核心設計假設
AI ≠ 生成內容的代工者
AI 應該是「連結脈絡」的鷹架；透過主動提供思考引導和關鍵推論依據，才能降低認知負荷，讓使用者專注於真正的高價值思考。
關鍵設計決策
從「快速生成」轉向「思考推進」
我們決定不讓 AI 成為「快速生成答案」的工具，而是定位為「思考推進者」；引導使用者自己「長出」洞察，而非被動接收資訊。
我的設計角色
UI 設計主導 × UX 研究協作
擔任 UI 組長，從零建構設計系統並把關產出品質。前期主導深度訪談與快速體驗，將研究洞察收斂為具體功能，確保設計兼具邏輯與美感。
產品核心命題
拒絕「直接給答案」的 AI 互動模式，改以「輔助深化思考」為核心
在生成式 AI 普及的現在，多數工具競相追求「一鍵生成」的效率，試圖取代使用者的產出過程。然而，對於 Heptabase 的知識工作者而言，學習的價值正是在於「思考的過程」。
因此，我們採取反直覺的策略：將 AI 定位為思考的「鷹架」而非產出的「代工者」。我們刻意設計了一套不直接提供結論的互動機制，透過結構化引導與關聯推薦來降低認知負荷，讓使用者在不中斷心流的前提下突破瓶頸，主動建構屬於自己的知識網絡。
時程｜
2025.10 - 2025.12，歷時 7 週
團隊｜
3 位產品設計師（協作：3 位研究員）
職責｜
Design Lead、UX research
工具｜
Figma、Notion
研究與洞察
我們選擇先理解「人如何思考與卡關」，而不是先設計 AI 功能
透過探索性研究（APP Review、快速使用體驗和突擊訪談），我們了解到現在市面上的 AI 工具無法滿足使用者深度思考的需求。
1
AI 代勞剝奪內化
真正的思考需親自轉譯，若全交給 AI 生成，大腦將失去處理資訊與內化的機會。
過度使用 AI 違背了深度思考的初衷……重點在於你必須用自己的話寫下卡片，否則只是自欺欺人，和在書上用螢光筆畫線一樣。
APP Review
2
功能淺層缺乏洞察
現有 AI 多停留在文本摘要，無法提供概念連結、分群或發現盲點等結構化分析。
一般的摘要功能太淺顯……AI 應該幫我找出卡片之間的概念關聯，給我一個方向的鷹架，而不是幫我寫完文章。
APP Review
3
缺乏推論難以內化
僅提供結果而無推導過程，使用者無法驗證邏輯也無法信任，導致知識無法轉化為具說服力的論點。
我最希望 AI 能改善「論文統整」環節……希望能解說為何這樣分類或歸納，顯示其思考流程，這樣會讓我覺得更有說服力。
突擊訪談
目標使用者
多數使用者正處於「探索中」，而非已準備好被給答案
在 56 份有效問卷中，我們發現多數人在面對新且複雜的主題時，不會優先釐清問題或建立思考框架，而是從「廣泛瀏覽」或「詢問 AI」開始，透過增加輸入量來摸索方向。
這代表多數使用者在學習初期，仍處於探索與定位問題的階段：資訊快速累積，但缺乏一個穩定的結構來判斷哪些內容值得留下、下一步該往哪裡思考。
基於此行為特徵，我們將核心目標族群定義為群擁有大量資訊來源，卻尚未將資訊有效整合為可回溯知識脈絡的「探索型使用者」。
探索型使用者
高輸入
低結構化
目標
關鍵痛點
問題不在於資訊不足，而在於「思考無法前進」
1
資訊過載與迷失
使用者卡在學習的「起點」，缺乏結構化的引導。
深度訪談 / 設計師 A
即使用了 AI，也常拿到偏掉的答案，繞一大圈最後才發現方向完全錯了，這讓我不確定問題出在 AI，還是自己不會下指令。
2
脈絡斷裂
知識孤島效應，導致學習無法累積，每次都像從零開始。
游擊訪談 / 工程師 D
我記得在幾年前好像在某個專案有記過的卡片或知識筆記，那我現在要怎麼找到它，來幫助我進行現在的專案 ？
3
思考停滯
現有 AI 工具多為「結論式回覆」，剝奪了使用者「推論」的機會
深度訪談 / 碩士生 Ｃ
現在常覺得自己只是被動接受資訊，擔心太依賴 AI ，久了就會覺得思考能力變差。想更有創造力，卻不知道怎麼往更深處思考。
市場分析
現有工具多數強調整理資訊，卻無法推動深度思考
設計問題定義
真正的思考發生在水面下：從「被動接收」轉向「主動內化」
我們發現現有工具多滿足水面上的「表層理解，但 Heptabase 的用戶真正需要的是水面下的「深度思考」。
最終我們做出了以下提問：
如何打造一個在思考卡關時能適時引導、
釐清目標並啟發洞察的 AI Agent？
核心功能
以篩選與引導的功能組合，打造可反覆深化核心知識的思考流程
解決資訊過載與迷思
思緒整理：系統學習建議
