第 34 篇 Copilot 与嵌入式 AI把能力缝进工作流小系列〔产品形态进阶〕第 1 篇 · 定位能力进入既有工作流控制权在人、AI 是副驾衔接《第 11 篇交互设计》的控制粒度与《第 21 篇结构化输出与系统集成》的契约。一、嵌入式 AI 与独立 AI 应用的取舍给产品加 AI第一道分叉不是用什么模型而是把能力放在哪。答案只有两条路嵌进用户已经在用的工具里嵌入式 AI、Copilot 形态或者另起一个独立 AI 应用让用户专门来用独立 AI 应用、AI 工具站形态。这两条路的差别本质是用户注意力和数据放在哪里以及产品要为上下文搬运付出多少代价。嵌入式 AI 的底层假设是用户的主业不在 AI 上而在那个宿主工具里——写代码在 IDE、改文档在文档编辑器、看数据在 BI 面板。AI 只是主业里的一个子步骤最好就在那个步骤发生的位置出现做完即走。独立 AI 应用的假设相反这个 AI 任务本身就是用户今天专门要做的事值得开一个新窗口、建立新习惯。选错路的成本很高。把本该嵌入的能力做成独立应用用户每次都要把上下文从宿主复制到新工具、再把结果粘回去摩擦吞掉了大半价值把本该独立的任务硬塞进宿主又会受宿主 UI 和权限的层层约束能力被削成阉割版。下面的维度表用来在立项时快速定性。维度嵌入型Copilot独立型AI 应用适用判断上下文获取成本低宿主已有状态可直接读取高用户需手动搬运或授权拉取用户已在某工具里高频操作 → 嵌入用户习惯顺势不新建习惯需新建入口与心智任务是现有习惯的子步骤 → 嵌入可控性受宿主 UI 与权限约束完全可控可重做交互需定制交互范式 → 独立开发成本高要对接宿主集成与生命周期中等从零搭但无宿主耦合已有成熟宿主且集成成本可控 → 嵌入适用场景高频、流程固定、嵌入点清晰任务独立、需沉浸、无现成宿主见决策矩阵决策矩阵定性非打分当用户已经长期住在一个工具里、AI 只是该工具内的一步、嵌入点明确时嵌入型几乎总是更优当AI 任务本身就是目的、跨多个宿主、需要全新交互语言时独立型更合理。一个常见误判是我们有个 App所以什么都该嵌进去——嵌入的前提是宿主本身就是高频主场景而不是只要有个壳就往里塞。实际立项时这个取舍还受组织惯性干扰工程团队往往偏向独立应用因为不用和宿主团队扯接口、权限与发版节奏业务团队更想要嵌入因为用户就在那里。产品经理要当裁判用用户会不会为了这个功能专门开一个工具这一个反问来破局——答案若是否定嵌入的摩擦再大也得忍因为独立应用的获客成本会更高。反例同样常见把一个本该独立的创作工具硬塞进办公套件结果受套件 UI 栅格、权限模型与发版周期层层限制能力被削到只剩演示能看。二、嵌入位置设计入口放哪、如何触发嵌入位置决定了用户要在多大代价下才能用到能力。三类典型位置集成深度递增行内inline在光标处、选区旁直接出现如代码补全、文案续写。集成最深心流打断最小但只适合产出物直接落在当前位置的任务。侧边面板side panel常驻一侧承载多轮、需要上下文累积的任务如问答、改写建议。不打断当前编辑但占用界面空间。命令/快捷键command palette幂等、可复用的动作入口如总结这段话“转成表格”。对重度用户极快但对新用户隐形。触发方式同样关键它直接决定打扰感来自产品还是来自用户。触发方式典型场景优势风险主动建议proactive检测到可优化处自动浮出零操作发现价值噪声、打断、信任透支被动唤起reactive用户点按钮或选中后触发安全、可控、不打扰发现成本高、使用率低快捷键shortcut熟练用户的幂等动作极快、可预期新用户不可见融合度要与任务关键性匹配。关键链路如直接改用户文档应当做成原生 UI、可逆、有预览边缘链路可以用轻量浮层甚至 iframe降低开发成本。