AI 产品的 onboarding 设计

做 AI 产品的人大概都有过这种挫败感:你花了三个月对接模型、调 prompt、写 RAG,产品终于上线了,留存数据却难看到让你怀疑人生。用户打开,点两下,关掉,然后永远不再回来。

问题通常不在模型,也不在功能。问题出在用户打开产品的第一分钟——他没看懂这东西到底能替他干什么,价值没传递到,自然就走。

对传统 SaaS,用户多少有点耐心:填个表、配几个项、看完教程。对 AI 产品,这种耐心几乎为零。因为 AI 产品对大多数用户来说还是个"新东西",他不确定它能不能用、值不值得学,任何一点摩擦都会被他解读成"果然不行"。AI 产品的 onboarding,不是锦上添花,是生死线。

一、onboarding 决定留存:60 秒定生死

先说清楚一个残酷的事实:用户在第一分钟里体验不到价值,他就走,而且大概率不会再回来。

传统软件的留存模型是"慢慢渗透":用户注册→引导→使用→习惯→续费,每个环节都给你修补的机会。AI 产品不是。AI 产品对用户来说是一个"承诺"——我承诺我能替你写作/写代码/做图/分析数据。用户打开就是为了验证这个承诺。验证不通过,信任瞬间归零,他会立刻回到原来的工具(人、Excel、搜索引擎),并且给这个品类贴上"噱头"的标签。

这意味着,你做的所有 onboarding 设计,目标只有一个:在用户失去耐心之前,让他真真切切地拿到一个有用的结果。 不是看完教程,不是填完资料,是拿到结果。结果本身就是最好的 onboarding。

独立开发者尤其要注意这一点。你一个人做产品,精力有限,很容易把时间全砸在功能上,onboarding 随便糊一个"欢迎引导页"就上线。这往往是留存崩盘的第一原因。

二、两个核心指标:TTFV 和 aha moment 到达率

onboarding 不能凭感觉优化,要围绕两个指标。

第一个是 TTFV(Time To First Value,首次价值时间):从用户打开产品到拿到第一个有价值结果的时间。注意,是"有价值结果",不是"完成注册"。这个时间越短越好,AI 产品的健康线是控制在 60 秒以内,理想状态是 30 秒内。

第二个是 aha moment 到达率:有多少比例的新用户,在使用第一次时触发了那个让他"哇,这东西真行"的关键瞬间。aha moment 因产品而异:对 AI 写作工具,可能是用户第一次生成并编辑了一篇还不错的稿子;对 AI 编程助手,可能是它第一次正确补全/修复了一段代码;对 AI 数据分析,可能是它第一次直接用自然语言答出一个带图表的结论。

你要先把 aha moment 定义出来,然后量化它。定义方法很朴素:回溯那些留下来、付费的高活跃用户,看他们在第一次会话里都做了什么,找出那个"做了就大概率留下,没做就大概率流失"的动作。这个动作,就是你的 aha moment。

onboarding 的全部优化,就围绕这两件事展开:把 TTFV 压到最短,把 aha moment 到达率拉到最高。这两个指标是 onboarding 的北极星,其它(完成注册率、教程观看率)都是过程指标。

三、引导第一次成功:1 分钟内制造"哇"

怎么让用户在 1 分钟内拿到结果?核心手段是三个字:别让他想。

用户第一次进 AI 产品,最怕的就是一个空荡荡的输入框,上面写着"你想做什么?"。这是 onboarding 设计里最大的反模式。对绝大多数用户来说,这句话等同于"请你先想清楚你的需求,然后用合适的语言描述给我"——这恰恰是 AI 产品使用门槛最高的一步。

正确的做法是用模板、示例数据、预设场景把"想"这一步替用户做了。

一个典型的优质首屏是这样的:

┌─────────────────────────────────────────┐
│  你想试试?选一个开始:                 │
│                                         │
│  [✦ 把这段会议纪要整理成行动清单]       │  ← 点击即跑,内置真实文本
│  [✦ 用这段代码解释它为什么报错]         │  ← 内置一段真实报错代码
│  [✦ 把这份数据总结成 3 条结论]          │  ← 内置真实 CSV
│  [✦ 给我写一封拒绝邮件]                 │  ← 内置场景
│                                         │
│  或者直接输入你的问题 ▮                 │
└─────────────────────────────────────────┘

要点是:每个模板都带真实可跑的示例数据,用户点一下,3 秒后就能看到一个高质量结果。这个结果必须好到让他意外——"哇,它居然真的懂"。这就是你的 aha moment 工厂。

我见过太多独立开发者犯的错:模板是有的,但点进去还是空输入框,只是把 prompt 帮你写好了,数据还是要你自己填。这等于把门槛往后挪了一步,没消除它。模板的价值不在 prompt,在于让用户不输入任何东西就能拿到结果。 输入框是给第二次使用准备的,不是给第一次。

四、避免信息过载:渐进披露是底线

AI 产品有个天然陷阱:它能干的事太多。写作、翻译、总结、分析、画图、写代码……每一样都想在 onboarding 里告诉用户。结果首屏塞了二十个入口、三段功能介绍、五个弹窗。用户第一反应是:这东西好复杂,我没空学。

AI 功能多,但 onboarding 里只能讲一件事。 你挑那个最能体现产品价值、aha moment 最容易触发的场景,把它做到极致,首屏只露出它。其它能力一律后置——放到用户拿到第一个结果之后,再用"你可能还想试试……"的方式轻量提示。

