系列二-上瘾模型的AI重构-00-系列开篇-当上瘾设计遇见AI

当上瘾设计遇见AI：产品行为模型的底层逻辑正在被重写

系列二：上瘾模型的AI重构——产品行为设计的进化 | 开篇总揽
从 Hook Model 到 AI-Hook Model，一套重新定义用户行为设计的完整框架。

本文你将获得

• 🧠 上瘾模型的AI重构视角解读框架（理论×产品双重视角）
• 📐 Hook Model 四环节的AI重写路径（含 ChatGPT、Cursor、Perplexity 案例拆解）
• 🎯 AI时代的上瘾模型完整框架（可直接用于产品设计评审）
• ⚠️ 传统上瘾设计在AI产品中的3个失效点（避坑指南）
• 📋 上瘾模型设计检查清单（20项，逐条自检）
• 🔗 从经典理论到AI产品落地的完整映射路径

引言：两种"上瘾"，两种体验

凌晨一点，你躺在床上刷 Instagram。

一条 Reels 接着一条 Reels，手指机械地滑动。你知道该睡了，但就是停不下来。第二天醒来，你甚至不记得昨晚看了什么——只记得那种"被钩住"的感觉。

凌晨一点，你坐在电脑前用 Cursor 写代码。

本想改一个简单的 Bug，结果两个小时过去了，你不仅修好了 Bug，还重构了半个模块、写了测试用例、顺便把文档也补齐了。关掉编辑器的那一刻，你感到一阵兴奋：“这东西怎么这么上头？”

两种"上瘾"，两种完全不同的体验。

前者是被动上瘾——你被产品设计"钩住"了。推送通知、无限滚动、可变奖励……每一个环节都经过精心设计，目标只有一个：让你停不下来。

后者是主动上瘾——AI 主动适应你，理解你的需求，甚至预测你的下一步。你不是被"钩住"，而是被"赋能"了。

这两种上瘾背后的行为设计逻辑，正在发生根本性的变化。

Nir Eyal 的上瘾模型（Hook Model）是过去十年产品设计的圣经。但当 AI 成为产品的核心，这个模型正在被重写——AI 不只是让每个环节更高效，而是从根本上改变了用户行为的驱动机制。

这篇文章，就是这场重写的开始。

一、上瘾模型的经典框架回顾

1.1 Nir Eyal 的 Hook Model 四环节

上瘾模型由 Nir Eyal 在其著作《Hooked: How to Build Habit-Forming Products》中提出，用一个简洁的四环节闭环解释了为什么有些产品让人欲罢不能：

┌─────────────────────────────────────────────────────────────────┐ │ 经典 Hook Model 框架 │ │ │ │ ┌──────────┐ │ │ ┌────▶│ 触发 │────┐ │ │ │ │ Trigger │ │ │ │ │ └──────────┘ │ │ │ │ │ │ │ │ │ ▼ │ │ │ ┌──────────┐ ┌──────────┐ │ │ │ 投入 │ │ 行动 │ │ │ │Investment│◀─────────│ Action │ │ │ └──────────┘ └──────────┘ │ │ │ │ │ │ │ ▼ │ │ │ ┌──────────┐ │ │ └──────────────│ 回报 │ │ │ │ Reward │ │ │ └──────────┘ │ │ │ │ 核心公式：B = M × A × T （行为 = 动机 × 能力 × 触发） │ │ 理论基础：操作性条件反射 (Skinner, 1938) │ │ 心理机制：可变奖励的强化效应 │ └─────────────────────────────────────────────────────────────────┘

触发（Trigger）：行为的起点。分为外部触发（推送通知、邮件、广告）和内部触发（无聊、孤独、焦虑等情绪）。当用户产生某种负面情绪时，产品成为"止痛药"。

行动（Action）：用户为获得回报而采取的最小行为。Eyal 借鉴了 BJ Fogg 的行为模型：B = M × A × T（行为 = 动机 × 能力 × 触发）。要促成行动，必须同时具备足够的动机、足够低的能力门槛和有效的触发。

