当AI Agent学会制造信息缺口智能体的好奇心驱动设计系列一AI Agent × GAP模型 | 第1篇深度型从 Loewenstein 的经典理论出发拆解 AI Agent 如何系统性地制造用户的好奇心。本文你将获得 信息缺口的 Agent 视角解读框架理论×产品双重视角 4种 Agent 制造信息缺口的设计模式含 Cursor、Perplexity、ChatGPT 案例拆解 好奇心驱动的 Agent 设计模板可直接用于产品设计评审⚠️ 过度制造缺口的 3 个反面案例避坑指南 信息缺口检测清单12项逐条自检 从学术理论到产品落地的完整映射路径引言为什么有的 Agent 让人停不下来有的用一次就弃了你有没有这样的经历——打开某个 AI 助手问了一个问题它秒回了一大段文字。答案很完整逻辑很清晰引用也很规范。你看了两秒心想挺好的然后关掉了页面再也没有打开过。再对比另一个场景你打开 Perplexity问了一个技术问题。它不仅给了答案还在右侧列出了相关问题。你点了一个新的答案下面又出现了追问建议。你忍不住又点了一个然后又一个——等你回过神来已经在一个知识兔子洞里待了四十分钟。两个产品都是 AI Agent都具备强大的信息检索和生成能力。但一个让你用完即走一个让你停不下来。差异不在技术能力而在行为设计。核心论点只有一个最好的 Agent 产品不是功能最强大的而是最能精准制造信息缺口的。这个论点背后站着一位 Carnegie Mellon 大学的心理学家——George Loewenstein以及他在 1994 年提出的信息缺口理论Information Gap Theory。这个理论不仅解释了人类好奇心的本质更为我们设计 AI Agent 产品提供了一套精确的缺口制造工具箱。接下来我们从理论出发走向产品实战。一、信息缺口理论的 Agent 视角1.1 重新解读 Loewenstein好奇心不是求知而是觉察缺失Loewenstein 的信息缺口理论核心命题非常简洁好奇心不是对知识的渴望而是对自己所缺少的知识的觉察。这句话里有三个关键词值得拆解关键词含义Agent 产品的对应设计觉察用户必须意识到自己缺什么Agent 需要先展示部分信息让用户感知到还有更多缺少缺口必须存在于已知与想知道之间Agent 需要精准定位用户的知识边界知识缺口的内容必须是用户认为有价值的Agent 需要让缺口内容与用户目标高度相关Loewenstein 还提出了一个关键洞察当一个人注意到自己知识中的某个缺口时会产生一种类似瘙痒的心理不适感这种不适感会驱动他去寻找信息来消除缺口。这对 Agent 产品的启示是你的 Agent 不应该只是回答问题而应该先让用户意识到自己还有问题没问。1.2 传统产品的缺口 vs AI 产品的缺口信息缺口在传统产品和 AI Agent 产品中的运作方式有本质差异┌─────────────────────────────────────────────────────────────────┐ │ 信息缺口的两种范式 │ │ │ │ 传统产品 │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 静态缺口 │────▶│ 固定路径 │────▶│ 固定回报 │ │ │ │ (预设) │ │ (单向) │ │ (确定) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ AI Agent 产品 │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 动态缺口 │────▶│ 自适应路径│────▶│ 变动回报 │ │ │ │ (实时生成)│ │ (双向) │ │ (超预期) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ ▲ │ │ │ └──────────── 新缺口自动生成 ──────────────┘ │ └─────────────────────────────────────────────────────────────────┘用一张对比表格来说明差异维度传统产品AI Agent 产品缺口来源设计师预设上线前确定Agent 根据上下文实时生成缺口粒度粗粒度面向群体细粒度面向个体缺口动态性静态不随用户变化动态随对话/任务演进弥合路径用户主动探索Agent 引导 用户探索弥合后流程结束自动生成新缺口形成飞轮关键差异在于弥合后这个环节传统产品在用户满足信息需求后就结束了而优秀的 Agent 产品会在每一次满足后自动生成新的缺口形成持续使用的飞轮。