当前生成式AI的界面设计过于追求“一次性完成任务”，而忽视了人机协作的本质。早期的聊天机器人因技术限制，必须依赖多轮、渐进式的互动，用户输入简短、意图明确，AI则通过不断澄清和确认来推进对话。这种“必要性驱动的协作”反而更符合真实问题解决的复杂性。 而如今，大语言模型（LLM）让用户能一次性输入大量上下文，AI也倾向于直接给出完整答案。但问题在于，许多用户需求是隐含的、未明说的，或在过程中不断演化的。AI若强行“完成”任务，往往忽略这些动态变化，导致结果不准确或不贴合实际。 真正的进步应是转向“协作型AI代理”——即AI不急于给出最终答案，而是与用户共同推进问题解决。通过“协作努力增益”（collaborative effort scaling）框架，AI能评估用户投入的每一分努力是否带来价值。在低复杂度任务中，AI可自主完成；但在复杂、多变的任务中，AI应主动引导用户参与，通过迭代反馈不断优化结果。 例如，用AI规划旅行时，用户不可能一次性说清所有细节。一个真正智能的系统应像一个合作的旅行顾问：先询问目的地、预算、兴趣，生成初步方案，再根据用户反馈（“换更便宜的酒店”“加个文化类活动”）动态调整。这种过程不是“完成”，而是“共同创造”。 这正是研究者呼吁的转变：AI评估标准不应只看最终输出质量，更要看其在过程中如何激发、响应和提升人类参与。OpenAI等公司内部的系统设计也已体现这一趋势——通过不断澄清用户意图，避免误解。 本文展示的旅行规划AI代理代码，正是这种理念的实践：从初始理解、生成草案，到接受反馈、持续优化，每一步都体现人机协同。它不依赖外部库，可在Colab中逐行运行，直观展示协作式AI如何在无技术依赖下实现更自然、更高效的问题解决。 结论：完成 ≠ 协作。未来的AI不应是“答案机器”，而应是“协作伙伴”。