回报（Reward）：行为后的反馈。关键洞察来自 B.F. Skinner 的操作性条件反射研究——可变奖励比固定奖励更能形成行为习惯。老虎机是最典型的例子：你永远不知道下一次拉动会得到什么，这种不确定性让人上瘾。

投入（Investment）：用户在产品中的积累。存储的数据、建立的关系、培养的习惯……这些投入增加了转换成本，让用户"舍不得离开"。更重要的是，用户的投入会影响下一次触发——你发布的内容越多，就越期待收到通知。

1.2 为什么这个模型统治了十年？

Hook Model 之所以成为产品设计的"圣经"，是因为它成功解释了过去十年最成功的一批产品：

这些产品的共同特征是：它们都是"被动消费型"产品。用户被引导进入一个精心设计的行为闭环，在闭环中不断循环，形成习惯。

但 AI 产品的出现，正在改变这一切。

二、AI 如何重写上瘾模型的每个环节

当 AI 成为产品的核心，Hook Model 的每一个环节都在被重新定义。这不是简单的"效率提升"，而是底层逻辑的重写。

2.1 触发的重写：从"外部触发"到"主动感知"

传统触发：等待用户产生内部触发（如无聊），或通过外部触发（如推送通知）来激活用户。这是一个"被动等待"或"主动打扰"的过程。

AI 触发：预测用户需求，在用户意识到自己需要之前就主动触发。这是一个"主动感知"的过程。

┌─────────────────────────────────────────────────────────────────┐ │ 触发机制的范式转变 │ │ │ │ 传统触发： │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 用户情绪 │────▶│ 外部触发 │────▶│ 用户行动 │ │ │ │ (被动) │ │ (推送) │ │ │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ ↑ │ │ └── 用户必须先产生情绪，或被推送"打扰" │ │ │ │ AI 触发： │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 行为预测 │────▶│ 主动感知 │────▶│ 精准触发 │ │ │ │ (AI分析) │ │ (预判) │ │ (建议) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ ↑ │ │ └── AI 在用户意识到需求之前就主动建议 │ └─────────────────────────────────────────────────────────────────┘

案例：AI 编程助手的主动触发

当你在 Cursor 中写代码时，你不需要先"感到卡住"再去求助。AI 会监控你的编码模式，在你停顿超过一定时间、或在同一位置反复修改时，主动弹出建议：

┌──────────────────────────────────────────────────┐ │ function calculateTotal(items) { │ │ let total = 0; │ │ for (let i = 0; i < items.length; i++) { │ │ total += items[i].price; │ │ } │ │ // 你在这里停顿了 15 秒... │ │ │ │ ┌────────────────────────────────────────┐ │ │ │ 💡 建议使用 reduce 简化代码： │ │ │ │ return items.reduce((sum, item) => │ │ │ │ sum + item.price, 0); │ │ │ │ [Tab 接受] [Esc 忽略] │ │ │ └────────────────────────────────────────┘ │ │ } │ └──────────────────────────────────────────────────┘

这种触发不是"打扰"，而是"赋能"。AI 不是在你不需要的时候推送广告，而是在你真正需要帮助的时候主动出现。

对比分析：

2.2 行动的重写：从"点击操作"到"意图表达"

传统行动：用户需要学习产品的操作界面，通过点击、滑动、输入等具体操作来完成任务。能力门槛主要来自"操作复杂度"。

AI 行动：用户只需表达意图，AI 负责将意图转化为具体操作。能力门槛从"操作复杂度"降低到"表达能力"。

┌─────────────────────────────────────────────────────────────────┐ │ 行动门槛的范式转变 │ │ │ │ 传统行动路径： │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 用户意图 │────▶│ 学习操作 │────▶│ 执行操作 │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ │ │ └── 需要转化为 ──┘── 需要记忆 ──┘── 需要精确执行 │ │ 具体操作 操作步骤 多步操作 │ │ │ │ AI 行动路径： │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 用户意图 │────▶│ 自然表达 │────▶│ AI 执行 │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ │ │ └── 直接表达 ──┘── 零学习成本 ──┘── AI 自动完成 │ │ 意图 说人话即可 复杂操作 │ └─────────────────────────────────────────────────────────────────┘