1.3 U 型好奇心曲线在 Agent 产品中的映射Berlyne 在研究好奇心时发现了一个重要现象好奇心与信息量之间呈 U 型关系——信息太少不会引发好奇心你不知道自己不知道信息太多也不会你已经知道了。好奇心强度 ▲ │ ╱╲ │ ╱ ╲ ← 最优信息缺口区间 │╱ ╲ 我知道一些但还不够 │ ╲ │ ╲ │ ╲╱ └──────────────────▶ 信息量 低 高 ◀── 盲区 ──▶◀── 缺口区 ──▶◀── 熟悉区 ──▶ (无好奇心) (好奇心最强) (无好奇心)这个 U 型曲线对 Agent 产品的设计指导意义极为明确区域用户状态Agent 应该做什么典型设计手法盲区完全不知道先给钩子信息让用户意识到缺口存在Perplexity 的热门话题推荐缺口区知道一些但不完整提供部分答案 暗示更多信息Cursor 的这里还有优化空间提示熟悉区已经掌握引导到新的相关缺口ChatGPT 的你还可以问我关于…Agent 产品的核心设计任务就是把用户精确地维持在缺口区中。1.4 Kang 等人的实验人们愿意花钱消除信息缺口Min Jeong Kang 等人在实验中发现了一个令人惊讶的结论人们愿意付出真实代价金钱、时间、精力来消除信息缺口即使这些信息没有实际效用。这意味着用户为 Agent 产品付费不仅仅是在为功能买单更是在为消除信息缺口的不适感买单Agent 产品如果能精准制造信息缺口就能创造内在的付费动力信息缺口的价值不取决于信息的实用性而取决于缺口的尖锐程度映射到 Agent 产品设计中Kang 实验结论Agent 产品设计启示人们愿意为无用的信息付费Agent 的价值不在于信息本身而在于缺口的瘙痒感缺口越尖锐支付意愿越强Agent 应该在用户最关心的领域制造最精准的缺口消除缺口后会感到满足Agent 的每一次回答都应该带来解痒的满足感满足后很快会产生新缺口Agent 应该在回答后立即暗示新的缺口二、Agent 制造信息缺口的 4 种设计模式基于以上理论框架我总结出 AI Agent 制造信息缺口的 4 种核心设计模式。每一种都有明确的理论根基和产品案例支撑。2.1 渐进式揭示Progressive Disclosure核心原理不一次给完所有信息而是分步揭示让用户在每一步都感知到还有更多。这个模式直接对应 Loewenstein 理论中的觉察机制——只有当用户看到部分信息时才会意识到完整信息的存在从而产生缺口。Cursor 案例拆解Cursor 是目前最成功的 AI 编程 Agent 之一。它的代码生成采用流式输出Streaming方式——代码不是一次性出现的而是逐行、逐段地打出来。这个设计看似只是技术实现的选择实际上是一个精妙的信息缺口制造策略传统代码补全一次性输出 ┌─────────────────────────────────┐ │ function calculateTotal(items) {│ │ return items.reduce((sum, │ │ item) sum item.price, │ │ 0); │ │ } │ ← 用户看到完整代码缺口瞬间弥合 └─────────────────────────────────┘ 好奇心曲线高 → 低快速衰减 Cursor 流式输出 ┌─────────────────────────────────┐ │ function calculateTotal(items) {│ │ return items.reduce((sum, │ │ █ │ ← 用户在等待中持续猜测下一行 │ █ │ 缺口始终存在好奇心持续维持 │ █ │ └─────────────────────────────────┘ 好奇心曲线高 → 持续高位 → 满足流式输出制造了三个层次的信息缺口语法层缺口“下一行代码是什么”逻辑层缺口“它会用 reduce 还是 for 循环”质量层缺口“它写的代码质量如何比我的更好吗”这三个缺口在流式输出的过程中同时存在、逐层弥合形成了一个持续的好奇心驱动循环。