意图不可完全前置规格化：开放式任务的规格为何无法在探索前完成

使用生成式 AI 处理设计、写作、研究或复杂软件开发时，经常会出现一种不对称：结果出现之前，用户无法准确描述想要什么，也无法穷举不想要什么；结果出现之后，却能指出哪些部分不对、哪些部分可取，甚至发现此前没有意识到的判断标准。

这不只是提示词遗漏了已经存在的要求。具体结果会暴露 AI 对要求的解释、方案的真实代价和局部冲突，也会参与塑造后续判断。同一种选择在不同局部可能得到相反评价；随着产出和技术认识不断积累，改变的还可能不只是局部规格，而是意图、问题定义和整个方案框架。

AI 使这种结构格外明显，却没有创造它。人与人的共同理解、计划和行动同样依赖后续互动与具体情境。要理解这种现象，需要讨论的不只是表达为何会遗漏信息，还包括判断如何在结果中形成、局部评价为何不能被直接推广，以及探索如何产生新的评价维度和概念工具，最终改变它最初试图解决的问题。

意图不可完全前置规格化

本文用“意图不可完全前置规格化”概括这种事前描述与事后评价之间的不对称。它不是某个学科已有统一定义的专门术语，而是对设计研究、需求工程、偏好构造、交互式机器学习与人机交互中一组相近问题的综合表述。

这里的“不可完全”，并不是说任务开始前什么都不能说明，也不是说需求永远无法变得清晰。正向描述、反向排除、示例和约束都可以在当前问题定义内缩小后续尝试的范围。问题在于，它们只能包含用户在当时能够刻画和表达的部分；具体结果尚未出现、技术认识尚未积累时，不能要求这些内容提前覆盖后续才会出现的局部判断、冲突和整体重新定义。

在人机协作中，可以先区分两个概念：

• 意图是人对任务及其结果的方向、边界、取舍和判断。其中一些内容可能已经稳定，另一些则只能在具体结果和实际过程中被识别、澄清或改变。
• 规格是这些内容在某一时刻形成的可操作表达，例如提示词、约束、示例、反例、测试和验收条件。

规格可以在当前认识所划定的范围内做到严密甚至形式完备，但这不保证当前规格已经覆盖所有会影响判断的因素。反过来，意图也不是一个始终稳定、已经完整存放在用户头脑中，只等待语言将它无损导出的对象。因此，每一版规格都应被理解为意图在当前认识下的阶段性表达，而不是意图本身的完整副本。

需求的形成也不是对一份已经完整存在的要求进行转录。它需要识别任务涉及的参与者、理解各自的目的，再把这些内容转化为可分析、沟通和实现的表达。这一过程的困难不只来自不同目的之间可能存在的冲突，也来自目标可能尚未显式形成，或者已经有所形成却仍然难以表达。

由此还需要区分两种不同的问题：当前结果是否符合当前规格，以及当前规格是否仍足以表达任务中值得追求的方向。测试和验收条件可以严格检查前者，却只能覆盖已经被写入规格的内容；一个结果可能完全满足现有断言，整个任务仍然建立在遗漏了关键条件或已经失效的问题模型上。结果符合规格，不能证明规格已经充分表达意图，规格本身也会成为后续评价的对象。

这种不完整并非来自一组彼此独立的固定缺口。例如，目标难以刻画会进一步限制表达；具体结果出现、局部关系变得可见后，新的判断才可能形成；需求和技术认识继续变化时，此前形成的判断又可能失效。这些作用在实际过程中彼此交织，而不是依次出现的几类问题。

正向规格同时受到目标刻画与语言表达的限制

直接描述想要的结果，可以称为正向规格。这种描述隐含了一个前提：用户首先能够在头脑中较准确地刻画目标，然后再用语言把它外化。实际使用 AI 时，这个前提并不总是成立。用户拥有的可能只是模糊的方向、零散的判断或若干参照，而不是一个可以完整转述的内部模型。

对最终形态的刻画不足，也会造成表达能力的匮乏。这与人们在缺少现成概念时借用已知事物进行类比有些相似：“像 A，但不要 A 的某些部分”，或者“介于 A 和 B 之间”。这并不意味着目标必然是一种全新事物；它只是说明，当用户无法准确刻画目标时，也就缺少能够直接指称它的表达。类比可以提供方向，却不会因此变成完整规格。

因此，继续澄清只能处理其中一部分困难。如果用户已经形成判断但尚未找到合适的表达，追问、复述或举例可能帮助将它外化；如果判断本身只有在比较具体方案、观察实际后果或积累技术认识后才会形成，提问不会产生这些条件。要求用户在此之前回答所有细节，只是把尚未发生的探索改写成一组必须凭猜测作答的问题。

反向规格更容易表达，但无法穷举

当正向规格难以继续时，人们会转而描述不想要的结果。反向规格不要求用户先构造出完整的正确答案，只需要指出某些已经可以识别的错误、方向或边界，因而通常比正向描述更容易说清楚。在当前问题定义仍然成立时，每一条有效的排除都可能缩小后续尝试的范围，加快接近最终形态。

但反向规格同样无法完整。可能出现的错误、组合和局部冲突，远多于用户事先能够想到的禁止项。许多“不想要”只有在具体结果中真正出现后才会被识别。反向规格因而是有用的逼近手段，却无法通过穷举排除项唯一确定想要的结果。