案例：ChatGPT vs 传统搜索

假设你想了解"如何优化 MySQL 查询性能"：

传统搜索的行动路径：

1. 打开搜索引擎
2. 输入关键词"MySQL 查询优化"
3. 浏览多个结果页面
4. 点击进入某篇文章
5. 在文章中寻找相关内容
6. 可能需要打开多个标签页对比
7. 自己整合信息

ChatGPT 的行动路径：

1. 打开 ChatGPT
2. 输入：“如何优化 MySQL 查询性能？”
3. 阅读整合后的答案

行动步骤从 7 步减少到 3 步，认知负荷大幅降低。

对比分析：

2.3 回报的重写：从"可变奖励"到"个性化惊喜"

传统回报：基于 Skinner 的操作性条件反射，通过"可变奖励"制造不确定性，让用户持续期待。老虎机是最典型的例子——你永远不知道下一次会得到什么。

AI 回报：基于对用户的深度理解，提供"个性化惊喜"——不是随机的不确定性，而是精准超出用户预期的价值交付。

┌─────────────────────────────────────────────────────────────────┐ │ 回报机制的范式转变 │ │ │ │ 传统回报（可变奖励）： │ │ │ │ 回报价值 │ │ ▲ │ │ │ ★ ★ ★ │ │ │ ★ ★ │ │ │ ★ │ │ │──────────────────────────────▶ 时间 │ │ │ │ 随机分布，用户不知道下一个回报是什么 │ │ 期待来自"不确定性" │ │ │ │ AI 回报（个性化惊喜）： │ │ │ │ 回报价值 │ │ ▲ │ │ │ ★ ★ ★ │ │ │ ★ ★ ★ │ │ │ ★ ★ ★ │ │ │ ★ ★ ★ │ │ │──────────────────────────────▶ 使用深度 │ │ │ │ 随使用深度递增，AI 越来越懂你 │ │ 期待来自"被理解" │ └─────────────────────────────────────────────────────────────────┘

案例：AI 推荐系统的进化

传统推荐：基于协同过滤，推荐"和你相似的人也喜欢"的内容。这种推荐是"统计学的"——它知道和你相似的人群喜欢什么，但不知道你此刻真正想要什么。

AI 推荐：基于对用户上下文的深度理解，推荐"你此刻最需要"的内容。这种推荐是"个性化的"——它理解你的当前任务、历史偏好、甚至情绪状态。

2.4 投入的重写：从"数据存储"到"能力进化"

传统投入：用户在产品中积累数据、建立关系、培养习惯。这些投入增加了转换成本——“我舍不得离开，因为我已经在这里投入了太多”。

AI 投入：用户的使用本身就是"训练数据"。使用越多，AI 越懂你，体验越好。投入不再是"存储"，而是"进化"。

┌─────────────────────────────────────────────────────────────────┐ │ 投入机制的范式转变 │ │ │ │ 传统投入： │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 用户投入 │────▶│ 数据存储 │────▶│ 转换成本 │ │ │ │ (数据) │ │ (积累) │ │ (不舍) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ └── 投入是"沉没成本"，用户"舍不得离开" │ │ │ │ AI 投入： │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 用户使用 │────▶│ AI 学习 │────▶│ 体验进化 │ │ │ │ (行为) │ │ (训练) │ │ (更好) │ │ │ └──────────┘ └──────────┘ └──────────┘ │ │ │ │ │ └── 投入是"投资"，用户"离不开因为体验越来越好" │ └─────────────────────────────────────────────────────────────────┘

