Nielsen Norman Group

Usability 101：可用性入门

Usability 101 将可用性定义为人们使用界面成功完成任务的容易程度，并称其有 5 个重要组成部分。提升可用性要尽早并反复观察代表性用户执行真实任务；该文替代 Jakob Nielsen 2012 年的原版，原版保留作历史参考。

AI 访谈工具决策指南：Listen Labs、Synthetic Users 等方案怎么选

Listen Labs 的 AI 访谈工具决策指南将方案分为真实 AI 主持访谈与 LLM 合成用户，并推荐前者。网络覆盖 50M+ 参与者、45+ 国家，24 小时内交付；Synthetic Users 年费 $12,500 起。NN/g 对比 120 名模拟受访者与 604 名真人，发现模拟回答标签仅约十几种。

Listen Labs 解读 AI 生成人物画像的可靠性与构建方法

Listen Labs 梳理多项研究指出，基于真实访谈构建的 AI 人物画像可用于假设生成与方案探索，但不适合定价等高风险决策。Stanford 的 Park 等人用 1,052 名美国人的两小时访谈构建智能体，达到参与者自身重测一致性的 83%，仅按人口统计特征构建的为 74%；Ipsos 在 260 次产品测试验证中，人类加合成样本在 92% 的情况下与全人类样本得出同一预设决策。文章还归纳谄媚、刻板印象坍缩与言行差距三种失败模式，并给出从行为数据划分人群到用留出样本验证的五步构建流程。

为什么值得看：文章把 Stanford、NN/g、Ipsos 等来源的结论并列，并给出可复用的五步人物画像构建流程。

概念测试最佳 AI 数字孪生软件榜单：Listen Labs 居首，Ipsos InnoTest 等 8 款入选

Listen Labs 在概念测试最佳 AI 数字孪生软件盘点中排名第一，其 Listen Twins 由对每位真实受访者的 1:1 访谈构建，数秒内给出 100+ 条带推理与置信度的预测回答。Ipsos InnoTest 以游戏化选择任务生成 Trial Index，对标 20 万+ 创新，起价 $3,750/次，覆盖 61 个市场。Listen Labs 称 Twins 适用于筛查与假设生成，高风险发布仍应做完整真人研究。

NN/g 解读 UX 在 Anthropic 智能体软件工厂中的角色

NN/g 分析 Anthropic 在 2026 年 8 月发布的 AI 原生软件开发生命周期（SDLC）构想，指出它把 UX 简化为引导 AI 生成的后台上下文。文章将其与 Google（2026 年 5 月）和 OpenAI（2025 年 11 月）的类似发布做对比，认为三者细节不同但都把 UX 边缘化。作者提出 UX 还负责发现用户需求、强化团队对构建内容的共同判断，以及在上线前后评估产出，照搬该模型的组织可能失去 AI 上下文所依赖的用户洞察。

为什么值得看：文章对照 Anthropic、Google 与 OpenAI 的 AI 原生开发流程，指出三者都把 UX 压缩成引导 AI 生成的背景上下文。

为什么用 AI 生成用户画像与需求只是原地加速

作者在这篇评论中论证，产品团队让 LLM 先定义用户需求和生成画像，得到的多是基于平均值、难以追溯的结论，速度快不等于有进展。文中引用 Atlassian《State of Product 2026》称产品经理用 AI 每天省下近两小时，但 84% 仍担心产品难以成功；NN/g 用 AI 生成受访者重跑三项研究，答案过浅；2026 年 User Interviews 对 150 名研究者的调查中 81% 常用 AI，仅 8% 用它模拟受访者，88% 担心洞察质量。作者主张先用真实访谈与支持工单完成发现，再让 AI 综合笔记、排序失败场景并生成概念。