反向判断也不一定只是在固定的问题空间中排除候选。有时，被否定的是已有候选共同依赖的任务划分、方案前提或评价方式；继续增加禁止项，仍然只能在同一组前提内移动。这种否定不会继续缩小原有范围，反而会要求重新打开问题空间。反向规格因而既可能收窄当前的方案空间，也可能暴露这个方案空间本身定义得不合适。

具体结果使事后评价成为可能

AI 产生具体结果后，用户不再需要凭空构造一个完整答案，而可以围绕已经存在的对象作出判断。这种判断往往是局部的：某些部分不对，某些部分可以保留，还有一些部分需要通过新的版本继续比较。用户可以明确指出某个局部不对，却仍然无法描述替代它的正确结果。

具体结果还会暴露事前没有想到的方案选择、实际代价和局部冲突。某些选择在抽象描述中看似可行，只有真正进入整体结果后，它与周围部分的关系及所带来的代价才会变得可见。这些新出现的具体信息构成下一轮评价的背景，却不会自动形成一份完整规格。

具体结果还把 AI 在这一轮生成中实际采用的解释外化出来。目标的范围、不同要求的优先级和没有被明说的前提，在提示词中可能仍然含混，进入结果后却表现为可观察的具体选择。因此，生成结果不仅是一次求解尝试，也是对当前规格的一次具体解释；用户否定的有时不只是某个局部结果，也包括支撑它的解释和前提。

但具体结果并不是用于读取既有意图的中性探针。它提供的选项、结构和对比方式，会影响哪些差异首先变得显著，也可能使原本尚无明确次序的倾向在比较中形成具体取舍。单一方向可能收窄后续探索的范围；多个候选也可能因为共享同一组前提，而把其他方向排除在可见范围之外。因此，事后评价既可能识别和表达此前已有的判断，也可能在当前结果及其评价情境中形成或改变判断。即使用户此时能够作出明确选择，也不能据此假定一套完整而稳定的偏好早已存在。

这里的“事后”并不只是任务完成后的最终验收，而是发生在每一个中间结果之后。AI 产生一个版本，用户对其局部作出肯定或否定，然后再根据这些评价生成下一个版本。只要当前的问题定义和整体框架仍然成立，这样的循环就可能逐步逼近可接受的结果；但一次评价并不等于一条完整的事前规格。

局部评价无法直接提升为全局规则

事后评价还有一个更难处理的性质：即使抽象描述上是相同的情况，放在不同局部也可能得到不同选择。在一处被否定的结构、措辞或实现方式，在另一处可能是可取的。因此，“这里不要 X”不能直接被改写为“永远不要 X”。

能够判断一个具体结果，也不等于能够事先生成覆盖同类结果的规则。具体对象同时呈现了它的位置、用途、周围结构和实际后果，这些条件共同支持当前判断；一旦把判断抽象为脱离对象的语言或阈值，就还需要说明哪些条件重要、它们怎样组合以及存在哪些例外。识别一个局部是否合适，与构造一条普遍适用的判定规则并不是同一种能力。因此，用户能够在当前情境中可靠指出“这里不对”，与其无法说明“所有地方怎样才对”可以同时成立。

这种差异不必然表示用户前后矛盾。它可能与局部的功能、周围内容或整体组合有关，也可能来自判断本身在迭代中发生了变化。无论原因是什么，局部评价都不能在脱离它所针对的对象后，自动成为普遍适用的偏好。

局部评价不能直接扩张为全局规则，也不意味着评价始终发生在一个已经定义完成、保持不变的问题空间中。具体结果可能使原先没有进入规格的差异成为新的评价维度，也可能改变某个问题应当在哪个层级处理。此时，需要重新检查的不只是这条评价适用于哪里，还包括当前任务是怎样被划分和理解的。

开放式协作并不在固定的问题空间中展开

如果任务只是在维度和边界已经确定的问题空间中找到一个未知目标，那么正向描述、反向排除和候选评价虽然不完整，原则上仍可以被理解为不断增加约束、逐步缩小范围，最终逼近同一个预先存在的目标。开放式协作经常不满足这一前提。

具体结果可能使此前没有进入规格的性质、关系和后果成为需要处理的问题。设计原型会暴露新的使用情境，软件实现会显现新的技术约束，写作和研究则可能迫使参与者区分此前混在一起的概念或问题层级。参与者由此获得的不只是关于已有选项的新信息，还包括新的评价维度、问题分类，以及描述意图所需的概念工具。只有形成这些区分之后，一些判断才成为可以单独思考和表达的对象。

因此，意图的变化并不总是沿着既定方向逐步收敛。新一版规格不一定只是为旧规格增加若干约束；新的问题维度可能重新解释此前的取舍，也可能揭示原本分别列出的要求之间存在尚未发现的依赖、主次或冲突，甚至使协作面对的不再是最初划定的任务。意图会在这种扩展中被重新组织，而不是只在一个不变的空间内变得越来越精确。

这些维度和概念形成于特定的候选、比较与评价过程，最终形成的意图因而具有路径依赖。最新规格可以记录当前结论，却不一定同时保留哪些候选使某项区别变得重要、哪些旧的分类已经被放弃，以及一条判断为什么只在特定范围内成立。最终意图不仅取决于看过哪些候选，也取决于探索过程中形成了怎样理解问题的方式，因而不能总被无损压缩为脱离协作历史的最新规格。

问题空间发生变化，并不必然要求放弃当前方案。新的维度可能仍然可以被原有框架吸收；但当后来形成的问题定义、规格和意图已经无法由原框架容纳时，一个局部冲突就可能成为整体失效首次显现的位置。

