该技能聚焦于 AI 界面的启发式评估（Heuristic Evaluation for AI）。它指出 Nielsen 的十大可用性启发式是为传统软件设计的，而 AI 产品需要针对概率型、生成式和对话式系统的独特挑战进行适配。
经典启发式的 AI 适配
- 系统状态可见性：用户应始终知道 AI 在做什么、正在处理什么以及它的置信度如何；生成过程要有进度指示；数据来源要透明。
- 系统与真实世界的匹配：AI 应使用用户能理解的语言和概念，不暴露模型内部细节，用用户任务而非技术特性来表述能力。
- 用户控制与自由：用户必须能够停止生成、撤销 AI 操作、编辑输出并覆盖建议；AI 的自主性应始终留有退出路径。
- 一致性与标准：AI 在相似请求上应表现一致，相同输入类型应产生相同输出格式，人格设定应保持稳定。
- 错误预防：设计提示词与界面以引导用户进行有效交互，在产出低质量结果前建议澄清。
- 识别而非回忆：向用户展示 AI 能做什么，而非要求他们自行发现命令；在相应情境中呈现相关能力。
- 使用的灵活性与效率：同时支持新手（引导式）与专家（快捷式）交互模式，高级用户应能自定义 AI 行为。
- 美观与极简设计：AI 输出应简洁且结构良好，不要用不必要的免责声明或填充内容。
- 帮助用户识别、诊断和从错误中恢复：当 AI 失败时，用用户语言而非技术术语解释问题，并提供清晰的恢复路径。
- 帮助与文档：提供关于如何有效与 AI 交互的情境化指导，通过界面对用户进行提示词技能教学。
AI 专用启发式
除经典十条之外，AI 产品还需要针对以下方面进行评估：
- 校准信任：界面是否帮助用户恰当地信任 AI——既不过度也不不足？
- 优雅降级：当 AI 无法完全提供帮助时，是否提供部分帮助，而不是完全失败？
- 反馈有效性：用户能否轻松纠正 AI，AI 是否会随之调整？
- 局限性透明：在用户触及 AI 边界之前，边界是否已经清晰？
- 适当自主性：AI 是否针对任务与情境采取恰当程度的主动行为？
开展 AI 启发式评估
- 选择 3 至 5 名具备 AI 产品经验的评估者。
- 界定评估范围（哪些功能、哪些用户任务）。
- 每位评估者独立按启发式逐项检查。
- 记录问题并给出严重度评级。
- 汇总发现并排定优先级。
设计交付物
- AI 启发式检查清单（适配后的经典项 + AI 专用项）
- 评估协议与评分量规
- 问题严重度分类指南
- 启发式评估报告模板
- 优先级发现矩阵