设计要点设计维度关键原则具体做法揭示节奏不要太快也不要太慢控制每步揭示的信息量保持用户的猜测空间揭示顺序先给结论/框架再给细节先展示函数签名再展示实现体揭示间隔间隔中嵌入微悬念在关键逻辑处稍作停顿让用户产生预期揭示深度每一步都比上一步更深入从概览到细节从表面到底层2.2 不确定性反馈Uncertain Feedback核心原理通过展示不确定性触发用户对确定答案的渴望从而制造信息缺口。这个模式的理论根基是 Schultz 的奖赏预测误差理论Reward Prediction Error, RPE。Schultz 的研究表明当结果存在不确定性时大脑的奖赏系统会被激活——不确定性本身就成了缺口的来源。ChatGPT 案例拆解ChatGPT 最经典的不确定性反馈设计是它的正在生成…状态。当用户发送一个问题后ChatGPT 不会立刻给出答案而是先显示一个动态的正在输入或思考中状态用户发送问题 │ ▼ ┌──────────────────────────────┐ │ ● 正在思考... │ ← 不确定性窗口开启 │ 动态加载动画 │ 用户不知道答案是什么 │ │ 不知道要等多久 │ │ 不知道答案质量如何 └──────────────────────────────┘ 三个缺口同时存在 │ ▼ 答案开始逐字出现 │ ▼ ┌──────────────────────────────┐ │ 根据我的理解这个问题可以 │ ← 第一个缺口弥合要等多久 │ 从以下几个角度来分析 │ 但新缺口出现具体会说什么 │ │ │ 第一... │ └──────────────────────────────┘这个等待期看似是技术限制模型推理需要时间但实际上是一个极其有效的好奇心放大器。在等待期间用户的大脑会自动进行预测——猜测 Agent 会怎么回答。而当实际答案与预测不同时就会产生正预测误差触发多巴胺释放强化使用行为。设计要点设计维度关键原则具体做法不确定性来源让用户知道结果尚未确定展示推理过程、置信度、多种可能性等待期设计等待不是空白而是预热在等待中展示中间步骤、思考过程预测引导让用户主动产生预期在回答前先给出概要或框架误差放大让实际结果略超预期在核心答案之外附加额外价值2.3 能力边界暗示Capability Hints核心原理让用户意识到 Agent “还能做更多”从而对尚未探索的能力产生好奇。这个模式对应 U 型好奇心曲线中的从熟悉区向缺口区迁移——当用户对 Agent 的某项能力已经熟悉时需要暗示新的能力边界将用户重新拉回缺口区。Perplexity 案例拆解Perplexity 在这个设计模式上做得极为出色。每次回答问题后它会在页面中嵌入多个能力边界暗示┌──────────────────────────────────────────────────┐ │ Perplexity 回答页面 │ │ │ │ ┌────────────────────────────────────────────┐ │ │ │ [用户问题] 什么是 RAG │ │ │ │ │ │ │ │ RAGRetrieval-Augmented Generation是... │ │ │ │ [完整回答] │ │ │ └────────────────────────────────────────────┘ │ │ │ │ ┌─ 相关搜索 ─────────────────────────────────┐ │ │ │ · RAG vs Fine-tuning 对比 │ │ ← 暗示你还可以 │ │ · RAG 的向量数据库选型 │ │ 探索更多相关话题 │ │ · RAG 在企业中的落地案例 │ │ │ └────────────────────────────────────────────┘ │ │ │ │ ┌─ 追问建议 ─────────────────────────────────┐ │ │ │ RAG 的检索精度如何优化 │ │ ← 暗示我可以回答 │ │ RAG 和 Long Context 哪个更适合 │ │ 更深入的问题 │ └────────────────────────────────────────────┘ │ │ │ │ ┌─ Pro 功能提示 ─────────────────────────────┐ │ │ │ 升级 Pro 解锁学术搜索 文件上传 │ │ ← 暗示我还有更强 │ └────────────────────────────────────────────┘ │ 的能力你没看到 └──────────────────────────────────────────────────┘Perplexity 的三层暗示机制暗示层次触发条件制造的缺口类型设计目的相关搜索每次回答后自动出现知识广度缺口“还有哪些相关内容”延长单次使用时长追问建议基于回答内容智能生成知识深度缺口“这个话题还能深入吗”提升使用深度Pro 功能提示在特定场景下触发能力边界缺口“它还能做什么”驱动付费转化这三层暗示形成了一个漏斗式的缺口制造系统——从广度到深度从免费到付费层层递进。设计要点设计维度关键原则具体做法暗示时机在用户获得满足感后立即暗示回答完成后、任务结束后展示暗示相关性暗示内容必须与当前上下文高度相关基于用户当前任务/问题生成建议暗示层次分层暗示不要一次全部展示免费→付费基础→高级暗示频率不要过度暗示避免广告感控制暗示出现的频率和密度2.4 进度可视化Progress Visualization核心原理通过展示任务执行的进度让用户感知到差一点就完成的缺口驱动持续关注。这个模式的理论根基是蔡加尼克效应Zeigarnik Effect——人们对未完成任务的记忆强度远高于已完成任务。当用户看到一个任务正在进行中且接近完成时会产生强烈的完成驱动力。Agent 任务执行中的进度展示┌──────────────────────────────────────────────────┐ │ Agent 多步任务执行 │ │ │ │ Step 1 ████████████████████ 完成 ✓ │ │ Step 2 ████████████████████ 完成 ✓ │ │ Step 3 █████████████████░░░ 进行中... 78% │ ← 差一点就完成 │ Step 4 ░░░░░░░░░░░░░░░░░░░ 等待中 │ 用户无法离开 │ Step 5 ░░░░░░░░░░░░░░░░░░░ 等待中 │ │ │ │ 预计剩余时间2分30秒 │ └──────────────────────────────────────────────────┘进度可视化制造了两个层面的缺口缺口层面具体表现心理效应完成缺口“还差 22% 就完成了”蔡加尼克效应驱动用户等待完成结果缺口“最终结果会是什么”好奇心驱动用户持续关注过程缺口“Agent 在每一步做了什么”认知好奇心驱动用户查看细节设计要点设计维度关键原则具体做法进度粒度粒度适中太粗无感太细焦虑将任务拆分为 3-7 个有意义的步骤进度反馈每个步骤完成后给予即时反馈完成动画、状态变化、中间结果展示时间预估给出合理的剩余时间预估基于历史数据估算避免过度承诺过程透明让用户看到 Agent 在做什么展示中间推理过程、工具调用记录三、好奇心驱动的 Agent 设计框架将以上四种设计模式整合我们可以得到一个完整的好奇心驱动 Agent 设计框架┌─────────────────────────────────────────────────────────────────┐ │ 好奇心驱动的 Agent 设计框架 │ │ │ │ ┌─────────────┐ │ │ │ 用户进入 │ │ │ └──────┬──────┘ │ │ │ │ │ ┌────────────▼────────────┐ │ │ │ 缺口制造引擎 │ │ │ │ │ │ │ │ ┌─────┐ ┌─────┐ │ │ │ │ │渐进式│ │不确定│ │ │ │ │ │揭示 │ │反馈 │ │ │ │ │ └──┬──┘ └──┬──┘ │ │ │ │ │ │ │ │ │ │ ┌──┴──┐ ┌──┴──┐ │ │ │ │ │能力 │ │进度 │ │ │ │ │ │暗示 │ │可视化│ │ │ │ │ └─────┘ └─────┘ │ │ │ └────────────┬────────────┘ │ │ │ │ │ ┌────────────▼────────────┐ │ │ │ 用户行动弥合缺口 │ │ │ └────────────┬────────────┘ │ │ │ │ │ ┌────────────▼────────────┐ │ │ │ 回报交付满足好奇心 │ │ │ └────────────┬────────────┘ │ │ │ │ │ ┌────────────▼────────────┐ │ │ │ 新缺口生成闭环 │ │ │ └────────────┬────────────┘ │ │ │ │ │ ┌──────▼──────┐ │ │ │ 持续使用 │ │ │ └─────────────┘ │ └─────────────────────────────────────────────────────────────────┘3.1 四个设计原则原则说明反面做法缺口精准原则缺口必须与用户当前目标高度相关推荐与用户任务无关的热门话题缺口梯度原则缺口难度应从易到难逐步递进一上来就展示最复杂的能力缺口密度原则缺口数量要适中太多会焦虑太少会无聊每个页面塞满推荐或完全不推荐缺口诚实原则缺口背后必须有真实价值不能是标题党暗示有能力但实际无法交付3.2 设计模板可直接用于产品设计评审以下模板可以在 Agent 产品的设计评审中使用逐项检查产品的信息缺口设计是否到位检查维度评估问题评分1-5改进建议入口缺口用户首次使用时是否有明确的钩子激发好奇心渐进揭示信息是否分步展示每一步是否都制造了新的缺口不确定性是否在适当位置展示了不确定性激发用户的预测欲能力暗示用户完成任务后是否看到了 Agent 的更多能力进度反馈多步任务是否有清晰的进度展示闭环设计每次弥合缺口后是否自动生成了新的缺口缺口精准度制造的缺口是否与用户当前目标高度相关缺口梯度缺口难度是否从易到难逐步递进缺口密度缺口数量是否适中不过多也不过少缺口诚实度缺口背后是否有真实价值支撑四、避坑指南过度制造缺口的 3 个反面案例信息缺口是一把双刃剑。制造得当它是用户持续使用的驱动力制造过度它会成为用户流失的催化剂。以下是三个典型的反面案例。案例 1过度悬念导致用户流失现象某 AI 写作助手在生成文章时要求用户先填写一个冗长的创作需求问卷包含 12 个问题才能看到生成的第一段内容。问题分析正常路径 钩子 → 部分结果 → 缺口 → 弥合 → 新缺口 → ... 该产品的路径 钩子 → 问卷12题→ 问卷12题→ 问卷12题→ ??? ↑ 缺口太大用户在中途放弃根因在用户还没有获得任何回报之前就要求投入大量行动成本。信息缺口过大用户感知到的不是好奇而是负担。正确做法先给出一个快速预览哪怕只是几行让用户获得初步满足感后再逐步引导提供更多信息。案例 2信息过载反而消灭了缺口现象某 AI 研究助手在回答一个简单问题时一次性返回了 5000 字的详细报告包含 20 个章节、50 个数据点、15 张图表。问题分析U 型好奇心曲线的右侧坠落 好奇心 ▲ │ ╱╲ │ ╱ ╲ │ ╱ ╲ │ ╱ ╲ │╱ ╲ │ ╲ │ ╲╲ ← 信息过载用户直接从缺口区 │ ╲╲ 跳到熟悉区好奇心归零 └──────────────▶ 信息量根因一次性给出过多信息用户直接从缺口区跳到了熟悉区好奇心被撑死了。更糟糕的是信息过载会让用户产生认知疲劳降低后续使用意愿。正确做法采用渐进式揭示先给核心结论再按需展开细节。让用户自己决定要弥合哪些缺口。案例 3虚假缺口损害信任现象某 AI 助手在回答中频繁使用更重要的是…、你可能还想知道…等引导语但点击后发现内容与上下文无关或者是通用的模板化内容。问题分析虚假缺口的表现用户的感知后果“你可能还想知道…” → 内容不相关“它在浪费我的时间”信任度下降“更重要的是…” → 内容是广告“它在骗我点击”信任崩塌“Pro 用户专享…” → Pro 版并无额外价值“它在割韭菜”退款 差评根因缺口背后没有真实价值支撑违反了缺口诚实原则。