1. 从“能用”到“可靠”为什么传统可用性法则对自动化智能体失效了如果你和我一样在过去的几年里深度参与过自动化测试、RPA机器人流程自动化或者最近火热的智能体Agent开发你一定遇到过这种场景你精心设计的脚本或智能体在开发环境里跑得行云流水一到生产环境面对用户真实、复杂、多变的软件界面就频频“翻车”。按钮位置变了、弹窗不期而至、网络延迟导致元素加载慢了一拍……任何一个微小的界面变化都可能让整个自动化流程崩溃。我们过去依赖的、为人类用户设计的那些界面可用性法则比如尼尔森的十大可用性原则在面对这些不知疲倦但“死板”的计算机使用智能体时显得有些力不从心。这就是“Augmenting Interface Usability Heuristics for Reliable Computer-Use Agents”这个命题的核心。它探讨的不是如何让界面更好看、更符合人类直觉而是如何让界面变得对另一个“程序”而言更稳定、更可预测、更易于被自动化操作。这背后是一个根本性的转变交互对象从具有强大容错、联想和适应能力的人类变成了严格遵循指令、对异常极度敏感的代码智能体。我们需要的是一套增补的、专门面向“机-机”或“程序-界面”交互的可用性启发式法则。这不仅仅是测试工程师或RPA开发者的需求随着AI智能体如基于大语言模型的自动化工具开始尝试直接操作图形界面GUI这个问题变得前所未有的紧迫和普遍。UI-Verse等概念的出现正是试图为智能体构建一个更结构化、更易理解的界面世界。2. 拆解核心矛盾人类启发式与机器需求的根本差异要构建新的法则首先要理解旧法则为何“失灵”。尼尔森十大原则如“系统状态可见性”、“匹配系统与真实世界”、“用户控制与自由”、“一致性与标准化”等其终极目标是降低人类用户的认知负荷和学习成本。人类擅长处理模糊、不完整的信息并能从上下文进行推断。然而计算机使用智能体Computer-Use Agents的核心需求截然不同它们追求的是操作的确定性、可编程性和容错性。让我们通过几个具体场景来对比场景一关于“一致性”人类视角按钮颜色、图标样式、对话框布局在整个应用中保持一致我能快速识别并操作。智能体视角我需要一个稳定、唯一的定位器如XPath、CSS Selector、 accessibility ID来找到这个按钮。如果开发团队为了“视觉刷新”把button classbtn-primary改成了button classnew-btn-style即使对人类来说看起来还是按钮对我的定位器而言这个元素已经“消失”了。这里的“一致性”要求的是底层标识符或结构的稳定。场景二关于“防错”与“撤销”人类视角重要的删除操作前应该有确认对话框并且提供撤销Undo功能让我有机会反悔。智能体视角确认对话框是一个我必须能预测并处理的“中断事件”。我的流程是线性的点击删除 - 处理弹窗 - 点击确认。如果这个弹窗有时出现有时不出现例如删除单个项目不弹窗批量删除才弹窗我的流程就需要复杂的条件分支。而“撤销”功能如果只能通过CtrlZ或一个历史记录面板操作对智能体来说可能是难以直接调用的。场景三关于“灵活性与效率”人类视角为高级用户提供快捷键如CtrlS保存提升操作效率。智能体视角快捷键是比点击图形按钮更可靠、更快速的操作方式。因为它不依赖于界面渲染直接触发底层命令。智能体更渴望应用能暴露一套完整的、稳定的键盘或编程接口API。场景四关于“帮助与文档”人类视角在需要时能查看帮助文档或提示信息。智能体视角我需要界面元素本身能通过可访问性属性如ARIA标签、工具提示title属性或某种元数据以结构化的方式“告知”我它的功能、状态和可接受的操作。这相当于界面的“自述文档”。通过以上对比我们可以清晰地看到为智能体设计的可用性法则其出发点是将图形界面视为一个可供程序化查询和操作的“数据源”或“状态机”而非一个纯粹的视觉呈现媒介。3. 面向可靠智能体的增补可用性启发式法则基于上述矛盾分析我结合在自动化测试和RPA项目中的大量踩坑经验提炼出一套增补的可用性启发式法则。这些法则旨在从设计源头让界面变得更“自动化友好”。3.1 法则一可编程界面标识的稳定性这是最基础、最重要的一条。智能体通过元素的标识来定位和交互。标识的频繁变更是自动化脚本维护的噩梦。核心要求为关键的交互式UI元素按钮、输入框、链接、列表项等提供稳定、唯一且语义化的编程标识符。实践建议优先使用业务语义ID避免使用自动生成的、基于位置或索引的ID如//div[3]/button[2]。开发时应为元素添加具有业务含义的id或>