案例：ChatGPT 的"记忆"功能

当你在 ChatGPT 中持续对话时，它会"记住"你的偏好、习惯、常用表达方式。这种记忆不是简单的"数据存储"，而是"能力进化"：

• 它记住了你的写作风格，下次生成内容时自动匹配
• 它记住了你的技术栈偏好，回答问题时自动选择相关技术
• 它记住了你的项目背景，建议时自动考虑上下文

这种投入带来的不是"转换成本"，而是"进化红利"——你用得越多，它越懂你，你就越离不开它。

对比分析：

三、AI 上瘾模型的完整框架

将以上四个环节的重写整合，我们可以得到 AI 时代的上瘾模型：

┌─────────────────────────────────────────────────────────────────┐ │ AI 时代的 Hook Model 重构版 │ │ │ │ ┌──────────┐ │ │ ┌────▶│ 触发 │────┐ │ │ │ │ (主动 │ │ │ │ │ │ 感知) │ │ │ │ │ └──────────┘ │ │ │ │ │ │ │ │ │ ▼ │ │ │ ┌──────────┐ ┌──────────┐ │ │ │ 投入 │ │ 行动 │ │ │ │ (能力 │◀─────────│ (意图 │ │ │ │ 进化) │ │ 表达) │ │ │ └──────────┘ └──────────┘ │ │ │ │ │ │ │ ▼ │ │ │ ┌──────────┐ │ │ └──────────────│ 回报 │ │ │ │ (个性化 │ │ │ │ 惊喜) │ │ │ └──────────┘ │ │ │ │ 核心转变： │ │ · 触发：从"被动等待/主动打扰"到"主动感知预测" │ │ · 行动：从"操作界面"到"意图表达" │ │ · 回报：从"可变奖励"到"个性化惊喜" │ │ · 投入：从"数据存储"到"能力进化" │ └─────────────────────────────────────────────────────────────────┘

3.1 经典模型 vs AI 模型对比

3.2 AI 上瘾模型的设计原则

四、系列预告

本系列将深度拆解 6 个核心主题，探索 AI 如何重构产品行为设计的每一个维度：

五、写给谁看？

本系列的目标读者包括：

• AI 产品经理：希望理解 AI 产品行为设计的底层逻辑，从"功能思维"升级到"行为设计思维"
• AI 应用开发者：希望在自己的 AI 产品中融入行为设计，提升用户留存和活跃度
• 交互设计师：希望了解 AI 时代的交互设计新范式
• 对 AI 产品化感兴趣的研究者：希望看到学术理论与产品实践的结合

如果你属于以上任何一类，这个系列就是为你准备的。

六、一个邀请

在正式进入下一篇之前，我想邀请你做一件事：

回想一下你最近使用 AI 产品时"离不开"的经历。是什么让你持续回来？是哪个瞬间让你感到"它真的懂我"？那个瞬间背后，大概率藏着 AI 重写后的 Hook Model。

带着这个觉察进入本系列，你会发现：好的 AI 产品，不是让你"停不下来"，而是让你"离不开"。而这背后，是一套正在被重写的行为设计系统。

这就是我们要拆解的东西。

🔖系列连载中
本文属于「上瘾模型的AI重构」系列（开篇）

• 下一篇：《推荐算法如何"劫持"信息缺口理论》
• 关注本博客，第一时间收到更新推送

💎关注后私信回复"上瘾"，获取配套资料：

• AI 上瘾模型设计画布
• 行为设计检查清单（20项）

参考文献：

1. Eyal, N. (2014).Hooked: How to Build Habit-Forming Products. Portfolio.
2. Skinner, B. F. (1938).The Behavior of Organisms: An Experimental Analysis. Appleton-Century.
3. Fogg, B. J. (2009). A Behavior Model for Persuasive Design.Proceedings of the 4th International Conference on Persuasive Technology.
4. Loewenstein, G. (1994). The Psychology of Curiosity: A Review and Reinterpretation.Psychological Bulletin, 116(1), 75-98.
5. Schultz, W., Dayan, P., & Montague, P. R. (1997). A Neural Substrate of Prediction and Reward.Science, 275(5306), 1593-1599.
6. Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision under Risk.Econometrica, 47(2), 263-291.