一个常被忽视的原则嵌入越深越要尊重宿主自身的交互惯例——按钮样式、快捷键冲突、撤销栈都要与宿主一致否则用户会感觉这不是一个东西。嵌入位置的另一个隐形变量是被发现成本。再强的能力如果用户不知道在哪触发等于没有。侧边面板常驻虽占空间却保证了可见性命令式虽快却依赖用户先知道有这个命令——所以两者常要配合用一次轻提示把用户引到命令之后用户自行养成快捷键习惯。还要注意宿主自身的组件模型嵌入点若违背宿主的扩展机制如插件沙箱、iframe 安全策略集成会处处掣肘立项前就要和宿主侧确认扩展点是否开放、能读到哪些事件否则嵌入深度会被技术约束卡死在浅层。三、上下文获取AI 怎么知道用户在做什么嵌入式 AI 相比独立应用的最大优势是能零成本拿到用户正在做什么。但这份上下文必须被精确设计否则要么拿不到、要么拿太多。三类上下文源上下文类型获取方式隐私风险产品建议宿主状态读取当前文档/页面/应用模式中可能含敏感内容只取任务必需字段声明用途选中内容用户高亮选区作为输入低用户主动授权默认以选区为首要输入页面语义解析当前实体如订单号、客户高涉及业务数据做实体级脱敏不整页上传权限与隐私边界是不可妥协的底线。原则只有几条但每一条都对应一次事故第一只取任务必需的上下文不整页、不常驻监听第二在宿主内明示本次会读取什么让用户有预期第三明确数据去处——是本地推理还是上传云端企业场景还要回答数据驻留与留存期第四给用户划掉不要带走的片段的能力尤其是主动建议默认带走的上下文第五绝不静默外传任何跨出宿主边界的读取都要可追溯。嵌入式 AI 的信任很大程度建立在它只读它该读的这一点上。一旦用户感觉它在偷看整块屏幕 adoption 会断崖下跌且很难挽回。上下文还有新鲜度与完整性的陷阱。宿主状态是动态的用户刚删了一段、AI 却基于删除前的快照给建议就会给出早已过时的内容。产品要定义上下文快照的采集时机——是触发时实时取还是订阅变更事件保持最新二者在复杂宿主里实现成本不同。另一类是部分上下文导致的误判AI 只看到选区却不知道选区所在的文档全局语境可能给出局部正确、全局冲突的建议。该暴露全局还是只给局部要在任务层面定清楚而不是默认全给——那又回到隐私问题。上下文的度本质是在效果与边界之间找平衡点。四、编辑与可控性就地编辑、可采纳可改可弃这是衔接《第 11 篇交互设计》控制粒度的关键落点。嵌入式 AI 的建议必须有三种明确状态采纳、修改后采纳、丢弃。任何直接替用户改好、不让人确认的设计都在透支控制权。就地编辑建议应落在原处、可继续改而不是弹出一个新窗口让你抄回去。可改用户能在采纳前改 AI 的产出而不是要么全收要么全弃。可弃一键丢弃且零残留丢弃不应留下半个格式或幽灵标记。可溯源标明哪一段是 AI 生成的方便用户审阅与后续追责。可逆所有采纳都能被宿主的撤销栈撤回AI 动作不应绕开宿主撤销。呼应控制粒度当任务风险低如润色一句文案可默认采纳并保留撤销当任务风险高如删一段、改一个数值必须先预览、后确认。控制粒度的设计不是体验细节而是用户敢不敢用的分界线——可控性不足能力再强也会被弃用。就地编辑还会撞上冲突问题用户和 AI 同时改同一段。理想是 AI 只产出待采纳的建议层不进入真实文本用户采纳后才合并若用户先手改了那段AI 的建议要能识别基准已变并提示而非硬覆盖。这要求宿主编辑器和 AI 建议层之间有差异比对能力。另一点是部分采纳——用户想留 AI 写的三句里的两句这种粒度在行内补全里最难做往往要降级成整段替换加用户再改。产品要诚实承认哪些粒度做不到而不是承诺一个体验上实现不了的部分采纳否则用户每次都发现说好的局部采纳其实是整段替换。五、不打断心流时机与节奏嵌入式 AI 的成败常常不在能力而在出现的时机。