退出演示
1 / 17

AI时代的人机交互模式

理论与实践

深度实践

2025年

从底层逻辑到实际应用

如何将AI时代的底层逻辑理论落地为实际的人机协作模式？

抽象-模式-具象三角关系

人类-AI-计算机三角互补

概率模型与计算模型的区别

感官与意识的核心价值

基于前面探讨的底层理论，我们可以设计出一种全新的人机协作模式，最大化发挥三方优势。

在AI时代，人类、AI和计算机应该各自扮演什么角色？它们的核心价值是什么？

人类的生态位

实践
+
意识
=
创新

实践能力

通过实践获取经验，总结出新的知识

自驱动意识

主动发起并参与实践活动，设定目标和方向

创新能力

实践与意识结合产生真正的创新力量

人类是终极的创新载体

计算机的生态位

精确
+
速度
=
效率

精确执行

按指令精确操作不出错，始终如一

高速处理

计算和数据处理速度远超人类

执行效率

精确与速度结合带来极高的效率

计算机是终极的效率载体

AI的生态位

模式
+
知识
=
映射

模式识别

从海量数据中识别复杂模式

知识整合

关联和组织各领域知识

映射能力

将抽象意图转化为具体指令

AI是人类与计算机之间的桥梁

三方协作关系

人类

终极的创新载体

实践 + 意识 = 创新

AI

抽象与具象的桥梁

模式 + 知识 = 映射

计算机

终极的效率载体

精确 + 速度 = 效率

"在未来的三方交互环境中，人类是终极的创新载体，计算机是终极的效率载体，而AI在这两者之间完成转化任务。"

基于这种三方定位，什么样的交互模式能最大化发挥各方优势？

传统交互模式的局限

传统编程模式：人→计算机

人类需要学习计算机语言，技术门槛高

创新受限于编程能力，而非想法本身

传统AI使用：人→AI

人类需要学习提示词技巧

交互效率受限于提示词质量

如何设计一种新的交互模式，让人类专注于创新，而非技术细节？

意图交互模式

意图交互是一种新型人机协作方式，让人类只需表达高层次意图，关注"做什么"而非"怎么做"。

人类层

提供自然语言意图，从具象实现中解脱

AI层

理解意图，转换为结构化的领域语言

计算机层

解析结构化语言并执行具体任务

这种模式让每个参与者都专注于自己最擅长的领域，充分发挥各自优势

在意图交互模式中，AI如何准确理解人类意图并转换为计算机可执行的指令？

中间表示语言的必要性

AI的认知限制

尽管AI比人类更擅长处理某些任务，但本质上它也是概率模型，在处理高度具象和复杂的事务时会遇到困难。

直接从自然语言到机器码的跨度太大，需要一个中间桥梁。

自然语言 人类意图
DSL 领域特定语言
机器码 计算机指令

领域特定语言(DSL)作为人类意图和计算机指令之间的"中间表示"，既保留意图语义，又接近计算机的结构化需求。

声明式vs命令式语言

什么样的语言形式最适合作为这种中间表示？

命令式语言（脚本语言）

关注"怎么做"

描述详细步骤和执行过程

// 例如：JavaScript, Python

获取数据();

过滤空值();

排序数据();

计算平均值();

VS

声明式语言（标记语言）

关注"是什么"

描述期望结果而非过程

<report>

<data source="sales" />

<filter days="30" />

<metric type="average" />

</report>

声明式语言的优势：

人类审计友好：更接近自然语言，易读易理解

AI转换效率高：贴近人类意图表达方式

技术实现优势：易于可视化，支持模块化

DPML项目：理论与实践的结合

一种专为AI提示词工程设计的声明式标记语言，作为人类意图和AI处理之间的标准化中间表示。

查看GitHub项目

填补市场空白

首个专为AI设计的DSL解决方案，开创AI交互标准化先河

显著提升效率

传统方式：2人5个月
DPML方式：1人1个月
效率提升：80%

AI驱动开发

99.9%的代码由AI完成，人类只需提供意图和审核

技术门槛突破

无需掌握TypeScript等技术，专注于领域知识而非编程技能

DPML项目本身就是意图交互模式的最佳实证

DPML实例：声明式AI代理配置

DPML代理配置示例

<agent>
    <llm api-type="openai">...</llm>
    <tools>...</tools>
    <memory>...</memory>
    ...
</agent>

声明式配置的优势

直观易读：XML标签结构清晰，即使非技术人员也能理解

关注结果：描述"要什么"而非"怎么做"

组件化：每个标签代表一个功能组件，易于扩展

易于验证：结构化格式便于自动化验证和处理

DPML 代码示例

<agent>
    <llm api-type="openai" api-key="" 
         api-url="https://api.deepseek.com/chat/v1" 
         model="deepsekk-v3">DeepSeek V3</llm>
    <mcp-servers>
        <mcp command="npx figma.js">Figma MCP</mcp>
    </mcp-servers>
    <tools>
        <tool id="browser-use">浏览器调用工具</tool>
    </tools>
    <memory name="bob">Bob的记忆</memory>
    <rag id="deepractice-company-rules">深度实践公司员工规范</rag>
    <prompt>
        ## 角色
        你是一个优秀的软件产品经理...
        ## 任务
        你需要收集客户需求，整理成需求文档。
        你需要通过需求文档开发软件使用用例。
    </prompt>
</agent>

这个简单的DPML示例展示了AI代理的所有关键组件，包括LLM模型、工具集、记忆系统、知识库和提示词。通过声明式方式，我们实现了人类意图到AI能力的自然映射。

DPML发展维度：多层次用户覆盖

个人用户

可视化平台服务

AI生成DPML代码

极简提示词创建Agent

通过简单描述需求，AI自动生成DPML，无需理解技术细节

高级用户

自主开发DPML

系统提示词定制

个性化Agent构建

掌握DPML语法，根据专业需求定制功能丰富的Agent

企业级用户

可视化工作流搭建

深度定制DPML

AI辅助工作流设计

企业级集成方案，构建复杂Agent网络，支持团队协作开发

DPML的多层次设计确保了从普通用户到企业级应用的全覆盖，充分体现了"意图交互"理念——每个用户都能以适合自己的方式表达意图。

结语与展望

我们从三方生态位分析出发，提出了意图交互模式，发现了中间表示语言的必要性，确认了声明式语言的优势，并通过DPML项目将理论付诸实践。

技术演进

  • 多模态DSL：整合文本、图像、声音等多种表达
  • 自适应DSL：根据领域和用户自动调整
  • 协同编辑工具：支持人类和AI共同设计

行业应用

  • 各行业专用DSL：医疗、法律、金融等
  • 标准化进程：行业协会推动DSL规范
  • 专业教育：新型人机协作技能培训

社会影响

  • 技能转型：从编程到意图表达
  • 创造力解放：人类专注于创意和创新
  • 知识民主化：降低技术门槛，扩大参与

谢谢

深度实践