NLX 才是新的 UX：微软 CPO 怎么给智能体做界面

Lenny 请来的是微软首席产品官 Aparna Chennapragada，她负责生产力工具的 AI 产品策略和智能体相关工作。此前她做过 Robinhood 的 CPO、Google 副总裁，管过 Google Lens、搜索、购物、增强现实和助手，也在 Akamai 做过工程负责人，并在 eBay 和 Capital One 董事会任职。同事们反复提到一件多数人不知道的事：她认真做单口喜剧。

Chennapragada 说自己很难说对一门好笑的生意有多认真，但她会看、会练，也会上开放麦，还做过几场正式演出。她正在打磨一套关于 AI、科技和硅谷的段子。这是一次意外发现：儿子去开放麦唱歌，怂恿她也试试，她发现自己既享受也擅长。她把单口和做产品都看成一种契合——产品市场契合，对单口则是 punchline 市场契合。

开放麦是真正的现场实验：你把东西丢出去，立刻拿到非常清楚的微观反馈，有时还很刺耳。她觉得这正是产品人该练的本事——愿景可以很大，第一版却往往不到位。她引用 Reid Hoffman 的意思：第一版若还让你毫无尴尬，说明发得太慢。她分享过一个段子：有人把 AI 聊天产品比作女人，因为是黑箱、你猜不透它在想什么；反过来说它们更像男人——幻觉很多、还不可靠，就算不知道答案也说得很自信。

从 Google、Robinhood 这类偏消费者的公司来到微软，她觉得最大的不同有两处。第一，企业里你以为只有一个用例，其实永远是两个：功能得好用，还得能治理。哪怕分享一个文档链接，也既要无摩擦，又要安全、可审计。从消费转向企业的人，常常要么无视治理，要么为了治理把体验做残。这里有一套艺术、科学和细微的方法论。

第二处她拿尚格·云顿在两辆对开巴士之间劈叉的预告片来比。技术周期是她见过最压缩的，以周和月计，而不是年和十年，智能过剩非常明显；另一边，人的习惯、生产力方式和公司里的变革管理走得很慢，你也不该鲁莽。未来分布不均，哪怕在同一家公司内部也是。

她学到的是：不要拖住早期采用者。微软一边做更长周期、更可信的变革管理，一边推出 Frontier 计划，把仍有毛边的实验功能交到愿意试的人手里，例如一个为工作后训练的深度研究智能体，而不要求整家公司立刻换肌肉。她想把自己「提前一年住在未来」的个人习惯制度化：一个三人团队、算力和 AI 工具管够，会问什么问题、怎么过一天。他们刚搭了几周，还设了一家假公司，让人来玩前沿科学项目和工作场景里的智能体。制药、法律这类客户仍需要正式的全面上市，但在压缩的 AI 周期里，也得让人先体验一年后的工作方式。

对智能体，她取一个很产品的视角：底层是工具，建在随机模型上，而不是确定性程序。短期她看见一条演化：从应用到她称为助手时代的 Copilot——人坐在驾驶座上，AI 大力协助。推理能力一解锁，可委派的事就更多。智能体是相对独立的软件过程，你给它目标，而不是手把手教细动作。

她举了前一天晚上的例子：即将跟领导层开会，她让研究型工作智能体去看与会者各自对路线图的看法，并建议该怎么讲。价值不只是省时间。过去大家把 AI 想成摘要文档；这一次它补上她自己没有的突触，给出新洞察，她称之为超能力。

她把智能体收成三条。一是自主，是光谱而不是有或无，你能把越来越高阶的任务交出去。二是复杂：不是「生成一张图、摘要一份文档」这种一次性请求，而是「做出表达我增强现实想法的原型」或「帮我把这场会打好」。三是异步，你不在时它还在工作。稍后她把第三条改述成更自然的交互：不一定是聊天，也可以是拉智能体进会、当面讲、指给它看哪里要改。在她看来，这三条就是好智能体的产品原则。

NLX 是她最近反复念叨的题目：自然语言界面，NLX 才是新的 UX。图形界面不自然，所以必须被显式设计，但它们是刚性的。对话界面更有弹性，弹性不等于不设计。她常听见产品人说，有了 AI，模型会吃掉产品，你只要跟它聊。可播客是一场对话，微软内部的会是另一场对话，对话也有语法、结构，以及看不见的界面元素。