从局部修补到重新定义整个过程

局部迭代并不总会在同一框架内持续收敛。一个已经接近完成的产品，可能因为试图解决一个小问题而引发连锁修改，使此前大部分工作乃至理解需求、选择方案和推进实现的整个过程重新受到质疑。与此同时，正是在这一过程中逐渐清晰的需求和不断积累的技术认识，使被推翻的完整过程能够转化为重新定义问题、开启下一轮的材料。

局部问题如何暴露整体框架失效

在当前问题定义和方案框架内，持续迭代一方面推进产品，另一方面也在改变评价产品的依据。每一轮产出都会使此前无法观察的取舍、冲突和后果变得具体；围绕这些结果作出的评价，会补充、修正甚至重组已有规格，也可能进一步塑造意图本身。与此同时，实现、调查和失败还会带来新的技术认识，使原先不可见的约束、代价和其他可能路径逐渐显现。

因此，当一个产品在当前框架内接近完成时，任务的规格、意图和技术背景可能已经不同于最初选择该框架时的状态。这里的“接近完成”，只表示剩余工作相对于此前逐步形成并被纳入当前方案的规格已经不多，不能说明这个框架仍然适合此时已经发生变化的问题。框架体现的是较早阶段的问题定义、边界和核心取舍，却不会随着每一次新认识自动改变；二者因而可能在迭代中逐渐错位。

一个看似微小的问题不是造成这种错位的根因，而可能是第一个无法在现有结构中被局部消化的冲突。对它的修改会影响相邻部分，相邻部分又依赖更早的结构、假设和取舍。修改范围不断扩大，对前序工作的质疑也随之向上溯源，最终受到动摇的不再是最初的局部，而是支撑此前大部分工作的整体框架。

这种后期推翻不能简单归因于最初的框架设计得不够好。一个框架完全可以在当时可用的规格、意图和技术认识下保持合理、一致，甚至被良好实现。后续失效并不否定它在当时的合理性；失效的是框架与迭代后形成的问题之间的对应关系。选择它所依据的需求理解、问题模型和技术前提，已经不能继续支撑此时的规格与意图。这是基座层面的失效，而不是框架内某一项实现的缺陷。

更好的初始设计仍然有价值：它可以减少不必要的耦合，为替换留出边界，并降低整体推翻的代价。但它无法在开始时预先包含那些只有经过实际迭代才会获得的需求判断和技术认识，因而也不能保证初始框架在这些认识出现后仍然有效。

这种连锁失效不只是实现耦合过重，也不一定能通过重构解决。重构通常保留当前的问题定义和主要行为，只重新组织实现；这里则需要重新审视需求、产品形态、对技术背景的认识、架构选择和核心取舍。此前已经完成的工作，可能都是在一个已经不再成立的框架内完成的。

框架被重新检查后，下一步可能转向此前从未使用过的方案，也可能重新采用早期曾经考虑但后来放弃的方案。重新界定需求甚至可能发现，原本用复杂系统解决的任务，实际上可以被消除、合并，或者用极其简单的方案完成。

完整过程如何成为下一轮的输入

这些在迭代中形成的需求判断和技术认识，并不只存在于最终产品或最后一版规格中，而是分散在整轮过程里。从最初的模糊描述开始，每一次生成和评价都会使一部分需求变得更清晰；每一次实现、冲突和失败也会补充此前缺少的技术背景。不同方案的真实代价、局部选择之间的依赖以及早期假设造成的限制，往往只有结合实际走过的路径才能被看见。

因此，需要回顾的不再只是最终结果，而是整轮过程：最初如何定义问题，哪些需求当时无法表达，哪些假设未经验证便进入了方案，为什么选择当前路径，又有哪些局部反馈被错误推广。只有走过整个过程之后，才可能意识到，问题不只是当前产品存在缺陷，而是这一轮理解需求、选择方案和持续修补的方式整体上存在问题。

这一认识会改变此前全部工作的性质。旧实现可能无法复用，当前产品也可能被完整抛弃，但此前的需求表达、候选结果、局部评价、失败修改、技术调查和被放弃的方向，会共同构成重新定义问题所需的材料。第一轮不再只是一次没有交付成果的失败，而是一场使新定义成为可能的完整探索。

因此，新一轮既不是继续完成旧方案，也不是清空一切后从原点重新开始。它以上一轮的完整过程为输入，在更清晰的需求、更丰富的技术背景和重新打开的方案空间中，重新定义问题并选择路径。它要解决的甚至可能已经不再是上一轮开始时所理解的那个任务。这一轮产生的结果与过程，之后仍然可能以同样的方式被整体重新评价。

意图不可完全前置规格化并非 AI 独有

这一问题经常在使用生成式 AI 时变得明显，却不一定由 AI 产生。人与人之间也不能只靠一方说出一句话，就把头脑中的全部内容完整复制给另一方；开放式共同活动中的目的、分工和行动方式，也不总是在沟通开始前已经确定。要判断这是否是沟通的固有属性，需要先区分四个并不相同的对象：

• 私人意图是一方在当前时刻想表达或实现的内容，其中既可能有已经稳定的判断，也可能有尚未决定的部分。
• 表达是私人意图借助话语、文档、示例或计划形成的外部对象。它可以被另一方感知，却不等于私人意图本身。
• 共同理解是参与者目前共同接受“刚才表达了什么、接下来依据什么行动”。它不是表达发出后自动出现的结果。
• 共同计划是参与者准备怎样协调后续行动。它既受各自意图影响，也会通过共同决策和实际行动继续展开。

