微软认为他们已经找到了解决人工智能发出提示、响应不准确且循环往复的问题的方法。
这种低效会消耗资源。“试错循环会让人感到难以预测且沮丧”，原本应该提高生产力的环节反而变成了时间黑洞。知识工作者往往花费更多时间在管理互动本身，而不是理解他们希望学习的内容。
微软发布了 Promptions（提示 + 选项），这是一个旨在解决这种交互摩擦的 UI 框架，它用精确、动态的界面控件取代了模糊的自然语言请求。这款开源工具提供了一种标准化员工与大型语言模型 (LLM) 交互方式的方法，使之摆脱非结构化的聊天，转向引导式、可靠的工作流程。
理解瓶颈
公众的关注点往往集中在人工智能生成文本或图像上，但企业应用的一个重要组成部分是理解——让人工智能解释、阐明或进行教学。这种区别对于内部工具至关重要。
以电子表格公式为例：有的用户可能需要简单的语法解析，有的用户可能需要调试指南，还有的用户可能需要适合向同事讲解的解释。同一个公式，根据用户的角色、专业知识和目标，可能需要完全不同的解释。
目前的聊天界面很少能有效地捕捉到用户的意图。用户经常发现，他们提问的方式与人工智能所需的细节程度不符。“要弄清楚用户真正想要什么，可能需要冗长且措辞谨慎的提示，这让人很疲惫，”微软解释道。
Promptions 作为中间件层，旨在解决 AI 提示中常见的这一问题。系统不会强迫用户输入冗长的说明，而是分析用户的意图和对话历史，实时生成可点击的选项，例如解释长度、语气或特定关注领域。
效率与复杂性
微软研究人员通过对比静态控件和新的动态系统来测试这种方法。研究结果真实地展现了此类工具在实际环境中的运行情况。
参与者一致反映，动态控件让他们能够更轻松地表达任务的具体细节，而无需反复修改提示语。这减少了提示语设计的难度，使用户能够将更多精力集中在理解内容上，而不是措辞技巧上。通过显示“学习目标”和“回答格式”等选项，系统引导参与者更认真地思考他们的目标。
然而，采用新系统也会带来一些权衡。参与者重视系统的适应性，但也发现系统更难理解。一些人难以预测所选选项会如何影响结果，他们指出，由于只有在输出结果出现后才能看出效果，因此控制机制显得不够透明。
这凸显了需要权衡的问题。动态界面可以简化复杂任务，但也可能引入学习曲线，因为用户需要适应复选框与最终输出之间的联系。
提示：如何解决人工智能提示问题？
Promptions 的设计目标是轻量级，它作为中间件层，位于用户和底层语言模型之间。
该架构由两个主要组件构成：
- 选项模块：审查用户的提示和对话历史记录，以生成相关的 UI 元素。
- 聊天模块：根据这些选择生成人工智能的回复。
对于安全团队而言，尤其值得注意的是，“无需在会话之间存储数据，这简化了实现过程。”这种无状态设计缓解了通常与复杂人工智能叠加层相关的数据治理问题。
从“提示工程”转向“提示选择”为实现组织内更一致的AI输出提供了途径。通过实施引导用户意图的UI框架，技术领导者可以减少AI响应的差异性，并提高员工效率。
成功取决于校准。可用性方面的挑战依然存在，例如动态选项如何影响人工智能的输出，以及如何管理多个控件的复杂性。领导者应将此视为一种设计模式，而非解决人工智能提示结果的万全之策，并应在内部开发平台和支持工具中进行测试。
