果差（生成速度慢、稳定性差、可靠性差，品牌视觉约束也差）
  • 案例：业务高级搜索框，逻辑复杂，AI 难以一次生成正确的 UI

您认为，这样的技术在实践过程中有哪些痛点？

• 生成式 UI 依赖大模型输出，在数据过长的场景大模型输出很慢，需要更多方法去给大模型“减负”
• 在复杂逻辑场景大模型经常会犯一点小错误，需要允许多轮修正
• 重复生成的 UI 如何获得复用，也是一个值得考虑的事情

演讲亮点

• 介绍生成式 UI 实现原理，结合落地实践的反思优化
• 多种协议对比，包括协议的描述能力、扩展能力，安全考量等方面
• 局限性与延长线的探讨

听众收益

• 了解生成式 UI 及其应用场景以及当前的局限性
• 了解生成式 UI 的基本原理和实践落地需要考虑的问题
• 了解不同协议的大体区别，可以更好地选型