为什么值得看：借抢道与合成用户两个例子，作者说明先做真实用户研究再用 AI 加速，比让 LLM 先定义问题更省成本。

调查 521 名 UX 从业者：AI 让工作更快，但从业者态度复杂

调查 521 名 UX 从业者后发现，AI 几乎在每项任务上节省时间，但多数人对其态度平淡，强制推行、输出不可靠和期望过高消耗了这些收益。调查显示超过 99% 的受访者在工作中可使用生成式 AI 工具，其中 59% 只能使用获批的工具集，仅 12% 能自由选择任意工具。AI 带来的收益因角色、任务和工作场所不同而差异明显，智能体的使用情况也不均衡

为什么值得看：基于 521 名 UX 从业者的调查给出 AI 提效与态度分化的事实，可按角色与任务拆解收益差异。

UX 学科术语表：UX、UI、CX 与相邻领域定义

UX 学科术语表界定了 UX 设计、UI 设计、视觉设计、交互设计、服务设计、UX 研究与 DesignOps 等领域的工作范围，并指出这些术语常被混用。它还区分了 UX、CX 等词的多重含义，并引用 UX-careers 调查称受访者报告了 134 个与 UX 相关的独特职位名称。

让 AI 负责普通用户：NN/g 谈为什么用户研究应聚焦“糟糕的日子”

NN/g 发现合成用户研究只能捕捉常见回答，用户研究因此应聚焦用户的“糟糕日子”。AI 可以接手平均用户的常规反馈，而糟糕日子里的真实体验仍需研究者自己处理。

解析 AI 智能体的 3 类上下文

文章基于对 Claude 重度用户的近期研究，将 AI 智能体的上下文分为全局、局部和环境三类。参与者都建立了由文件、数据库和实时连接组成的上下文库，供 Claude 在提示词之外调用。文章认为，整理合适的上下文比写好提示词更重要

为什么值得看：NN/g 把 AI 智能体的上下文分成全局、任务与环境三类，并记录重度用户自建上下文库的做法，可供设计智能体工作流时参考。

（）：设计 AI 产品与功能学习指南

（）汇总了设计 AI 产品与功能的学习指南，围绕是否值得引入 AI 以及如何设计 AI 功能给出研究建议。指南强调，给网站加 AI 聊天机器人并不必然创造价值，需用审慎的方法先判断 AI 能否带来实际差异。它同时提醒既不要盲目乐观，也要在 AI 未产生价值时明确指出

用 AI 做 UX 工作：学习指南

发布《用 AI 做 UX 工作：学习指南》，汇总其文章和视频，帮助团队找到将 AI 融入 UX 工作流的具体方式。指南指出，AI 目前还不能完全接管 UX 工作，但可用于辅助既有流程；从业者应把 AI 当作增强能力的“手套”，而非替代判断

UX 的“看护时代”：为 AI 生成的设计善后

AI 让团队生成内容、原型和可运行功能的速度快过 UX 评估，UX 正进入“看护时代”。UX 的工作从空白页设计转向判断 AI 产出中哪些保留、哪些修改，并为已存在的原型和功能善后。应对方式是建立共享判断、加速评估，并引导 AI 生成的设计。

AI 无法在同理心地图中替代真实研究

AI 无法替代真实研究来制作同理心地图，只能帮助整理已经收集到的研究材料。同理心地图用 Says、Thinks、Does、Feels 四个象限呈现团队对某类用户的已知信息，通常在工作坊中由来自真实研究的便利贴协作搭建。原文指出，AI 工具虽能在几秒内生成整页便利贴，但便利贴由什么材料生成比生成速度更重要。

NN/g AI 术语表：从 token、上下文窗口到智能体、evals 与提示词注入

NN/g 整理了一份面向产品与设计工作的 AI 术语表，解释 token、上下文窗口、智能体、evals 和提示词注入等术语。词条按字母排列，可查表、用浏览器查找或顺序阅读，并链接到 NN/g 的深入文章。定义遵循 AI 产品与 UX 工作中的用法，厂商和研究者的用法可能不同。