OPPO AI｜小布记忆 APP 体验构建与优化

系统级 AI 在效率赛道下的新场景

关于项目周期

在整个项目中，我深度参与了前期用户研究和交互多方案设计的探索，并完成了多轮验证。

时间线

Timeline

行业总结与用户研究

项目前期，通过洞察行业内主流的 12 项 AI 效率工具的核心功能和架构，对比一方与三方应用之间的 AI 功能场景差异，我总结了系统级 AI 的优势赛道和机会点，并启发于后续设计。

原生入口优势

系统原生应用高度集成 AI 能力，能减少中介层，使访问更加直觉与流畅。

数据资产优势

个人设备更加了解用户行为与偏好，在提供服务、意图识别上更加专属精准。

模型能力劣势

相比于三方，不擅长处理复杂信息内容和提供专业服务。

围绕桌面研究的经验，我们筛选了 15 名符合 OPPO 要求的原点用户群体（大学生、新锐及中层白领）展开深度访谈，并从用户处理信息的场景、用户对于信息加工的通用步骤、用户如何理解信息效率的智能三个角度出发，洞察用户的高频高需场景，最后用户碎片化记忆管理的场景脱颖而出。

用户行为分析

从用户的行为链路展开，分析用户在碎片化“记忆”管理过程中的痛点与机会点。

首先是“记忆的方式”

在方案设计初期，我们权衡可实现性和用户体验，探索了多种跨服务记忆采集方式的优劣，力求让用户记得“快、准、好”。

缩短记忆链路 用户采集简单流畅

为了最大发挥系统级 AI 的原生入口优势，提升用户的沉浸体验，我们最终选择了侧边物理按键与快捷手势的记忆采集方式。

• 操作仅 1 步，不干扰用户当前任务流；物理按键易懂易操作，体验曝光率高。
• 要求技术支持记住当前帖子下的全部内容，包括不在画面中的文字和图片。

在后续功能实机上线前，我们组织了对整体功能的用户测试，上线后验证了相关数据结果。（来源：OPPO 4 月份用户评测，样本量 30；指标：直觉性、操作流畅性、入口易发现指标平均得分。）

记忆后如何反馈 减少 AI 记忆的“不确定感”

因为 AI 的操作过程不可见，用户难以确认信息是否被正确记住，容易产生不确定感，所以需要提升信息的可解释性。

真机测评中，我们收到用户反馈，在一些复杂场景存在 AI 识别记忆内容不准确或出错的情况。

通过将 AI 记忆的内容概要以流体云即时呈现给用户，当 AI 出错时，用户可以及时补救。

然后是记忆“整理的方式”

用户的长期记忆会被收藏在小布记忆 APP 中，并由 AI 为用户做单条记忆和多条记忆的整理，解决用户整理麻烦的需求。

优化单条记忆的整理

“记忆”的目的是“使用”，不同场景下用户的需求具有很大差异，针对不同意图做 AI 摘要的差异化内容承接，能够给用户带来更加贴切的体验。

优化多条记忆的整理

现存问题：AI 会跳过用户决策环节，自动往已创建合集中归类相似记忆。看似提升效率，但会损失用户的掌控感和信任，需要定义 AI 整理的边界，避免用户反感。

PRE-RESEARCH / 方案洞察与预研

记忆使用的方式

总结用户访谈的内容，用户需要记住的信息有不同的使用场景偏好；用户反馈手机记忆的信息还需要转存在电脑上使用，十分麻烦。

目前 AI 生成结果和通用大模型结果相似、同质化严重。拥有用户的个人记忆后，结合“记忆”个性化问答，能使答案更加专属精准。

最后是 回溯的价值

当一份记忆遗失在信息的汪洋中，如何适时地主动提醒用户，解决收藏吃灰的痛点，提高记忆的复用率。

让 AI 从效率伙伴到情感联结

从长期发展来看，需要慢慢褪变 AI 的工具属性，与用户建立更加深刻的关系，以带来用户粘性的提升。

迭代结果验证

复盘与思考

AI 产品设计与传统产品设计差异

• 从设计用户体验到设计“认知体验”：AI 输出具有一定的不确定性，设计重点也从效率与易用性，扩展到透明解释、结果可控、错误可恢复，以及基于记忆的持续个性化。传统应用关注用户如何操作系统，AI 应用更关注系统如何理解并协助用户。
• “记忆”的边界与可能性：手机为代表的智能终端收集用户在数字世界的记忆并提供个性化服务，未来的智能硬件（比如 AI 眼镜）能否收集用户现实世界的偏好，带来新的设计可能性。

KNOW THE PRODUCT ColorOS.com