心流是稀缺资源打断一次恢复要数倍时间。时机的设计要可预期该出现用户主动触发时、做出选区时、停在某个自然停顿点如刚写完一段、刚打开一个空模板时。该消失用户已开始手动编辑、建议已过期上下文变了、任务已结束、或用户连续忽略多次时。该安静用户正在连续输入时不要弹建议用轻量提示而非模态框主动建议要有这次别烦我的降级开关。节奏上主动建议要克制。一条经验主动建议的出现频次和单次价值应该成反比——频次越高单次必须越准、越轻。把主动建议当成通知来发产品会很快被静音。被动唤起与快捷键承担高频动作主动建议只用于高置信、低打扰的少数场景。节奏设计还有一层是批量与单条。多条独立建议不要一条条弹应聚合成一个可逐项处理的面板让用户一次性审完既降打扰又提效率。主动建议的频次上限建议做成可配置的产品参数变量并按用户画像分新手多给引导型建议、老手少给只给高价值。还要设计善意消失——用户连续采纳高价值建议后可适当降低出现频率把主动权交还用户反之若用户频繁忽略应自动降级该类型建议而不是机械重复。心流保护的本质是把出现与否当成产品决策而非模型输出由产品节律而非模型随机性来决定。六、与宿主系统的数据契约这是衔接《第 21 篇结构化输出与系统集成》契约思想的地方。嵌入不是调一下模型而是要和宿主之间定义清楚三件事输入给什么、输出怎么回写、失败怎么兜底。契约环节要定义的内容失败兜底输入给 AI 哪些上下文、脱敏规则、字段 schema、版本号缺字段则降级或转人工不猜回写写回宿主哪个字段、什么格式、是否幂等、是否需要确认写入前二次业务校验超阈冻结失败区分拒答/解析失败/超时各自走哪条链路中性降级值不污染宿主数据复用结构化输出的几条纪律字段越少越好失败率随字段数连乘下降枚举优于自由文本但留 other 出口让 AI 出参数而非计算结果真正的落库计算交给宿主确定性代码长文本必限长。写入型嵌入还要加暂存—确认—提交三态尤其是会改用户真实数据的动作。契约的归宿很明确模型负责尽量给对产品负责给定对的结构和错的结构各自的去向——嵌入式场景里错的去向常常是别碰宿主数据。嵌入式契约还有版本演进问题宿主升级、模型换版契约字段会增减必须用 schema_version 协商且遵循新增字段可选、删除字段先标废弃再下线的兼容节奏否则一次宿主发版就可能让 AI 功能集体报错。另一个被忽视的点是回写冲突宿主自己也在改那个字段AI 回写时要用乐观锁或合并策略避免覆盖用户刚做的编辑。失败链路里嵌入式场景最该警惕的是降级值污染宿主——降级只能给中性占位如暂无法生成绝不能填一个看似合理的值进用户真实文档否则污染的是用户自己的资产信任损失比独立应用严重得多且用户很难意识到自己文档被悄悄改写。七、度量嵌入效果别只看用了没嵌入式 AI 最容易制造虚假繁荣功能被展示、被点击、被试用但用户的主业指标没变好。度量必须穿透到主业。指标定义陷阱采纳率建议展示后被采纳/修改采纳的比例高展示量稀释看相对采纳而非绝对节省时长采纳后相比手动操作的耗时差自报不准需用行为日志估算宿主核心指标对宿主主业指标的归因影响如编辑时长、错误率相关性≠因果需 holdout 对照留存/频次嵌入功能是否提升宿主使用频次可能被新功能 novelty 短期拉高避免功能用了但主业没变好的核心是做对照拿一组不曝光建议的用户做 holdout比较主业指标差才能证明嵌入真的创造了价值而非制造了热闹。vanity 指标曝光量、点击量只能用于诊断体验问题不能作为价值证明。采纳率要结合采纳后是否被回退一起看——被采纳又很快删掉的等于没采纳。度量还要区分先行与滞后。采纳率、节省时长是相对滞后的结果指标先行指标是建议的相关度“用户从展示到采纳的时延”“被采纳建议后续被编辑的比例”——这些能在价值真正形成前预警体验问题。