她点出几样新构件。提示词本身就是新的界面元素，像当年的下拉菜单。对智能体来说，可编辑的计划是另一样：你给高层目标，智能体返回一份最好能改的计划。再一样是展示进度。Copilot、ChatGPT、DeepSeek 都在「把思考说出来」，但量要拿捏：太啰嗦像在看脚本跑，太简略又不知道它有没有走偏，信心上不来。她觉得这是产品设计很好玩的新空地。

追问建议也是设计问题。你让它生成一张图，结果出来是黑白剪贴画，下一步该主动建议什么？太多会烦人，太少则错过把人领上好路径的机会。Lenny 提到 DeepSeek 把推理过程几乎全亮出来，也有人喜欢。她认为这有时间点：眼下模型仍是黑箱，推理又慢，完全沉默会让人不舒服；长期这会走向个性化——有人只要 TL;DR，有人要沿途讲解。

她对内对外都说同一句狠话：这个时代如果你还不靠原型去看自己想做什么，就是做错了。她称之为「提示词集是新的 PRD」，新项目、新功能要带着原型和提示词集来。重点不是人人都变成软件工程师，而是用最高带宽的方式把脑子里的东西变成可体验的东西，把产品循环加速。有人总结成：先演示，后备忘录。

第二点更绕：到第一次演示的时间变短了，到全面部署的时间反而会变长。内循环——原型、迭代、甚至用 AI 对话做用户研究——被压缩；想法和原型的供给暴增，抬高了地板，也抬高了天花板。规模化的门槛因此更高，你必须冒出噪声之上，而不是每个点子都追。第三，全栈建设者会在早期探索阶段模糊角色边界，但仍需要少数品味把关的人，否则产品会变成弗兰肯斯坦。

她强烈反对「编程已死、别再学计算机科学」。编程一直在往更高抽象走，大多数人早已不写汇编，很多人也不写 C。以后仍会有方式告诉计算机做什么，只是抽象更高，软件操作者会多一个数量级；她随口造了个词，叫 SO，software operator。那也不等于你可以不懂计算机科学——它仍是一种思维模型。微软内部对新功能越来越要求看现场原型，但去改 Excel 深处就不一定需要。产品管理那边，若你只是流程和项目经理、写 TPS 报告那种人，AI 能读五万条会议纪要之后，你的附加值确实要被追问；品味和编辑功能会更重要。头衔不再自动给你守门权，编辑角色必须挣来。工程师、研究员、设计师口袋里有了专家，也能把自己原先不擅长补齐的想法推上桌。她自己常用的招是 WWXD：Satya 会怎么看这次提案。

她看见到处都是像压紧弹簧一样的智能过剩，产品团队必须把自己重接到 Shopify 的 Tobi Lütke 所说的「反射性使用 AI」。她做了一个很土的 Chrome 扩展：每次开新标签页，就问你「这件事能不能用 AI 来做」。她用 GitHub Copilot 大约十分钟写完，不打算公开发布。最近几周她拿自己做实验，工作和生活里凡是手动的事，都逼自己问问该不该让 AI 干。

真正难的是更新先验。一年前模型很多事做不到：图像里的拼写、更深的推理、数据分析。几个月前试过留下的印象，已经过时。她的原话是：婴儿一个月长成了十五岁。连天天泡在这行的人都觉得难，因为你必须逆着自己刚学会的「它不能做什么」去忽略旧经验。

她觉得这对产品建设者是一种套利：丢掉几个月前失败留下的伤疤，继续向今天的 AI 要更高标准，就能多解锁一些东西。Lenny 问她近距离跟 Satya Nadella 和 Sundar Pichai 共事有何不同。她说两人在智力、共情、领导和产品策略上几乎都是万分之九千九百九十九分位，风味不同。Pichai 冷静克制，擅长手机、搜索、出版商和广告主这类复杂生态；Nadella 学习胃口极大，能在宏观战略和 Twitter 上一条具体洞察之间来回变焦，而且几乎总比别人更早看见苗头。

被问到最反直觉的产品教训，她说是：先解决，再规模化。从零到一的人容易像《南方公园》内裤矮人那样，第一步收集，第二步问号，然后直接跳到规模。解决阶段和规模化阶段姿势完全不同。Google Lens 就是例子：第一天还在想植物识别，第十五天发现技术更适合翻译外语。外面看起来像混乱，你不但该容忍，还该有胃口，否则会过早钉在一座局部小山上，三年后下不来。