表达可能没有完整携带私人意图，接收者也可能形成另一种解释；即使双方已经获得当前可用的共同理解，后续行动仍可能改变各自意图和共同计划。因此，人际沟通中的问题不只是信息在传输中损失，还包括共同理解只能在互动中建立，以及行动所需的一部分意图尚未形成。

共同理解不是一次传输的结果

Clark 与 Wilkes-Gibbs 对指称过程的研究观察两名参与者怎样通过对话识别和排列复杂图形。说话者通常不会从一开始就给出穷尽描述，而是先提出一个相对简单的称呼；听者可以接受、询问、补充或纠正，双方再迭代修改，直到获得当前共同接受的指称。表达在这里不是由说话者独立完成、再交给听者解码的成品，而是一项需要双方共同完成的贡献。

Clark 后来用“grounding”概括这种共同建立理解的过程：参与者要把一项内容纳入共同基础，但只需达到对当前目的已经足够的程度。沟通的正常停止条件因而不是证明双方拥有完全相同的内部理解，而是获得足够证据，使当前共同活动能够继续。这里形成的是局部、暂时的闭合；一项此前已经够用的理解，仍可能在任务、对象或风险改变后被重新打开。

这种共同基础还依赖双方的互动历史。Brennan 与 Clark 关于“概念契约”的实验发现，对话者会为反复谈论的对象形成伙伴特定的称呼，并在后续互动中继续沿用。同一个表达在一段协作关系中已经明确，不代表它面对另一名参与者仍然携带相同含义。人与人之间的共同理解本身就是有作用范围的，不能脱离参与者和形成过程直接提升为全局定义。

互动历史保留的也不只是最终沿用的称呼。此前共同接受、修正或放弃过的表达，会为当前说法建立对比、理由和适用范围；最后一句话或最新文档可以记录当前结论，却不会自动携带这些形成条件。因此，当前的共同理解，以及在其基础上形成的共同意图，有时不能被无损压缩为最新规格，其部分含义仍然依赖参与者共同经历的候选、否定与修复。

修复是沟通的组成部分

理解不完整并不只在复杂项目中偶尔发生。Dingemanse 等人分析了来自五大洲、八个语系中十二种语言的自然对话，发现所有样本都具有相似的“他人发起修复”结构：听者指出前一轮话语存在问题，说话者再通过重复、具体化或确认进行修复；这类修复在样本中平均约每 1.4 分钟出现一次。

如果沟通被理解为完整信息的传输，修复只能被看作发送失败后的补救。但 Dingemanse 与 Enfield 对相关研究的综述提出了相反解释：互动修复是人类语言保持复杂性、灵活性和韧性的基础设施。参与者知道表达出现问题后仍可追问和修正，因而不必在每次发言中预先列出全部背景、条件和例外；通常可以先使用成本较低的表达，只在偏差真正显现时补充必要信息。

由此看，不完整并不总是应当被消除的沟通缺陷。表达与修复共同组成了一套分配成本的机制：第一次表达负责建立足以开始的方向，后续互动负责发现哪些省略已经影响当前理解，再有针对性地增加内容。人际沟通通常依靠这套机制工作，而不是依靠一条脱离反馈也能独立完备的信息。

共同意图也可能在协作中形成

不过，互动修复仍然可以发生在私人意图已经完整存在的情况下：说话者知道自己想表达什么，只是听者尚未理解。开放式协作还存在更强的情况——参与者自己也只有部分计划，必须通过共同决策才能确定后续意图。

Grosz 与 Hunsberger 对协作意图动态的形式化研究从资源有限的参与者和持续变化的环境出发，允许群体先形成不完整的共同计划，其中的个人意图也可以保持欠规格化；后续群体决策会扩展共同计划，并要求各参与者相应更新自己的意图。这项研究所描述的不是一方把完整计划告知另一方，而是多个部分计划通过协调逐步形成可共同执行的结构。

共同形成的内容也不能简单归属于其中一方。Carassa 与 Colombetti 区分说话者希望传达的私人含义，以及双方通过接受某种解释而形成的共同含义。两者通常可以重合，却不是同一个对象。在实际组织中，不同专业参与者还可能从不同工作情境理解同一个产品和问题；对生产现场中工程师、技术人员与装配人员的研究表明，他们会在解决具体误解时共同建立基础，并由此改变彼此对产品和生产过程的理解。沟通在这些情况下不仅传递已有认识，也参与生成新的共同认识。

因此，人与人“达成统一意图”不必表示双方头脑中出现一份完全相同的意图副本。更现实的结果是：各方仍然保留不同知识、判断和局部目的，但已经形成足以支持下一步行动的共同理解、承诺和部分计划。这一暂时协调之后还会被新的决策与后果继续修改。

计划不能替代情境中的继续判断

即使参与者已经形成明确计划，计划也不能完整决定后续行动。Suchman 把计划理解为情境行动的资源，而不是行动的完整脚本；计划能够保持简洁，正因为它没有表示真实行动中的全部具体条件。其预先规定作用必然保留模糊性，执行者仍需面对当时的环境和后果继续判断。

Schmidt 与 Bannon 则用“衔接工作”描述参与者怎样在真实协作中处理任务依赖、未预见故障、不同专业判断和局部条件。现实工作系统是开放的，正式流程无法保证提前覆盖每一种偶发情况；协作需要持续形成局部、暂时的安排，使工作在不完整知识和不一致条件下继续进行。这项 CSCW 研究把衔接工作视为协作本身不可分离的组成部分，而不是一份更精细的计划最终可以完全消除的额外成本。

