代理式 LLM 汽车助理在多步骤处理期间的中间反馈效应

能够自主执行多步骤任务的代理式 AI 助手在用户体验方面提出了开放性问题：在此类在注意力关键环境（如驾驶）中进行的延长操作期间，系统应如何与用户沟通进度和推理？我们通过一个受控的混合方法研究（N=45）比较了计划步骤和中间结果反馈与静默操作仅提供最终响应的情况。使用双任务范式进行车内语音助手，我们发现中间反馈显著改善了感知速度、信任和用户体验，同时降低了任务负荷——这些效果在不同任务复杂性和交互情境中均显著。进一步的访谈进一步揭示了用户对自适应方法的偏好：在建立信任方面高度初始透明度，然后随着系统可靠性验证逐渐减少冗余，同时根据任务风险和情境进行调整。我们将我们的实证发现翻译为车辆助理反馈时机和冗余度的设计指导，在透明度和效率之间进行权衡。