一、AI 产品最大的问题，不是'不智能'，而是'不可信'
现在很多 AI 产品，第一次用很惊艳，第二次开始犹豫，第三次就弃用了。
原因往往不是模型能力不够，而是：
- 结果对，但不知道为什么对
- 结果错，却看不出哪里错
- 输出很自信，但用户心里没底
- 出问题了，不知道该不该信它
从工程角度看，这是一个非常明确的信号：
信任缺失，是体验层问题，而不是模型层问题。
而这个问题，80% 要由前端来解决。
二、什么是「可信的 AI 体验」？
先说一个反直觉的结论：
可信 ≠ 永远正确
可信 = 行为稳定 + 过程透明 + 风险可控
对用户来说，AI 不需要完美，但必须可理解、可预期、可纠错。
这正是前端擅长的领域。
三、第一层信任：让用户知道 AI 在'做什么'
很多 AI 页面，只有三种状态：
- 输入
- 等待
- 结果
这是不可信体验的典型特征。
更好的方式是：过程显性化
哪怕后端只是一次 API 调用，前端也可以拆解成：
- 正在理解你的问题
- 正在检索相关信息
- 正在生成回答
这并不是'伪造智能'，而是：
把不可见的计算过程，转译成可感知的交互语言。
用户一旦知道 AI 在'忙什么'，焦虑就会明显下降。
四、第二层信任：不要把 AI 当'黑盒按钮'
很多 AI 产品失败的原因之一是：
用户不知道「什么问题是 AI 擅长回答的」。
于是体验变成：
- 用户随便问
- AI 随机答
- 用户觉得'不靠谱'
前端应该主动做'能力边界提示'
比如：
- 示例问题
- 推荐任务
- 可点击指令模板
- 明确写清楚：'不适合处理哪些问题'
可信不是无所不能，而是边界清晰。
五、第三层信任：结果要'可解释'，哪怕只是部分
并不是所有 AI 都能给出严谨的推理链，但前端可以做到：
- 标注信息来源
- 显示参考数据
- 告知是否为推断结果
哪怕只是一句话：
'以下结果基于已有资料生成，可能存在不完整信息'
都会显著提升信任度。
用户不是不能接受不确定性，不能接受的是被蒙在鼓里。
六、第四层信任：错误是可以被修正的
一个非常关键的体验设计点：
AI 的输出，一定不能是'一次性结论'。
前端需要支持：