另一课是指标的危险。搜索或 Office 这种成熟产品有精细的输入输出指标；从零到一时过早选定指标，是虚假的精确——一千个用户的点击率、留存，往往什么也说明不了。她称之为「大小孩才用的成熟指标」，这一阶段更该听定性信号，听那种「咔哒」一声对了的感觉。语音助手承诺你什么都能说，真正好用的往往只有几件：设计时器、放音乐、答冷知识。得先把这几件事做死，再去说「什么都行」。

做新品类时，她会找三个拐点里至少两条。一是技术阶跃：Lens 的深度学习、对话搜索的语音识别、Robinhood 那一代人把手机当成理财主入口，眼下则是大语言模型和推理模型。二是用户行为转变：存储变便宜、手机随身之后，人们不再只拍自拍和日落，相机变成对真实世界的键盘，照片多一个数量级，才值得用 AI 从里面挖东西。三是商业模式转变：搜索的广义第二价格与按点击计费、SaaS 对企业软件的重新收费；AI 这边席位、按量、按结果收费都才刚开始刮。Robinhood 也不是只靠更好看的界面让人切换，而是技术、行为和零佣金模式叠在一起。只有一条，通常不够。

Lenny 把她按进热座：Cursor 两年做到约 3 亿美元年经常性收入，而微软有 Copilot、VS Code、AI 基础设施和人才，本该拿下 AI 编程工具市场，怎么没拿下？Chennapragada 自己重度使用 GitHub Copilot。她把代码生成看成大模型解锁的工具，它让「想法到可点原型」变成几分钟的事，会打开很多产品，而不只是一个赛道。GitHub 在她眼里是系统，不是单点功能：仓库和上下文在中间，自动补全、聊天，再加上智能体看板——她说这是他们看到增长最快、正反馈很强的循环之一。

专家编码者需要能跟着他的深度往上长的助手；更宽的编码者同样要用得上。公司最终要跑在代码上，需要的是瑞士军刀，而不只是补全、聊天，或一个还得你手把手盯着的智能体。Lenny 总结成条条大路通 GitHub，她同意：这些代码生成产品并不都在干同一份工作。

反面问题是：大概五千家创业公司想颠覆 Excel，微软一直赢。她问过 Excel 的元老产品人，对方说了两句让她记住的话。第一，Excel 证明非程序员也得编程，它给不会写代码的人提供了强大的编程能力。第二，世界上还有 Excel 锦标赛，有人能在里面变魔术。有些工具初期学习曲线陡，但因为深度足够，一旦学会就极好用。团队几十年盯着天天靠它吃饭的人发出的信号，这种复利很难被「更好看的界面」抄走。

被问到职业生涯最关键的转折，她说是在 Google 搜索的那一年。手机起来了，她觉得个性化一定重要，敲了一年墙，结果查询里个性化没那么要紧，团队解散。她转去做 Google Now：不要在搜索里做个性化，而要在手机上推送——航班前根据路况提醒该出发了，或者根据你对单口的兴趣推荐 Mitch Hedberg。她带着这个产品走过从零到一，明白三件事：自己更爱看见拐角后的东西并让产品起身，而不是规模化已有产品；残酷的是，太早等于错；以及高密度人才的小团队能做成什么。当时界面超前，智能跟不上，还没有大语言模型和深度学习的马力。

Lenny 记得 Google Now 很好玩，也指出它后来消失了，像失败角和热座角叠在一起。她不否认痛苦：有时智能要五年、十年才解锁，有时产品离变好只差一两个关键点击，你得判断自己处在哪一种。Google Now 成了 Google Assistant 的基础之一，Gemini 的阶跃之后，那套想法才真正干活。有时要找出哪些不变量能带进下一版，有时只能重来。Lenny 问那是不是智能体出现之前的第一个智能体。她说当时的想法确实如此，只是方向反了：语音助手把界面做得太超前，智能不够。今天刚好相反——智能已经很强，界面却还像「AOL 拨号调制解调器聊天机器人」。

临结束前她最想探索的，是人和智能体如何共事：一个共创空间，产出远大于任何单人或少数人。眼下这些体验大多是单人模式。她在提前一年的未来里想的是：哪些任务可委派、哪些该检查、信息如何在人与人之间流动、智能体如何从中媒介。座右铭她当了大约二十年邮件签名：预测未来最好的办法就是发明它，艾伦·凯的话。没人真知道下一步长什么样，替代不了动手去建；若你觉得该有某样东西，就去把它做出来。