#Human-Agent Interaction

3 篇

Delegating or Doing? Understanding User Behavior in Hybrid Human-Agent Interfaces

委托还是亲为？理解混合人-代理界面中的用户行为

🧭 人机混合界面委托行为研究

Future University, Hakodate · De La Salle University

研究发现LLM代理混合界面主要降低交互努力而非提升速度，委派行为个体差异远大于任务差异

📌 工作参考价值（4 点）

在电商后台、内容管理或广告投放工具等混合GUI+Agent场景中，提供“委托+直接操作”模式可显著降低点击、翻页、滚动等物理交互成本，但不应指望它缩短任务完成时间；可将降低操作负担作为体验优化指标，而非单纯追求效率。
委派行为个体差异大（ICC=.50），远超任务类型差异，说明用户对Agent信任/偏好分化明显。在Agent产品设计中，可支持个性化默认模式（AI-First vs 手动优先），或基于用户历史委派行为动态调整界面默认入口与交互引导。
未发现CRUD操作类型（如高风险删除）与委派行为的相关性，用户不会系统性回避高风险委派。因此在设计商品下架、删除等高危操作的Agent能力时，应把风险控制内置到执行流程（如确认、回滚、权限校验），而不是假设用户会因风险而避免使用Agent。
通过MCP连接LLM agent，可快速为已有系统增加自然语言操作能力，复用现有API。对于电商/推荐工程团队，这是低成本为内部工具或运营后台增加Agent交互的路径。

Agent | 2026-08-20 | cs.HC | score 6/10

商业场景中的人机 Agent 交互 UX 研究

🧭 企业级 Agent 的 UX 设计原则与评估

SAP SE · Hochschule Fresenius Heidelberg · University of Missouri, Columbia

通过混合方法识别并评估商业 AI Agent 的 UX 原则与度量标准，为更直观的交互设计奠定基础

📌 工作参考价值（4 点）

在设计电商购物 Agent（如导购机器人、智能客服）时，直接借鉴文中总结的 UX 原则（如透明度、可控性、上下文感知）来设计对话流与反馈机制，提升用户信任与采纳。
采用混合研究法（定性访谈 + 定量问卷 + 调查实验）评估 Agent 交互体验；可迁移到内部 Agent 产品的迭代中，先小样本挖掘痛点，再大规模定量验证设计效果。
将用户对 Agent 的期望（如自然语言理解质量、任务完成方式、错误恢复能力）纳入需求定义，指导推荐/搜索 Agent 的交互设计，而不仅关注算法指标。
构建度量体系（可用性、满意度、信任、耦合度）系统衡量 Agent UX，辅助开发团队做用户中心的决策，避免纯技术驱动。

Agent | 2026-06-17 | cs.HC | score 6/10

Mobile-Aptus：基于置信度驱动的MLLM移动代理主动鲁棒交互框架

🧭 移动代理 · 置信度驱动交互 ★ 深度解读

Shanghai Jiao Tong University · Meta (GenAI)

提出通用置信度集成框架，结合有监督微调与基于语义相似检索和DPO的置信度偏差校正，同时缓解移动代理的过度执行和过度请求问题

📌 工作参考价值（4 点）

可借鉴如何通过置信度分数让 agent 自主判断何时请求人工介入，避免因模型能力边界不清晰导致盲目执行或频繁打扰，适合电商售后、Agent 助理等场景，可复用 confidence-aware 的输出结构设计。
提出的两阶段训练流程（先 SFT 赋予置信度生成能力，再通过语义相似检索构建 DPO 对进行偏差校正）具有通用性，可直接迁移到推荐对话交互或生成式推荐中需要模型自省置信度的任务，提升模型自我评估的准确性。
在构建 DPO 正负例时，仅针对模型置信度预测错误的样本并利用语义相似度检索 top-k 相关样本构造对比对，能高效利用数据，避免全量标注；该数据增强 trick 可用于其他需要置信度校准的指令微调场景。
实验表明，用多智能体系统替代人工介入可在不牺牲任务成功率的前提下减少打断次数（TASK成功率提升32.91%，平均额外延迟仅0.56s），这为电商业务流程中人类介入环节的自动化提供了可行架构：部署一个云端多智体系统，在本地 agent 不确定时接管步骤。

Agent | 2026-05-27 | cs.CL | score 8/10