这与意图不可完全前置规格化具有相同结构：前置表达提供行动起点，实际情境产生此前不存在的信息，参与者再据此修正理解、计划和目的。要求计划在行动前完整包含这些判断，仍然是在要求结果先于产生结果的情境出现。

AI 暴露并放大了这种结构

AI 没有创造上述问题，但常见的提示交互削弱或隐藏了人际沟通通常用来处理它的机制。人与人可以通过停顿、犹豫、反问、复述和对行动的观察持续判断共同理解是否足够，也会受共同承诺和责任关系约束。现有生成式 AI 则可能在尚未建立共同理解时立即产生形式完整、语气确定的结果；结果的流畅性容易被误认为理解已经成立，而模型对指令的解释、隐含假设和不确定性并未因此成为双方真正的共同基础。

与此同时，AI 能够以很低成本把一种解释迅速扩展成具体文本、设计或实现。原本隐含在人际协作中的差异，因而会更快变成可见结果：用户面对结果才发现解释不对，模型再依据局部否定生成下一版。AI 使这套循环更加密集，也使把局部反馈错误推广、沿错误框架高速积累工作的风险更高。

因此，AI 更像是对既有沟通结构的一次放大。自然语言本来就依赖情境推断和互动修复，共同理解本来就只能阶段性建立，开放式协作中的共同计划也本来就会随行动变化。提示词范式的问题，是把其中一次表达误当成了可以脱离这些过程而独立完备的规格。

但这并不意味着所有沟通都同样不可规格化。传递一个已经确定的事实、按封闭协议交换数据，或者在固定问题模型内定义形式要求，都可能获得相对于当前模型足够完备的规格。广泛存在于自然语言沟通中的是表达对语境和共同基础的依赖；更强的意图形成和整体重新定义，则主要发生在结果空间尚未展开、参与者知识有限、环境会反馈新信息的开放式共同活动中。意图不可完全前置规格化不是所有话语无差别具有的属性，而是这些条件共同出现时，沟通与行动之间不可消除的结构。

相关研究

本文讨论的若干概念，可以在需求工程、设计研究、语用学、心理语言学、协同工作、偏好构造、交互式机器学习与人机交互中找到相关研究。以下按照本文使用的概念组织这些文献。

规格是意图在当前认识下的阶段性表达

Bashar Nuseibeh and Steve Easterbrook. Requirements Engineering: A Roadmap. Proceedings of the Conference on the Future of Software Engineering, 2000.

这篇路线图从软件系统预期实现的现实目的出发，系统梳理了需求工程的研究基础、工作环境和主要活动。作者把需求获取、建模与分析、沟通与协商以及需求演化视为贯穿系统生命周期、彼此交错的过程，并讨论了场景、原型、目标建模、形式化描述、需求验证、冲突处理、可追踪性和变更管理等方法与问题。文章还强调需求工程的多学科性质：除了软件与系统工程，它也需要借助认知科学、社会科学、语言学和哲学理解个人知识、组织关系及现实世界中的约束。

这一路线图在利益相关者的目的与可供分析、沟通和实现的规格之间保留了一个持续的转化过程。作者刻意使用“获取”而不是“捕获”来描述需求工作，正是为了避免把需求想象成已经完整存在、只要提出正确问题便能原样收集的对象；目标可能尚未显式形成或难以表达，模型和原型还会反过来引出新的需求。规格因此可以在既定形式内十分精确，却仍需通过验证确认它是否对应现实，并随参与者及环境的变化继续演化。形式上的完备性只能说明当前表达内部如何组织，不能单独证明它已经完整复制了产生它的意图。

Yoonsu Kim, Kihoon Son, Seoyoung Kim, Brandon Chin, and Juho Kim. IntentFlow: Investigating Fluid Dynamics of Intent Communication in Generative AI. Proceedings of the 2026 Designing Interactive Systems Conference, 2026, pp. 3804–3837.

这项研究考察生成式 AI 交互中的意图如何被表达、探索、保存和重新协调。作者先系统回顾了 2022 至 2025 年间发表于 ACM 人机交互会议的四十六篇论文，据此把意图沟通整理为表达、探索、管理与同步四类活动；随后实现 IntentFlow 研究原型，并通过十二名参与者的被试内比较，分析用户使用普通聊天界面和该原型完成开放式写作任务时的操作序列。研究观察到，用户不会只在开始时传递一次要求，而会在生成、检查、修改和组织结果之间循环；支持显式调整与保存意图的界面，也使用户较少依赖连续纠错，并能逐步整理已经形成的目标结构。

循环行为表明，当前输入的作用更接近建立下一步生成所依据的暂时状态，而不是一次性交付完整要求。已经产生的内容会使用户增加约束、改变偏好之间的关系，或者回到较早方向重新展开探索，因而同一个任务中的可操作表达也会持续改写。不过，论文把较高层且相对稳定的目标称为“goal”，把实现目标时不断变化的策略、偏好和约束称为“intent”，其术语范围比本文所说的“意图”更窄；它直接说明的是较低层意图如何流动，并不能单独证明较高层目标也一定保持开放。论文提出的四类活动同样是分析生成式 AI 界面的框架，而不是对意图不完整来源的穷尽分类。

反向规格更容易表达，但无法穷举

Yoonsu Kim, Jueon Lee, Seoyoung Kim, Jaehyuk Park, and Juho Kim. Understanding Users’ Dissatisfaction with ChatGPT Responses: Types, Resolving Tactics, and the Effect of Knowledge Level. Proceedings of the 29th International Conference on Intelligent User Interfaces, 2024, pp. 385–404.

