下一层抽象：从UX角度思考Agentic OS的样貌

作者｜ 灯火明

过去一年里，每当有新闻展示所谓的“智能体手机”或者桌面 Agent（还记得全民龙虾吗？），我都嗤之以鼻：“我自己点两下不就做完了吗？”

对熟悉计算机的人来说，这种反应很正常。

打开设置调整字体大小，解压一个文件，批量修改文件名，把几张照片整理到文件夹里，转换一下视频格式……这些任务对于任何熟练的 power user 来说，几条命令就能解决。

因此，当厂商演示 Agent 如何在手机上帮用户订餐、找照片、调整设置时，怀疑声自然响起：“自己花十几秒就能完成的事情，为什么还要交给一个可能出错的 AI？”

实际上，这里隐含了一个很容易被技术用户忽略的前提：我们已经知道应该怎么做。

而大量普通用户在使用时产生的问题是发生在这一步之前的。

GUI 已经很友好，
但它仍然要求用户理解计算机的“语言”

现在回头看 Windows、macOS、iOS 和 Android，很难说它们的图形界面“不友好”。

和几十年前相比，现代操作系统已经把大量复杂性藏了起来。用户不需要记忆命令，不需要知道具体的磁盘地址，也不用理解程序运行时到底发生了什么。

然而，即便 GUI 已经发展了几十年，一个第一次打开 Photoshop、Excel，甚至一些稍复杂的系统设置界面的人，仍然很容易陷入一种“完全不知道该从哪里开始”的状态。

原因不只是选项太多。更常见的情况是，用户知道自己想要什么，却不知道这个目标在软件里对应什么功能。

比如一个普通用户导出视频以后发现画质很差。用户在想的是“为什么这个视频看起来这么糊？”而软件提供给他的是编码器、比特率、分辨率等等参数。

这些参数本身设计得很清楚，甚至每一个旁边都有解释，但用户仍然需要先知道“比特率”意味着什么，才有可能判断哪个参数与自己的问题有关。

图形界面把计算机操作变得可见，也让很多操作变得容易探索。但“可探索”并不代表“理解”的门槛变低，我们仍然需要把自己的“意图”转换成“操作”再执行。

对于技术用户来说，这个转换过程像呼吸一样自然；而对于许多普通用户来说，这本身就是不可逾越的“天堑”。

我们把很多学过的东西误认为了“常识”

1980-2005 年这段时间内出生的 Gen X/Y/Z 们，在成长过程中其实接受过一轮相当完整的 PC 教育。“大计基”的普及是一方面，但大多数时候这种教育未必来自课堂。

很多人真正学习电脑，是从安装盗版游戏、找破解补丁、解压 RAR、折腾驱动、清理 C 盘、重装系统开始的。

久而久之，我们就自然地接受了一套桌面计算机的基本“语言”：文件 / 文件夹、路径、扩展名、磁盘、快捷方式、安装、下载、上传、本地、网络……

看到一个“.zip”文件，自然知道应该先解压；

看到快捷方式被删除，也不会认为软件本身已经被卸载；

从浏览器下载文件以后，知道可以去 Downloads 目录寻找。

这些东西熟悉到一定程度以后，就很容易被当成常识。

但对于越来越多从智能手机开始接触数字设备的年轻人，这套语言体系已经没有那么自然了。

智能手机过去十几年的 UX 演进，目标之一就是持续隐藏传统计算机的内部结构。拍完一张照片以后，用户看到的是“相册里的照片”，而不是某个目录下的 JPEG 文件。想把照片发给别人，也不会先打开文件管理器寻找路径。用户通常从照片应用里点一下“分享”，然后选择微信、QQ 或其他应用。甚至“文件”这个对象本身，在很多手机使用场景中都已经退到了后台。

于是近几年网上经常出现一种让老 PC 用户很难理解的现象：一些十几岁的年轻人可以非常熟练地使用短视频、社交软件和各种手机应用，却不知道什么叫“解压缩”，不知道 exe 和 apk 代表的意义完全不同，也不知道怎样把几个文件放进文件夹以后压成 zip。

把这简单归结为“年轻人没有数字素养”并不准确。他们依然可以非常熟练地使用数字设备，只是他们熟悉的不是传统桌面 PC（也就是 Windows）的那套 “语言体系”。

