当前LLM在设计反馈中常给通用建议，限制了使用者设计能力的提升。一项研究引入认知学徒模型，提出DesignMentor系统，旨在将LLM从答案提供者转变为设计导师，通过结构化互动引导使用者主动参与、深度思考，有效解决AI辅助设计中的关键瓶颈。
智能速览
当前LLM在设计反馈中存在通用性过强的问题。
研究引入认知学徒模型，旨在提升AI的导师能力。
DesignMentor系统通过三阶段结构化引导设计过程。
实验证明该系统能显著提升反馈的完整性与相关性。
AI导师的效果会因设计阶段和用户经验而产生差异。
精华内容
从答案提供者到设计导师的转变，关键在于引入结构化的教学策略。认知学徒模型为这一转变提供了理论框架，通过分阶段引导，激发使用者的主动思考与深度参与。
设计反馈的瓶颈
当前主流的LLM在设计交互中，往往扮演着一个“答案提供者”的角色。它们给出的反馈虽然有一定价值，但常常流于表面，缺乏针对性和深度。这种单向的交流模式难以引导使用者进行深层次的反思性参与，长此以往，反而可能限制使用者设计推理能力的自主发展。这一瓶颈已成为AI辅助设计领域亟待突破的关键挑战。
认知学徒模型
为解决上述问题，研究团队引入了教育领域的认知学徒模型（CAM），并基于此构建了DesignMentor系统。该系统并非直接给出答案，而是通过精心设计的结构化提示词，实现CAM的六大教学策略。整个反馈过程被清晰地划分为三个阶段：首先是目标澄清，其次是诊断讨论，最后是反思探索。此外，系统还融入了边界定义、范围界定等补充方法，确保引导的有效性。
实验验证效果
一项针对24名可视化从业者的受试者内实验，对DesignMentor系统进行了严格的检验。参与者带着自己的可视化作品，分别与基线LLM和DesignMentor进行交互。通过分析调查问卷、深度访谈和对话日志，研究发现DesignMentor在促进设计推理方面表现优异。通过引导使用者明确目标、诊断问题并提供渐进式支持，系统显著提升了反馈的完整性和相关性。
效果因人而异
研究也揭示了AI导师系统效果的非普适性。在不同的设计阶段，使用者的偏好存在差异：在探索和开发阶段，使用者普遍更青睐DesignMentor提供的结构化指导；但在评估阶段，部分经验丰富的使用者反而更偏好基线系统的直接和高效。这表明，未来的AI导师系统需要具备动态适配能力，根据任务类型和使用者背景进行智能化调整。