这项研究收集了一百零七名用户在实际任务中使用 ChatGPT 的三百零七段对话，并从中分析五百一十一个不满意事件。作者归纳了用户不满意的类型以及继续交互时采用的应对方式，发现对用户意图的理解问题是最常见的不满意来源；面对不合意结果，用户会复用原提示、把原先意图说得更具体、指出并纠正结果中的错误，或者调整任务本身。论文还分析了领域知识的影响：用户掌握多少相关知识，会影响其能否识别问题、能够给出何种纠正以及最终是否解决不满意。尽管用户会采取这些策略，研究记录的不满意中仍只有一部分在后续对话里得到解决。

结果出现之后，原本抽象的“不符合预期”获得了具体对象，用户才可以把它转化为“这里误解了什么”“这个事实不对”或“任务应改成什么”等可继续操作的信息。这些行为说明，具体化意图和指出错误确实是正向描述不足时常见的推进方式；大量问题在多轮纠正后仍未解决，又说明这种排除无法自动补成一份完整规格。不过，这项研究观察的是用户如何处理已经发生的不满意，并未直接比较正向规格与反向规格的表达难度。它能够为事后纠错及其不完备性提供经验材料，但“反向规格通常更容易表达”仍是需要单独论证的判断。

具体结果使事后评价成为可能

Donald A. Schön. Designing as Reflective Conversation with the Materials of a Design Situation. Research in Engineering Design, 1992.

Schön 讨论人工智能可以怎样表征、模拟或辅助建筑设计者的“在行动中知识”，并区分功能等价、现象学等价、设计辅助和研究环境四种目标。论文通过设计课堂中的师生对话、受控设计练习和“设计游戏”分析设计者实际怎样工作：设计者在自己构造的“设计世界”中留下线条和形状，从中看出新的图形与性质，再用下一步行动检验这些认识；问题、意图和评价也会随着行动及其非预期后果发生变化。文章据此质疑用一套预先穷尽的符号规则复制设计活动的可行性，并主张把计算系统更多地发展为设计助手和研究设计认知的环境。

“看见—行动—再次看见”的过程说明，草图或原型不是一个既定意图完成后的被动输出。行动先在材料中制造此前不存在的局面，设计者才能看见比例、冲突、可能性和非预期后果，并形成下一步可以说出的判断。能够在具体材料中看出这些性质，也不等于设计者能够事先把它们转写成覆盖所有情形的判定规则。具体结果由此同时改变了被评价的对象和评价者所理解的设计情境；一部分标准并非早已写好而暂时遗漏，而是要借助这个可感知的局面才获得形状。事后评价之所以比事前描述包含更多信息，不只是因为此时更容易措辞，也是因为可供评价的对象和由它引出的认识此前尚不存在。

Sarah Lichtenstein and Paul Slovic. The Construction of Preference: An Overview. In The Construction of Preference, 2006.

这篇全书导论回顾了“偏好构造”研究的主要问题和证据。作者并未否认稳定偏好的存在，而是区分了已有偏好足以直接回答的选择，与必须在判断过程中构造回应的情形：决策要素不熟悉，多个已有偏好发生冲突而取舍比例尚未形成，或者人虽有明确的正负感受，却难以把它转换成任务要求的数值。导论随后以全书各章为线索，考察偏好反转、选项与问题的描述方式、选项集合和决策情境、情感与推理，以及人们对未来体验的预测如何改变选择，说明不同的提取方式可能产生系统性不同的回答，并使偏好表现出易变、不一致和受情境支配的特征。

具体候选会把抽象方向压缩成一次真实取舍：哪些属性同时出现、冲突有多强、判断需要采用什么形式，都到此时才确定。人可以事前拥有若干稳定倾向，却不知道它们在当前组合中的权重，也可能直到看见选项才发现某个原先未被考虑的属性。这使事后评价既不是凭空创造偏好，也不总是在读取一条预存的完整标准；它常常是在已有倾向、当前对象和评价方式共同提供的条件下完成判断。候选集合由此不只是展示偏好的载体，也参与构成偏好被表达和形成的情境；在当前选项之间作出明确选择，不能直接证明存在一套脱离这些选项仍然成立的完整排序。无法预先给出全部选择规则，因而可以与看到结果后作出清楚评价同时成立。

Paul F. Christiano, Jan Leike, Tom B. Brown, Miljan Martic, Shane Legg, and Dario Amodei. Deep Reinforcement Learning from Human Preferences. Advances in Neural Information Processing Systems, 2017.

这项研究提出一种用人类对行为片段的比较来训练强化学习智能体的方法。系统从当前策略生成的一到两秒轨迹中选出一对片段，请评价者选择更好的一个、判为相同或表示无法判断，再用这些比较持续训练奖励模型，并让策略优化该模型预测的奖励。作者在模拟运动控制和 Atari 游戏上测试了这一循环：以少于智能体交互总量百分之一的人类反馈，系统学会了多项难以直接写成奖励函数的行为，包括后空翻等没有现成目标函数的动作；实验也显示，脱离持续反馈而固定奖励模型，可能使策略找到人类并不认可的异常行为。

这里要求评价者回答的不是“所有可能行为应当获得多少奖励”，而是“眼前两段行为哪一段更好”。行为片段把运动方式、上下文和具体后果同时呈现出来，使原本难以形式化的差异变成可以比较的问题；较长片段有时更有用，也说明评价依赖可见的局部语境。持续生成新行为再请求判断同样重要，因为旧比较无法提前覆盖策略后来发现的行为。实验并没有从这些标签中恢复一份完整意图，而是证明了具体结果上的相对判断能够提供事前奖励规格没有携带的信息，并可成为下一次生成的依据。

结果符合当前规格，不能证明规格本身充分

Shreya Shankar, J. D. Zamfirescu-Pereira, Björn Hartmann, Aditya G. Parameswaran, and Ian Arawjo. Who Validates the Validators? Aligning LLM-Assisted Evaluation of LLM Outputs with Human Preferences. Proceedings of the 37th Annual ACM Symposium on User Interface Software and Technology, 2024.