这就是渐进披露(Progressive Disclosure):先核心,后高级;先一个动作,再展开能力树。

第一次: 只露 1 个核心动作(模板 → 结果 → aha)
   ↓
第二次: 露 3-4 个相关场景 + 自由输入
   ↓
第三次: 露高级功能(自定义、配置、集成、API)

判断标准很简单:onboarding 里出现的每一个元素,都要能回答"它是否帮助用户更快到达 aha moment"。 答不上来的,无论它看起来多重要,都先藏起来。功能不会因为没在 onboarding 里展示就消失,但它会因为在 onboarding 里出现得太早而吓跑用户。

五、降低门槛:别用配置和 prompt 吓跑用户

onboarding 的每一步摩擦,都会折损一批用户。摩擦来源排名前列的两个:配置表单,和让用户自己写 prompt。

配置表单:很多 AI 产品一上来就让你"先填你的角色/行业/语气/目标"。这些信息对生成质量确实有帮助,但 onboarding 阶段问这些,等于让用户先填一份问卷才能进门。正确做法是给一套合理默认值,让用户直接跑,拿到结果后再说"要不要调得更符合你的风格"。配置是给留存用户准备的,不是给新用户准备的。

让用户写 prompt:这是 AI 产品独有的摩擦。Prompt 工程是技能,不是常识。让一个第一次接触的用户面对空输入框写 prompt,等于让他证明自己不会用。解决方式回到第三节:用模板和示例把 prompt 替他写好,让他先体验结果,再慢慢学会自由表达。给用户一个"一键体验"的入口,远比给他一份《Prompt 编写指南》有用。

一个可操作的检验方法:找五个完全没接触过你产品的真实用户,只观察,不帮忙。如果他们不能在 60 秒内自己拿到一个结果,那你的 onboarding 就是失败的设计,无论它看起来多精致。

六、激活漏斗:每一步都在漏水

把 onboarding 拆成漏斗,每一步都量化、每一步都优化。AI 产品的典型激活漏斗是:

注册/打开产品         100%  ← 优化:免注册先体验(能提 20-40% 留存)
   ↓
触发首次使用           60%  ← 优化:首屏模板清晰、一键开始
   ↓
完成首个任务           45%  ← 优化:示例数据、默认值、不让用户写 prompt
   ↓
到达 aha moment        25%  ← 优化:结果质量、结果超出预期
   ↓
第二次使用(次日留存)  15%  ← 优化:结果可导出/可保存、推送回访

这个漏斗每一级的数字因产品而异,但形状是普遍的:从"完成首个任务"到"到达 aha moment"通常是最陡的一级。也就是说,很多人用了一次,但没感受到"哇",就走掉了。

优化重点因此很明确:不是拼命往漏斗顶端灌流量,而是把"完成首任务 → aha"这一级做厚。 做厚的方式包括:提升首结果的质量(调模型、调 prompt、限制首结果的场景以保证质量)、在结果出来后主动帮用户解读("这是基于……生成的,你可以……")、把结果做得超出预期一点(比如不只给文字,还给一个可继续编辑的版本)。

一个关键决策点在漏斗顶端:要不要强制注册才能体验? 我的强烈建议是——不强制。能做"免注册先玩"就做。AI 产品的 onboarding 真正起点不是注册,是第一次拿到结果。把注册卡在体验之前,等于在漏斗最宽的地方主动砍掉一半人。Midjourney 早期、ChatGPT、很多成功的 AI 工具,都允许某种程度的免注册体验。让用户先上瘾,再让他注册,转化率反而更高。

七、最常见的失败模式

最后,把独立开发者最容易踩的坑列出来,对照自查:

1. onboarding 太长:三屏以上的引导教程、五步新手任务。用户不是来上课的,是来拿结果的。教程一律砍,换成"直接做"。

2. 价值不清:首屏全是"我们基于 GPT/Claude……""我们是 AI 驱动……"。用户不关心你用什么模型,关心你能替他干什么。首屏第一句话应该是用户能完成的任务,不是你的技术栈。

3. 要求太高:必须注册才能看、必须填邮箱验证、必须选套餐、必须配置才能用。每加一个前置要求,就漏掉一批人。把所有"必须"改成"可以稍后再说"。

4. 首结果质量不达标:为了快,首结果用的是默认模型/没调优的 prompt,出来的东西平庸甚至错。这一刀最致命——用户会把这个平庸结果等同于产品的全部能力,直接判死刑。宁可让 onboarding 慢一点(比如多花 5 秒调用更好的模型),也要保证首结果惊艳。

这四条里,任何一条都能让前面所有努力归零。onboarding 的优化,很多时候不是"加东西",而是"砍东西"。

小结

1. AI 产品的 onboarding 是生死线:用户第一分钟拿不到价值就走,且不再回来。onboarding 的唯一目标是在他失去耐心前,让他拿到结果。

2. 围绕两个北极星指标:TTFV(首次价值时间,压到 60 秒内)和 aha moment 到达率(到达"哇"的比例)。其它都是过程指标。

3. 用模板和示例数据替用户"想":别给空输入框,给可一键运行的预设场景,让用户不输入任何东西就能拿到惊艳结果。

4. 渐进披露,避免信息过载:onboarding 只讲一个核心动作,其余能力后置。功能多不是优势,在第一屏塞满是灾难。

5. 优化漏斗,而非灌流量:最陡的一级通常是"完成首任务 → aha"。免注册先体验,把首结果质量做到超预期。

金句:用户不需要理解你的 AI 有多强,他只需要在 60 秒里被它帮到一次。一次真实的帮助,胜过十屏的功能介绍。