角色
独立设计师
时长
16 天
状态
持续优化中
日期
2026 年 3 月
目录
01
概览
02
为什么需要 AI
03
挑战
04
策略
05
体验结构
06
成果
07
复盘
回到顶部
01 项目概览
1.1 背景
Phalcon Compliance 是 BlockSec 旗下的链上合规产品，支持地址筛查、交易风险审查、Alert 处理和风险数据分析。它主要服务 B2B 机构客户，同时也有部分 B2C 用户。效率是用户最看重的因素。
Lumi 是产品内的 AI Agent。这个项目在 Phalcon Compliance 中构建了一个全新的体验层，帮助用户理解风险、读懂图表，并在遇到权限限制时知道下一步该怎么做。
1.2 我的角色
我是这个项目的独立设计师。
PM 和研发负责触发逻辑、生成策略、后端规则、API 以及具体实现。
02 为什么需要 AI
Phalcon Compliance 里的很多问题都需要结合上下文来判断。用户在选择下一步之前，需要先理解当前的对象、数据和账户状态。传统 UI 能够展示信息，却很难解释「为什么会这样」以及「接下来该做什么」。
我把 AI 的职责定义为三件事：解释风险、总结数据，以及引导下一步。
2.1 解释风险：让当前对象变得可理解
用户经常会问：
这个地址为什么是高风险？
这笔交易里有哪些地方看起来异常？
这条 Alert 为什么会被触发？
我应该先检查什么？
这些问题都取决于当前的地址、交易、风险标签、命中的规则以及时间范围。AI 可以把这些上下文带入回答，解释风险原因、依据，以及下一步的排查方向。
2.2 总结数据：帮助用户读懂图表
用户想知道风险是否上升、哪类风险占比最高、是否出现了异常变动，以及接下来该看哪里。图表展示了数据，但用户仍然需要帮助来读懂其中的信号。
AI Insights 会先总结风险变化、关键驱动因素和建议操作，用户再回到图表中进行验证。
2.3 引导下一步：在遇到限制后给用户一条路径
在 Pricing、Usage 和 Billing 中，我看到用户会花时间比较各种选项，却不总是清楚下一步该做什么：
0.0 分钟
页面平均停留时长
0.00%
无效点击
0.00%
Pricing → 成功付款 / 订阅
0
Pricing 页面的
会话数
当用户遇到升级、Top-up、购买 Credits、续费或权限限制时，纯文字的引导是不够的。AI 可以解释触发的原因，再给出一张结构化的卡片，让用户可以调整并执行操作。
03 设计挑战
核心挑战是：让 AI 在合规工作流中真正有用，同时让用户清楚它在做什么、依据是什么，以及自己可以在哪里掌控。
我的设计原则：
04 设计策略
4.1 搭建 Agent 的基础层
在基础阶段，我关注的是建立信任的基本问题：用户能否找到 Lumi、理解它能做什么、跟上它的状态，并在拿到结果后重新掌控？
在加入自主性更高的功能之前，这一层先把入口、状态、反馈和边界稳定下来。
4.2 把 Agent 嵌入真实的任务场景
在基础的对话体验跑通之后，我把 Lumi 放进了真实的用户工作流中。它会基于当前的页面、对象和筛选条件来作答。
回答会展示当前的对象、页面范围或筛选条件。对于与风险相关的问题，Lumi 会把结论关联回风险标签、命中的规则、图表或页面数据。
Lumi 始终保持「解释和推荐」的角色。它帮助用户读懂信号，再把他们引导回证据和产品操作。
4.3 按自主级别控制介入程度
我把 Lumi 的自主性划分为五个级别：
自主级别
触发场景
Lumi 行为
仅入口
没有明显的摩擦信号
保持入口可见
轻量提示
用户可能需要帮助，但意图尚不明确
展示轻量提示
情境化回答
用户主动提问
基于上下文作答
AI Insights
页面信息较为复杂
总结关键风险
推荐卡片
用户状态和下一步动作都很明确
展示操作卡片
自主性越高，就越需要透明。UI 会解释触发的原因、展示依据，并提供关闭或转交的选项。如果用户关掉 Lumi、关键数据缺失，或触及频率限制，Lumi 会回到安静的状态。
4.4 用结构化卡片来推荐套餐
我把推荐拆分为三层：
这样可以避免让 AI 直接决定价格或套餐细节。推荐保持稳定、可审查、可编辑。如果用户关闭、完成转化，或所需数据缺失，系统就不会重复弹出提示。
05 可复用的体验结构
这个项目沉淀出了一套可复用的 AI 体验结构：
06 成果
Lumi-agent 仍在持续迭代，所以我把这些数据当作早期信号，而不是因果证明。
0%
打开后提问的比例
0%
来自任务页面的比例
0%
在 Insights 上觉得有用的比例
用户反馈
Lumi 没有打断原本的任务。
页面上下文让提问变得更自然。
相比纯文字，推荐卡片让下一步更清晰。
用户特别提到三点：Lumi 没有打断原本的任务；页面上下文让提问更自然；相比纯文字，推荐卡片让下一步更清晰。
接下来，我会跟踪入口点击率、打开后的提问率、来自情境页面的占比、Chip 点击率、Helpful 反馈、卡片 CTA 点击率、关闭率以及重复提示率。
07 复盘
让设计更早参与 Agent 边界的定义
要点：尽早对齐——哪些由 AI 解释、哪些由规则决定、何时需要用户确认，以及何时交由人来接管。
先梳理 Agent 状态，再设计界面
要点：用状态矩阵来确认触发条件、频率限制、失败状态、不确定提示以及转交路径。
设计用户判断 AI 回答的方式
要点：尽早定义证据引用、不确定提示和反馈闭环。
把 AI 输出拆分为规则、生成和 UI
要点：把规则、生成和 UI 的职责分开，以降低审查和实现成本。
如果这些作品让你产生共鸣或好奇，我很乐意和你聊聊。
© 2026 Tanya Tian