这篇论文研究开发者如何为特定 LLM 应用建立自动评价器，以及这些评价器怎样才能对应开发者对实际输出的判断。作者设计了 EvalGen 工作流，让开发者先检查一组输出并作出二元评价，再提出自然语言标准，由 LLM 把标准转化为可执行断言；系统随后展示断言与人工判断之间的分歧，供开发者修改标准或重新检查原评价。九名具有 LLM 应用开发经验的参与者分别在两个生成管线中使用这一流程。研究发现，参与者不仅会补充此前遗漏的标准，还会在看到新型失败后重新解释已有标准，甚至修改先前对输出的判断。作者将这种标准与判断共同变化的现象称为“criteria drift”。

评价标准在这里不是先写完、再被固定用于全部输出。可执行断言能够一致地检查某项标准，并不意味着这项标准已经覆盖开发者实际采用的判断；两者之间的分歧有时要求修改的不是结果，而是用于评价结果的标准。开发者需要先对具体结果作出判断，才会发现哪些差异值得成为标准；新标准应用到更多结果后，又可能暴露过度概括、相互冲突或无法覆盖的情形，并迫使开发者回头修正标准和原判断。具体结果因此不仅承载评价，也参与形成评价所依据的尺度。该研究只包含九名经验型参与者、两个管线和短时任务，也没有覆盖应用部署后的长期演化；它足以显示标准会在评价过程中形成和漂移，却不能据此估计这种现象在所有开放式任务中的普遍程度。

局部评价无法直接提升为全局规则

Dylan Hadfield-Menell, Smitha Milli, Pieter Abbeel, Stuart Russell, and Anca Dragan. Inverse Reward Design. Advances in Neural Information Processing Systems, 2017.

这篇论文处理强化学习中的奖励错设问题：设计者通常在训练环境中编写一个便于使用的代理奖励，但智能体进入包含新特征的测试环境后，按字面最大化它可能产生副作用或“钻奖励空子”。逆向奖励设计不把代理奖励当作真实目标，而把它视为设计者在已知训练环境中近似理性选择的一项证据，再据此对可能的真实奖励进行贝叶斯推断，并在规划时保留不确定性。作者还提出了可借助逆强化学习近似这一推断的方法，并在包含熔岩等未见危险以及可被利用特征的小型环境中展示：相较于直接执行代理奖励，结合风险规避的推断能够减少灾难性行为。

训练环境没有出现的差异，不会影响设计者当时写出哪一个代理奖励；多个真实目标因而可能在该环境中支持同一份规格。到了新环境，若把原规格在这些差异上的沉默解释成无条件偏好，系统实际增加的是它自己的外推，而不是设计者曾经作出的判断。局部评价也具有相似边界：它能可靠区分当前结果中实际出现的冲突，却没有同时回答所有未出现情境中的取舍。逆向奖励设计给出的并不是日常反馈的通用模型，但它精确展示了为何一份在原情境中充分的信息，一旦被当作全局目标，便可能获得原本没有的含义。

J. D. Zamfirescu-Pereira, Richmond Y. Wong, Bjoern Hartmann, and Qian Yang. Why Johnny Can’t Prompt: How Non-AI Experts Try (and Fail) to Design LLM Prompts. CHI, 2023.

这项研究用一个无代码的聊天机器人设计工具，观察十名几乎没有提示设计经验的参与者如何修改系统提示，使烹饪助手呈现指定厨师的讲解特征。工具既支持即时试聊，也提供错误标记和系统化重放测试；参与者在限时的出声思考任务中大多采用前一种方式。他们通常根据一两次对话修改提示，在一次成功后便认为问题已经解决，很少使用系统化测试，也容易用人与人交流的经验推断语言模型会怎样解释指令。结果是针对当前输出的修改可能没有推广到其他输入，甚至重新引入此前消失的问题。作者将这项小规模、以技术背景参与者为主的研究定位为形成性观察，并据此讨论提示工具与教学应如何帮助用户建立更准确的模型和测试习惯。

参与者能够针对眼前输出提出有意义的批评，困难发生在下一步：这条批评究竟只适用于当前回答、某类输入，还是整个机器人的行为。一次修改在当前对话中生效，并没有提供它在其他上下文中仍然成立的证据；后续出现的回退现象把这种作用域错配直接显现出来。这里的问题不能简单归结为用户不会发现错误，恰恰是局部错误很容易发现，而从单个观察抽象出稳定规则还需要新的样本、对照和测试。事后评价由此提供了新的信息，但信息的有效范围仍需在后续结果中逐步确定。

Silviu Pitis, Ziang Xiao, Nicolas Le Roux, and Alessandro Sordoni. Improving Context-Aware Preference Modeling for Language Models. Advances in Neural Information Processing Systems 37, 2024.