在探索初期，使用者往往已經在白板上累積了大量筆記卡片，但這些卡片多半只是被「記下來」，尚未形成可理解的學習脈絡。
在「Topic Refiner」這個功能，AI 會先自動選取使用者當前白板中的筆記卡片，透過關鍵字與語意分析，嘗試辨識這些內容中可能隱含的學習主題，並以提示的方式回饋給使用者：「目前的筆記中，可能正在形成哪些主題」。
使用者可以根據自身興趣與目標，主動選擇想要深入的主題。在確認主題後，AI 才會進一步生成一份對應的「學習地圖文件」，將該主題拆分為適當的章節結構，每個章節包含標題、章節概述，以及可延伸學習的參考資源。
這些資源不僅來自外部文章、影片或論文，也包含使用者已經存在於白板中的筆記卡片，確保新的學習結構是建立在既有思考之上，而非取而代之。
透過這樣的設計，思緒整理的目的並不是快速產出結論，而是幫助使用者意識到「自己目前正在學什麼」，並為後續的深入探索建立一個可持續擴展的起點。
AI 信任度問題
研究時發現部分使用者對於 AI 的「黑箱操作」抱有很大的疑慮，期待能清楚知道 AI 進行的所有思考與操作。但 AI 的思維模式和人腦運作不同，若是直接顯示 AI 思考的內容，可能會進一步增大他們的認知負擔。
因此，我們在設計時透過「即時顯示」以及「共同介面」兩個設計，讓使用者能看到 AI 正在進行對介面進行哪些操作，最大限度的透明化 AI 的思考流程。
解決脈絡斷裂
資料回溯：延續思考軌跡，避免每一次思考都從零開始
在長期的學習與研究過程中，使用者往往已經累積了大量筆記卡片，但當新的問題出現時，這些過去的內容卻很難被即時想起或重新利用。
因此，資料回溯被設計為一個由使用者主動觸發的行為。當使用者選擇一張或多張卡片，並點擊「尋找相關卡片」時，AI 才會根據這些卡片的關鍵字與語意，從整個卡片庫中尋找可能相關的既有內容。
為了避免黑箱式推薦，AI 不僅會列出相關卡片，同時也會提供每一張卡片的關聯度說明，協助使用者理解這些連結是基於哪些概念或關鍵詞所建立。
這樣的設計讓使用者能夠在當下的思考脈絡中，重新啟用過去的知識與推論，避免每一次研究都被迫從零開始。
解決思考停滯
思考引導：補足思考盲點
在思考階段，使用者常常不是缺乏資訊，而是不確定「下一步該做什麼」，導致思考停滯。
在這個階段，我們刻意避免讓 AI 提供任何結論式回覆。相反地，AI 的角色被設計為一個行動方向的提示者：根據使用者當前的卡片狀態與思考情境，提供一組使用者可以立即執行的具體行動建議。
這些提示可能包含：
新增某一特定主題的卡片
調整卡片之間的連線方式
嘗試從不同角度重新組織現有卡片
透過這種方式，AI 並不取代使用者的推論過程，而是幫助使用者重新啟動思考節奏。
學習與反思
在設計「引導式 AI」的過程中，我們重新理解了思考輔助的邊界
1
引導不只是「給結構」，而是「降低閱讀型認知負荷」
在設計初期，我們希望透過結構化的方式，引導使用者從混亂的筆記中建立清楚的學習脈絡。因此，在多個功能中，AI 仍會以完整內容的形式。然而，在反覆檢視整體體驗後，我們也意識即使內容是「引導式」的，只要主要互動仍建立在閱讀大量資訊之上，使用者的認知負荷本質上仍偏向「吸收」，而非「推論」。這讓我們重新思考「引導」的真正意義。未來的設計不應只著重於「把內容說清楚」，而是需要進一步拆解思考節奏，讓 AI 能在更細緻的節點介入，協助使用者一步步推進。
2
對話式 AI 的框架，未必適合所有思考場景
目前多數 AI 互動仍建立在「對話」這一熟悉的框架之上。在專案中，我們也大量運用了這種模式，來提供提示、整理與引導。但隨著設計逐漸收斂，我們開始意識到對話式互動天生偏向語言輸出，但對 Heptabase 而言，思考往往發生在卡片之間的連線變化、群組調整與視覺重組之中。這也促使我們反思：若能跳脫對話式 AI 的既有框架，轉而設計更貼近白板操作的互動形式，AI 的角色或許能從「對話對象」，進一步轉變為「結構操作的輔助者」。
3
設計是不斷取捨的過程
在整個專案中，我們始終堅持 AI 不應取代使用者的判斷與推論，而應協助思考持續前進。這樣的選擇導致產品注定不會是最「省力」或「最快得到答案」的工具。 使用者仍需要閱讀、選擇、調整與行動，學習曲線與投入成本也相對較高。但透過這個專案，我們更清楚地確認對於重視理解深度與長期累積的知識工作者而言，保留思考的主導權，本身就是產品價值的一部分。因此在追求效率之前，我們應先確保設計沒有過早奪走使用者「自己想明白」的機會。
