agentleFS
casooncasoon/ai-agent-config/skills/ai-ux-patterns/SKILL.md

ai-ux-patterns

Skill1 starsChanged 46 days agoMITView on GitHub

UX-Patterns für KI-/Assistenz-Interfaces — Prompt-UI, Chat-Interfaces, KI als Assistenz vs. Automat, Explainable-AI-Elemente, adaptive/personalisierte Interfaces, konversationelle UX. Nutzen beim Design von Chat-, Prompt- oder Assistenz-Features. NICHT für allgemeine UX-Zustände (→ ux-patterns) oder visuelle Gestaltung von Chat-UI-Komponenten (→ ui-design).

The file

Files
SKILL.md

AI/Assistenz UX Patterns

Prompt-UI

  • Warum: Ein leeres Eingabefeld ohne Führung überfordert — Nutzer wissen selten, was ein System leisten kann.
  • Umsetzung: Platzhalter-Beispiele/Vorschläge ("Prompt-Chips") statt leerem Feld, sichtbarer Kontext-Hinweis wenn relevant (Zeichenlimit, Dateianhänge).
  • Typische Fehler: Freitextfeld ohne jede Beispielführung bei komplexen/fachspezifischen Prompts; Absenden ohne erkennbaren "läuft"-Zustand.

Chat-Interfaces

  • Warum: etabliertes Mentalmodell (Messenger), aber KI-Antworten verhalten sich anders als Mensch-Nachrichten — Streaming, mögliche Fehler, Quellen.
  • Umsetzung: Streaming-Text mit sichtbarem "wird generiert"-Indikator statt Warten auf Komplettantwort; klare Trennung Nutzer- vs. KI-Nachricht auch ohne Farbcode (z. B. für Screenreader); Stop-Button während Generierung.
  • Typische Fehler: kein Weg, eine laufende Antwort abzubrechen; History ohne Möglichkeit, einzelne Nachrichten zu referenzieren/zu zitieren.

KI als Assistenz vs. Automat

  • Warum: Vertrauen hängt davon ab, ob Nutzer verstehen, ob die KI vorschlägt oder direkt handelt.
  • Umsetzung: bei folgenreichen Aktionen (Löschen, Senden, Kaufen) immer Vorschlag + explizite Bestätigung, nicht automatische Ausführung. Bei reversiblen/geringfügigen Aktionen kann Automatisierung ohne Bestätigung sinnvoll sein — Schwelle: Wie teuer ist ein falsches Ergebnis rückgängig zu machen?
  • Typische Fehler: Automat-Verhalten ohne Ankündigung ("KI hat X für dich erledigt" im Nachhinein statt vorher gefragt).

Explainable-AI-Elemente

  • Warum: "Warum diese Antwort/Empfehlung?" ist die häufigste Vertrauensfrage bei KI-Output.
  • Umsetzung: Quellenangaben bei faktenbasierten Antworten (RAG-Zitate), sichtbare Konfidenz nur wenn sie tatsächlich kalibriert ist (sonst weglassen — falsche Sicherheit ist schlimmer als keine Angabe), kurze Begründung bei Empfehlungen/Scores statt reiner Zahl.
  • Typische Fehler: Konfidenz-Prozentzahl ohne echte Kalibrierung anzeigen (täuscht Präzision vor); Black-Box-Ergebnis ohne jeden Anhaltspunkt, wie es zustande kam.

Adaptive/personalisierte Interfaces

  • Warum: KI-Systeme können sich an Nutzerverhalten anpassen — das ist Chance und Risiko zugleich (Unvorhersehbarkeit).
  • Umsetzung: Änderungen am Interface durch Personalisierung sichtbar/erklärbar machen ("Für dich sortiert, weil…"), Rückweg zu neutraler/Standard-Ansicht immer verfügbar.
  • Typische Fehler: Interface verändert sich unbemerkt zwischen Sessions — Nutzer verliert Orientierung, weil er nicht weiß, dass Personalisierung die Ursache ist.

Konversationelle UX

  • Warum: Ton und Fehlerverhalten eines Chat-Interfaces prägen die Wahrnehmung des ganzen Produkts stärker als bei klassischer UI.
  • Umsetzung: Fehler/Nicht-Verstehen ehrlich kommunizieren ("Das konnte ich nicht sicher beantworten") statt zu halluzinieren oder auszuweichen; Ton konsistent mit der Marken-Voice halten, nicht generisch-freundlich für sich stehend.
  • Typische Fehler: KI antwortet mit übertriebener Sicherheit auf Fragen außerhalb ihres Wissens/ihrer Daten.

Gotchas

  • Diese Patterns ergänzen [[ux-patterns]] um KI-spezifische Zustände — allgemeine Lade-/Fehlerzustände gelten weiterhin.
  • Visuelle Umsetzung von Chat-Bubbles, Streaming-Cursor etc. folgt [[ui-design]]/[[motion-design]], nicht diesem Skill.
  • "Assistenz vs. Automat"-Entscheidung ist die wichtigste Weiche im ganzen Feature — bei Unsicherheit immer Richtung Bestätigung, nicht Richtung Automatisierung.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.