仪表盘上要同时挂两类且把采纳后被回退单列因为它最尖锐地反映建议看着对、用着不对。最后嵌入效果的归因要有耐心主业指标的提升往往有滞后窗口用户要先养成使用习惯holdout 对照的实验周期要足够长用一周数据下结论容易误判为没用实则只是习惯未成。度量的目的不是证明功能存在而是证明主业真的变好。嵌入式 AI 设计检查清单嵌入式 AI 设计检查清单立项/评审逐项打勾 ───────────────────────────────────── [ ] 取舍用户是否长期住在该宿主、AI 是否只是子步骤是→嵌入否→考虑独立型 [ ] 位置嵌入点是否在任务发生处行内/侧栏/命令三者是否按任务关键性选对 [ ] 触发主动建议是否只在高置信低打扰场景被动/快捷键是否覆盖高频动作 [ ] 上下文只取任务必需字段是否声明用途并允许用户划掉敏感片段 [ ] 隐私数据本地还是云端企业场景是否回答驻留与留存是否可追溯 [ ] 可控建议是否三态(采纳/改/弃)是否就地编辑、可溯源、进宿主撤销栈 [ ] 心流是否在输入中不打扰是否有别烦我降级过期建议是否自动消失 [ ] 契约输入 schema/回写字段/失败链路是否定义写入是否三态提交 [ ] 容错降级是否为中性值(不污染宿主)拒答/解析失败/超时是否分流 [ ] 度量是否设 holdout 对照主业指标是否同时看采纳后被回退率 [ ] 融合UI/快捷键/撤销是否尊重宿主惯例是否让用户感觉是一个东西一页速查Copilot 与嵌入式 AI · 一页速查 ───────────────────────────── 取舍用户住宿主AI是子步骤→嵌入AI即目的跨宿主→独立 嵌入位置行内(产出落当前)/侧栏(多轮)/命令(幂等动作)深度随关键性升 触发三式主动建议(高置信低打扰)/被动唤起(安全)/快捷键(快但隐形) 上下文三源宿主状态|选中内容|页面语义只取必需、声明用途、可划掉 隐私底线不整页监听、明示读取、答数据去处、绝不静默外传 可控三态采纳/改/弃就地编辑、可溯源、进宿主撤销栈 心流输入中不打扰、过期即消失、有别烦我开关 数据契约输入schema|回写字段(幂等/确认)|失败分流(拒答/解析/超时) 写入防护暂存-确认-提交三态字段越少越好AI出参数不出计算结果 度量holdout 对照主业指标采纳率要结合采纳后被回退率看 纪律可控性不足能力再强也被弃降级中性值绝不污染宿主数据。常见坑把本该嵌入的能力做成独立应用用户反复搬运上下文摩擦吞掉大半价值。嵌入前提只是我们有个壳宿主并非高频主场景能力被硬塞成阉割版。主动建议发得太频太泛被当成通知静音高价值场景也一并淹没。上下文整页上传、常驻监听用户感觉被偷看信任断崖后难挽回。建议直接替用户改好不确认越过控制粒度高风险动作也无预览。丢弃建议后留下半个格式或幽灵标记用户不得不手动清理残留。AI 动作绕开宿主撤销栈用户无法一键撤回安全感丧失。回写宿主不做二次业务校验结构合法但业务非法的数据写进真实字段。降级值被当成真实数据落库错误伪装成正常并一路污染下游。只报曝光量点击量当成绩无 holdout 对照功能热闹主业没变好。结语嵌入式 AI 的底座不是模型能力而是在正确的位置、用正确的时机、把控制权留在用户手里——缝进工作流的前提是绝不替用户做主。本文为「AI 产品经理入门与进阶」系列第三季·小系列〔产品形态进阶〕第 1 篇总第 34 篇。数据来源本篇取舍矩阵、触发方式表、上下文获取表、数据契约表与检查清单均为可操作框架示例数值已标注示例数据非真实业务。具体数值采纳率基线、节省时长、holdout 样本量等随技术迭代与业务差异变化请以最新数据为准。