描述了人机协同的几种主要的方式。
四象限
| 人知道 |
在网上看到相关的材料，有一个说法是把AI与人交互的方式按照象限进行划分。x轴的右边是AI知道，左边是AI不知道，y轴上部分是人知道，下部分是人不知道。
第一象限：AI知道，人也知道。 这一象限表示人类与AI共享相同的知识背景和技能。对于这类任务，双方都“会”，因此沟通和协作相对直接。。典型场景包括让AI处理一些已有明确规则或大量数据支撑的标准化任务，例如润色文章、生成常规代码、清洗数据、运行基础测试等。这些事情人类也能完成，但AI往往可以更快、更高效地执行。因此，在该象限中，我们常常选择将执行权“让渡”给AI，自己从具体操作者转变为任务的设计者和质量把关人。有人形象地将这一象限称为“权力让渡区”或“解放区”，意思是把繁琐重复的工作交给AI完成，人类则晋升为指挥者和品鉴师
。例如，程序员利用代码补全工具自动生成样板代码，自己专注于架构设计和代码审核；又如文案创作者让AI润色措辞，自己负责确定内容创意和最终风格。甚至这篇blog都是AI协助生成的。
第四象限，AI知道，人不知道。 这一象限表示AI掌握了人类尚不了解或做不到的知识与能力，AI在帮助人类解答疑惑、拓展认知。典型应用是我们通过提问向AI寻求知识或方案，例如在搜索问答中咨询ChatGPT某个专业问题：人类原本不清楚答案，而AI基于海量训练数据可能知道或者能推理出答案，从而帮我们解惑，这也是AI被最常用的一个形式。又比如让AI总结一篇冗长的报告，提炼出我们尚未读过的关键信息——此时AI通过快速阅读和语言概括“学会”了报告内容，而人类从AI的总结中获得新知。这类场景下人是认知上的学生，AI扮演老师或引路人的角色。再如内容创作中，AI能生成我们想象不到的创意文本或图像（AIGC），让普通人也能触及高级作家的文笔或专业画师的风格。因此第二象限也被称为“能力外挂区”或者一个“万能知识库”，意味着AI宛如我们的外挂工具或“钢铁侠战甲”，为人类暂时补上短板、拓展认知边界。
第二象限， AI不知道，人知道。这一象限表示人类拥有某些AI尚未掌握的知识、经验或洞察。通常涉及一些无法量化或标准化的人类独特智慧，例如丰富的情感共情能力、复杂的道德判断、前沿的创造性构思、深厚的行业诀窍等，或者为提炼成数据的任务场景等等。这些是AI模型训练数据中缺乏的“盲点”。典型场景包括：企业刚制定的内部流程或专业领域的新方法论，AI尚未见过相关资料而一无所知，但从业者心里有数；又或者涉及高度语境化的决策（如结合企业文化、人性和市场直觉的战略决策），需要人类基于长期沉淀的智慧来判断。这一象限中，人类需要主动将知识传递给AI，以弥补AI的认知空白。这常通过“喂养模式”实现——例如给AI提供具体案例让它学习模式，使用检索增强生成（RAG）技术接入AI原本不知道的数据，或者提前定义好专业术语表供AI参考。通过输入这些额外信息，人类将自己的经验融入AI的提示，使其能够理解并处理那些原先只有人知道的任务。可以说，这一象限下AI是学生，人类要扮演好教师的角色，将独有的知识显性化、结构化，然后喂给AI。许多企业级应用（如将公司知识库接入大模型）正属于此象限：AI本身不知道企业内部数据，但人类可以通过微调或RAG让AI“学习”这些数据，从而使其胜任定制化的问答或分析任务。