这件事还有一个有趣的对照：在年龄的另一端，很多老年人也一直没有真正适应 PC。

Windows 从早期开始就使用了大量现实世界的隐喻：桌面、文件、窗口、垃圾桶。这套设计在当时大幅降低了计算机的学习难度，但它依然有自己的基本逻辑。

例如，用户需要理解数字对象存在于某个位置，窗口和文件并不是同一个东西，关闭程序不等于删除文件，桌面只是文件系统中的一个特殊文件夹。

年轻人会觉得这些概念理所当然，老年用户却经常卡在这里。

“刚才打开的东西去哪了？”

“为什么昨天还在这里，今天就找不到了？”

“我把这个窗口关掉，是不是东西就没了？”

真正困扰他们的经常不是某个按钮，而是系统状态本身。

今天的年轻人正在从另一条路线到达类似的位置：不怎么用电脑的老年人从未真正学会 PC 的操作逻辑；年轻一代则因为智能手机已经足够好用，没有必要建立这套体系。

反而是中间几代人，因为经历过 PC 普及、学校机房、家庭电脑和早期互联网时代，对桌面平台形成了一种今天看来相当特殊的熟练度。

Agent 让计算机
开始理解用户的“意图”

从这个角度重新看 Agent，很多原来看起来有些多余的功能就会显得合理得多。

一个老年用户觉得手机上的字太小。

传统 GUI 已经把这个功能设计得非常简单：进入设置，找到显示，调整文字大小。对于熟悉手机的人来说，这条路径几乎没有成本。

但用户仍然需要知道“字体大小”属于系统设置，也需要知道应该去哪里寻找。

如果有一个可靠的 Agent，用户可以直接说：“字有点小，我看不清，帮我调大一点。”

类似的例子还有很多。

“把这几个文件打包发给张老师。”

“把昨天孙女在公园的照片发给小王。”

“这个视频占太多存储了，帮我弄小一点，但别变得太糊。”

这些任务背后可能涉及文件系统、压缩格式、视频编码、应用权限和跨应用操作。对普通用户来说，它们都需要一定的“数字素养”。

Agent 有能力把这些内部概念继续往下藏。

说的远一些，回头看个人计算几十年的演进，这是一条很自然的路线：

• 命令行时代，用户需要准确描述计算机应该怎样执行；

• GUI 出现以后，大量命令被替换成了可见的对象和操作；

• 智能手机进一步弱化了文件和目录，把使用习惯逐渐转向 App、内容和任务；

• Agent 时代，用户只需要表达想达到的结果，系统再去寻找实现路径。对比 Graphic User Interface，我会把这一层称作 Intent-oriented User Interface（意图型用户界面）。它真正有价值的地方，在于让过去不知道该点哪里，不知道如何将自己的意图转换成操作流程的用户也能够完成任务。

对于程序员来说，“把这几个文件压缩以后发送”可能只是几秒钟的操作。真正的 UX 进步却可能体现在另一件事上：普通用户以后根本不需要知道 ZIP 是什么。

错误处理会变成新的核心“冲突”

GUI 提供的操作路径可能不够明显，但逻辑依然是以用户交互为中心的。由 Agent 参与的意图型 UI 则在执行层面多出一个更显眼的问题：系统里有一个会犯概率性错误的操作者。

如果它只是偶尔找错一个设置，问题还不算严重。可一旦 Agent 开始整理文件、发送邮件、删除数据、修改账户权限，错误的成本就会迅速放大。

今天很多关于 Agent 能力的讨论，关注点仍然集中在任务成功率。这个指标当然重要，但对于真正面向普通用户的 Agent，失败以后怎么处理同样重要。

LLM 很擅长解释错误，传统软件可能只显示“Permission denied”，而 Agent 可以告诉用户“这个文件夹没有写入权限，所以我没有继续修改。你可以给我权限，也可以换一个保存位置。”

这比传统的纯技术性错误信息要接地气的多，但光能解释原因还不够，如果操作已经执行了一半，Agent 还得能够有效撤销。

Agent 需要更强的“撤销”

假设用户说：“帮我整理一下照片库。”Agent 可能需要移动几千个文件，重命名一部分照片，清理重复内容，再修改一些 metadata。

今天的桌面系统通常把这些动作看成很多彼此独立的文件操作。可用户心里想的其实只有“整理照片。”

如果整理结果不满意，用户希望撤销的也会是“刚才那次整理”，而不是面对一个“恢复几千次文件操作”的确认框。

Agent 时代，可能需要一种更接近“任务”级别的撤销。在开始之前，系统先记录当前状态。执行过程中，所有修改都有对应的 provenance。任务结束以后，这些动作仍然属于同一个操作单元。