用户在几次被骗后会对 Agent 的所有暗示产生免疫甚至产生逆反心理。正确做法每一个暗示的缺口背后都必须有真实、高价值的内容。宁可少暗示也不要暗示虚假缺口。五、信息缺口检测清单12项以下是完整的 12 项信息缺口检测清单可用于 Agent 产品的自查和评审编号检测项检测问题通过标准1入口钩子用户首次使用时3秒内是否能感知到信息缺口有明确的视觉/文案钩子2缺口相关性制造的缺口是否与用户当前任务/目标相关相关度评分 ≥ 4/53揭示节奏信息是否分步展示每步间隔是否合理至少分 2 步以上揭示4不确定性展示是否在适当位置展示了结果的不确定性有置信度/概率/多种可能性展示5等待期设计Agent 处理中是否有有意义的等待反馈等待期有中间步骤/进度展示6能力暗示任务完成后是否展示了 Agent 的更多能力有相关的后续建议/功能提示7进度可视化多步任务是否有清晰的进度展示有步骤拆分和进度百分比8闭环机制弥合一个缺口后是否自动生成了新缺口每次回答/任务后都有后续引导9缺口梯度缺口难度是否从易到难逐步递进新用户和老用户看到的缺口不同10缺口密度同时存在的缺口数量是否在 2-5 个之间不会让用户感到焦虑或无聊11缺口诚实度每个暗示的缺口背后是否有真实价值用户点击后不会感到被骗12退出缺口用户准备离开时是否有最后一道缺口挽留有稍后再看/“收藏”/关注更新等机制总结回到开头的问题为什么有的 Agent 让人停不下来有的用一次就弃了答案已经清晰了让人停不下来的 Agent是那些能够精准制造信息缺口、并在用户弥合缺口的过程中持续提供满足感的 Agent。具体来说四个设计模式——渐进式揭示、不确定性反馈、能力边界暗示、进度可视化——构成了 Agent 制造信息缺口的完整工具箱。而好奇心驱动的设计框架则提供了从理论到实践的落地路径。但请记住信息缺口是手段不是目的。制造缺口的最终目标是为用户创造真实价值。如果缺口背后没有价值支撑再精妙的设计也只是空中楼阁。最好的 Agent 产品是在制造缺口和交付价值之间找到了完美平衡的产品。系列连载中本文属于「AI Agent × GAP模型」系列第1篇/共6篇下一篇《GAP模型重构AI产品的缺口-行动-回报闭环设计实战》关注本博客第一时间收到更新推送关注后私信回复Agent获取配套资料Agent好奇心设计模板信息缺口检测清单12项参考文献Loewenstein, G. (1994). The Psychology of Curiosity: A Review and Reinterpretation.Psychological Bulletin, 116(1), 75-98.Berlyne, D. E. (1954). A Theory of Human Curiosity.British Journal of Psychology, 45(3), 180-191.Kang, M. J., et al. (2009). The Wandering Mind: Pupillometry of Spontaneous Thought While Reading.Psychological Science, 20(7), 830-836.Schultz, W., Dayan, P., Montague, P. R. (1997). A Neural Substrate of Prediction and Reward.Science, 275(5306), 1593-1599.Litman, J. A. (2005). Curiosity and the Pleasures of Learning: Wanting and Liking New Information.Cognition Emotion, 19(6), 793-814.Zeigarnik, B. (1927). Uber das Behalten von erledigten und unerledigten Handlungen.Psychologische Forschung, 9, 1-85.