这项研究处理语言模型偏好数据中的上下文依赖：同一提示和回答并不必然具有脱离用户目的的固定排序，但通常的偏好模型会把来自不同条件的判断压缩到同一个奖励函数中。作者把提示视为对用户意图的部分说明，并提出让偏好模型同时接收额外上下文，以区分不同用户或任务条件下的评价。论文构造了包含偏好反转的合成数据集，使相同回答对在上下文变化后交换优劣顺序，再用这些数据比较标准模型和上下文感知模型学习及泛化条件性偏好的能力。

偏好反转把局部评价的作用域问题变成了一个可以检验的结构：如果两个判断所依赖的上下文不同，把它们抽去条件后合并成一条全局排序，不只是损失细节，还可能直接得到相反结论。一次评价能够说明当前回答在当前条件下更合适，却没有同时给出条件改变后的选择。论文的实验主要使用合成的反转数据和奖励模型，并把意图处理为一个待推断但相对确定的潜变量；它因而支持评价依赖情境以及无条件外推会失败，却不能用来说明意图本身如何在交互中形成或改变。

问题空间会在探索中扩展和重组

Horst W. J. Rittel and Melvin M. Webber. Dilemmas in a General Theory of Planning. Policy Sciences, 1973.

Rittel 与 Webber 从社会政策和规划面临的价值分歧出发，批评把开放的社会问题当作可以先定义、再用科学或工程方法求解的“温顺问题”。论文以十项性质刻画“棘手问题”：它没有最终的问题表述和明确的停止条件，方案只能被评价为较好或较差而非简单判定真伪，后果无法立刻或彻底检验，可选方案无法穷举，每次干预都具有现实代价；问题还具有情境独特性，可能是另一问题的征兆，并可由多种解释说明，而采用哪种解释会直接决定采用哪种解决路径。作者借此说明，在多元利益和规范判断并存的规划中，问题定义、知识生产、价值取舍和政治责任无法被压缩成一套先验确定的求解程序。

当问题没有脱离方案的最终表述时，持续解决一个局部冲突也在持续选择“真正的问题是什么”。新方案带来的后果可能不仅否定某个实现，还会暴露原先采用的因果解释、价值边界或问题层级本身不成立；此时继续修补是在延续已经失效的定义，而不是接近同一个固定目标。此前尝试并未因此变成无效劳动：正是它们产生的后果和认识，使问题得以被重新表述并开启另一条路径。AI 协作中的开放任务并不自动等同于社会规划中的棘手问题，但只要问题表述同样依赖求解过程中才出现的知识，这种从完整一轮探索转入重新定义的结构就会出现。

Rebecca Fiebrink, Perry R. Cook, and Daniel Trueman. Human Model Evaluation in Interactive Supervised Learning. CHI, 2011.

这篇论文通过 Wekinator 交互式机器学习工具中的三项研究，考察音乐家和其他创作者如何评价由自己训练的监督学习模型。研究覆盖七名作曲者持续十周的乐器设计、二十一名学生的课程项目，以及一名专业大提琴演奏者构建动作分类器的过程。作者发现，用户频繁直接演奏或操纵模型来评价正确性、错误的严重程度与位置、可信度、复杂度、意外行为和实际可用性，而交叉验证分数并不能稳定代表这些判断，有时还会因训练数据表达了错误概念而与主观质量负相关。评价活动同时帮助用户学习如何收集数据、模型能够学会什么以及技术在真实表演环境中的限制，并可能改变他们的训练方式、系统用途乃至学习问题本身。

这些研究中的迭代并非只让模型参数逐渐改善；模型的表现也在改写人对需求和技术背景的认识。直接使用可能揭示训练样本所代表的概念从一开始就不对，或者原计划要求的行为在现有交互方式下并不可行，于是需要改变数据表示、使用方法甚至任务定义。到这一步，评价对象已经从一个待修补的模型扩展为产生它的整套设定，而此前所有训练和失败共同构成重新选择的依据。这提供了一个可观察的局部案例：完整过程可以在增加认识之后成为下一轮定义问题的材料，而不只是通往原定结果的一串中间版本。

J. D. Zamfirescu-Pereira, Eunice Jun, Michael Terry, Qian Yang, and Björn Hartmann. Beyond Code Generation: LLM-supported Exploration of the Program Design Space. Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems, 2025, Article 153, pp. 1–17.

这篇论文把 LLM 编程辅助从生成某段既定代码扩展到探索程序设计空间。作者开发了 Pail 原型，使使用者可以并列考察不同的问题表述和解决方案，生成并比较可执行的程序草图，同时记录探索中出现的需求与设计决定；随后通过十一名参与者使用 p5.js 完成开放式原型任务，观察他们如何在问题表述和解决方案之间移动。研究发现，低成本、可丢弃的程序草图使参与者能够快速试验差异明显的方向；运行和比较这些草图既会产生新的实现选择，也会暴露原问题表述无法容纳的需求，使参与者返回问题发现和问题定义，而不是沿单一路径继续完善代码。

当一个实现被用来认识问题而不只是完成问题时，否定它便可能产生比“换一种实现”更大的后果。某条路径中积累的程序、需求变化、取舍和失败会共同显示原定义遗漏了什么，并为重新打开设计空间提供材料；被丢弃的分支由此仍能参与下一轮问题形成。这为从方案探索返回问题定义提供了生成式 AI 时代的软件开发实例。不过，研究使用的是短时、规模较小的 p5.js 原型，没有观察接近完成的真实产品，也没有追踪架构基座在长期开发中的连锁失效。它能支撑问题与方案共同演化，不能替代本文关于整体框架被推翻并开启新一轮定义的更强论述。