第二天用户觉得结果不好，只需要选择“撤销昨天的照片整理”，系统就可以恢复到任务开始之前的状态。

熟悉数据库、虚拟化和分布式系统的朋友们应该已经很自然地跳出了 snapshot、transaction、rollback 这些概念。过去桌面软件没有必要把它们大规模用于普通用户操作，因为系统默认操作者知道自己在做什么，但 Agent 的介入改变了这个前提。

操作风险也需要重新分层

另一点要注意的是，并不是所有操作都有相同的风险。

搜索文件、阅读网页、生成一个临时文档，即使 Agent 判断错了通常也不会造成严重后果；移动和重命名文件风险高一些，但如果系统有完整的 snapshot，大多数问题仍然可以恢复；删除大量数据、覆盖文件、修改权限，就需要更严格的检查。

而发邮件、发布公开内容、转账、购买商品这些动作会产生外部副作用。一旦发生，即便系统 rollback 往往也无能为力，修正错误的成本极高。

所以，未来 Agent 的权限体系可能也需要更多考虑错误操作时的撤销成本。这里的重点是：“系统怎样允许 Agent 安全地操作电脑”。

Agentic OS 比“LLM OS”更值得讨论

从去年开始围绕大模型出现过不少所谓“LLM OS”的构想，其中一种常见的说法是把 LLM 类比成 CPU，把 Context Window 类比成内存，再把不同 Agent 类比成进程。描述起来很有想象力，但个人认为只是过度类比。

CPU、内存、文件系统和传统操作系统已经拥有几十年积累下来的确定性和可靠性。LLM 的优势不在这些地方。

一个比较实际的 Agentic OS 方向，是继续让传统 OS 负责自己擅长的事情，比如文件系统、周边设备通讯、任务调度等等；LLM 则位于更高的语义层，负责理解用户意图、规划步骤、选择工具，以及在出现问题时与用户沟通。

而为了让这个“Agent”安全工作，操作系统侧需要提供新的基础能力：完整的 snapshot、清晰的操作记录、rollback 操作，以及针对不同风险级别的授权和确认机制。

这种意义上的 Agentic OS 并不需要重新发明计算机结构，但需要重新设计最高层的控制面，让一个能力很强、同时又不完全可靠的智能体能够安全地使用现有系统。

GUI 可能会从操作界面变成监督界面

即使 Agentic 时代来临，GUI 一定也不会因此消失。

自然语言很适合表达目标，却很不适合展示复杂状态。如果 Agent 准备删除 37 条视频，最有效的方式显然还是展示一个列表，而不是生成一段文字描述这些文件；如果 Agent 正在整理照片，一张进度界面也比不断输出自然语言更清楚。

GUI 在 Agent 系统里的角色因此可能发生变化。过去，GUI 主要负责让用户完成操作。今后，它可能越来越多地承担监督功能，显示 Agent 正在做什么、准备修改哪些内容、哪些步骤已经完成、哪些动作存在风险，以及怎样撤销。

聊天框和语音负责表达“意图”，GUI 负责展示“状态”。

下一层抽象

计算机的发展史里，很多重要的 UX 变化都来自抽象层不断提高。

最早期，用户需要适应机器；GUI 时代开始用人类熟悉的视觉对象包装计算机概念；智能手机又隐藏了大量桌面时代的文件系统和程序管理细节；Agent 继续沿着这个方向走下去，让系统的用户与想要的目标直接对接。

对于已经熟悉传统 PC 的 power user 来说，这一层带来的效率提升可能没有想象中巨大。很多 Agent 正在试图替普通用户解决的问题，对这些技术用户而言都是已经解决。

值得观察的是那些过去始终无法熟练使用桌面计算机的人，和那些对智能手机里的十万八千项设置感到头晕目眩的人。

如果一个不理解路径、压缩格式、编码参数和系统设置的人，也可以通过表达自己的目标完成复杂的数字任务，那么 Agent 的意义会远远超过“替用户点几个按钮”。

这一切建立在一个很重要的前提上：系统必须认真面对 Agent 的“错误”，需要让错误尽可能可见、可解释，也尽可能可恢复。

当这套基础设施逐渐成熟以后，个人计算的下一层抽象或许才真正成立：用户负责说清楚自己想做什么。至于内部到底需要经过多少步骤，这些实现细节可以重新交还给计算机自己。