第三象限，AI不知道，人也不知道。 这一象限代表人类和AI都处于未知领域。面对全新的问题，双方都没有现成答案，需要合作探索。这可以看作是一种开放式对话和共同创发的过程：人类发挥想象力和直觉，提出大胆的假设或创意；AI则利用强大的计算和推理能力，对这些想法进行验证、演绎，在海量可能性中寻找规律和可行方案。例如，对于尚未解明的科学难题（意识的起源、宇宙暗物质的性质等），研究者可以与AI协作，一起尝试各种理论推断，或者设计到其他几个象限的内容的不断转换。
总的来看，在人与AI交互的过程中，y轴有往左移动的趋势，x轴有往下移动的趋势。
三模式
问答，chatgpt模式，问答式交互指以对话问答为主要形式的人机互动，用户以自然语言向AI提问或下指令，AI根据请求给出回答或执行操作（通常输出文本）。ChatGPT 等对话机器人是这一模式的典型代表。交互特点： 这是最基础的人机互动形式。
协助，copilot模式，辅助式交互指AI作为嵌入式助手参与人类的工作流程，实时提供建议、补全或其他支持，但不完全接管任务。这种模式下，人和AI如同搭档协作，共同完成工作。交互特点： 辅助式AI通常集成在特定软件或环境中，根据上下文主动提供帮助，而无需每次都明确提问。例如GitHub Copilot嵌入在IDE中，会基于当前代码上下文自动建议下一段代码。相比问答式，辅助式交互中的AI参与度更高，会持续分析人正在做的事情，并适时给出辅助输出
Agent，完全自动的模式，智能体式交互（AutoGPT 等）智能体式交互是指AI以代理（Agent）的形式自主执行复杂任务，具有一定的目标规划、自主决策和行动能力。在这种模式下，人类只需给出高层目标或指令，AI智能体会像一个自治的“数字员工”一样去完成任务的各个步骤。
交互特点： 智能体式交互中的AI具备高度自主性。用户与其交互更类似于委派任务：人类提出目标，AI负责完成，过程中可能只在关键节点征求人类反馈或资源许可。以 AutoGPT 为代表的开放代理，它利用大模型来连续地思考和行动：自动将大目标分解为子任务，调用工具或执行代码，处理每一步结果，再决定下一步。整个过程循环往复，直到达到用户要求的目标或达到设定的停止条件。因此，与前两种模式相比，这里的AI已经从助手升级为“执行主体”，人类的角色退居为监控者和最后的验收者。这种模式下，人机交互不再是频繁的问答或提示，而是围绕任务进展的少量高层次沟通（例如AI在阶段性汇报或遇到障碍时再与人互动）。
适用场景： 智能体模式适合需要多步骤决策、长期运行、较少人工介入的任务。例如，市场研究代理可以被赋予“持续跟踪竞争对手动态”的目标，它会每天上网收集信息、更新报告，只有发现重大情况时才提醒人工。又比如软件运维代理承担“服务器性能监控”任务，长期自主检查日志，发现异常自动处理或通知工程师。再如AutoGPT这类工具，可以根据一句模糊指令（“写一篇关于AI趋势的文章并发布到论坛”），自己上网搜索资料、撰写初稿、注册账户发布，全流程自动化完成。这类场景中，AI像一个机器人员工，可以显著降低人类的重复劳动和时间投入。需要注意的是，目前智能体应用多在较封闭或可控的环境中表现较好，比如企业内部流程自动化、游戏中的AI角色、数据定期处理等。对于开放环境的复杂任务，现有AI智能体还在探索阶段。
局限与挑战： 尽管前景诱人，当前的智能体式AI仍有明显局限。首先，可靠性是大问题。由于AI自主决策的链条很长，每一步的误差可能累积，最终导致跑偏或陷入死循环。许多用户尝试AutoGPT后发现，它常常会卡在某个环节或者执行无意义的操作，需要人为介入调整。其次，资源消耗较高。一个持续运行的AI代理需要大量算力和API调用，成本随任务复杂度飙升。此外，部署和管理这样的智能体也门槛较高。
