从线性对话到二维协作，Huabu 探索 Agent 时代的“新桌面”

（本文阅读时间：15 分钟） 如今，我们和大模型、 Agent 交互最常见的方式仍然是聊天窗口，人们提出问题， AI 给出回答，沿着回答继续追问，对话便不断向下延伸。这种交互方式简单、自然，但本质上是线性的。当一个问题同时产生多个值得探索的方向时，人们往往只能选择其中一条继续深入，其他信息则逐渐被淹没在越来越长的对话记录中。 然而人类的思考并不是线性的。我们会在不同想法之间来回跳转，将多份关联资料摆放在一处对比；会暂时搁置某个问题，隔一段时间再回头重新审视；看到一张图片时，可能联想到另一份文档，也可能仅仅因为两个信息被放在一起，就发现它们之间有潜在的联系。 微软亚洲研究院近期推出的 Huabu ，正试图改变这种交互方式。 它让 Agent 调研得到的网页、图片、笔记、对话草图和最终方案，不再以线性形式堆叠在聊天对话框内，而是以可视化的方式呈现在一个无边界的二维空间中。 在 Huabu 里，不同信息可以并排放置、自由移动、缩放和分组，也可以通过连线建立关联；用户还可以直接修改内容，并随时让 Agent 继续处理。 Huabu 不仅给 Agent 增加了一个新的交互界面，更是在尝试回答一个本质的问题： 当 AI 越来越擅长处理复杂信息，人类又应该如何与 AI 一起思考？ 相关信息已整理至文末，欢迎点击了解更多技术详情。 Huabu ：适配人类原生思考模式 你可能会问， Huabu 与在线白板有什么区别？ 常规白板主要提供绘图和排版能力，而 Huabu 是一套为人机协同设计的项目空间（ Space ），将信息收集、思考组织、 AI 执行与成果沉淀串联在同一个工作环境中。 Huabu 的基本单位不再是一轮轮聊天，而是一个个项目空间。在其中，用户的思考过程也不再需要沿着单一的对话路径展开。用户可以为每一个完整项目创建独立空间，将项目相关的 PDF 文档、网页、图片、笔记、对话记录、创意草图以及 Agent 生成的各类内容，汇聚在同一空间内。 资料可以并排放置、集中对比；想法可以成为独立节点，方便随时延展细化；不同内容之间可以建立连接，同一主题的内容也可以被组织在一起，让碎片化的信息形成一个可持续探索、不断扩展的项目空间。 Huabu 演示视频 Huabu 的工作流程可以分为三个阶段：收集信息（ Collect ）、组织整理（ Organize ）和执行操作（ Act ），但这并不是固定不变的单向流程。微软亚洲研究院（上海）高级项目经理邱可昕介绍道：“三个阶段是循环的， Agent 执行操作后产生的新结果会重新回到 Huabu ，成为下一轮思考和工作的素材。人们可以根据新的信息重新调整原来的组织方式，再把新的任务交给 Agent 。” 收集信息：让人不再做 “ 信息的搬运工 ” 在传统对话式交互中，用户需要承担“上下文搬运工 ” 的角色，网页、本地文档、过往对话、团队讨论等信息分散在不同窗口，想让 AI 综合参考这些素材，只能逐段复制粘贴，过程繁琐且容易遗漏信息。 Huabu 改变了这一过程。各种与任务相关的素材均可直接上传，自动生成独立信息节点。更重要的是，那些暂时搁置的想法、尚未展开的思路、过往的讨论内容，都可以完整的留存于空间中，成为 Agent 能够读取和利用的上下文。 组织整理：让 AI 看懂信息之间的关系 Huabu 的信息整理同样支持人机协同，用户可以手动调整灵感素材，也可以直接交由 Agent 完成整理。 AI 会将检索到的资料以独立节点的形式呈现在 Huabu 上，并自动生成内容摘要，用户可以按需放大查看、保留重点或移除无关信息，避免线性对话一次性输出大量文本带来的认知负担。 例如，批量导入数十篇论文后， Agent 可以依据研究时间线、学术脉络自动排布节点，并通过连线标注文献引用、观点对立等逻辑关系，生成可视化的研究图谱；获得代码仓库访问权限后， Agent 可以拆解系统架构，以节点代表不同模块、以连线标注模块之间的依赖关系，直观呈现完整的技术拓扑；在方案策划中， Agent 则可自动区分核心观点、备选思路和待验证问题，将相关素材就近分组，并用外框组织成完整的思路板块。 图1 ：用户告诉 Agent “上面是 beat ，下面是图” “ Huabu 不是简单地堆砌素材，它能够通过语义理解，将散乱的信息自动整理，把人脑中隐性的逻辑关联转化为可视化的空间结构。同时， AI 也能够识别位置、分组、连线所承载的思维关系。 ” 邱可昕表示。 而 Huabu 的缩放能力，让用户可以在组织整理的过程中自由切换于全局与细节之间。缩小画面时，各个节点仅展示 AI 提炼的内容摘要，用户可快速浏览整个项目，建立全局认知；放大单个节点，则可以查看完整原文、高清图片和手写批注，进行精细化阅读与编辑。 微软亚洲研究院（上海）研究工程师陈楠所在团队的内部测试发现，该功能大幅降低了多分支探索过程中思路丢失的概率， “ 看全局和抠细节不再是非此即彼的选择，缩放操作解决了大型项目信息杂乱、难以统筹的痛点。 ” 图2 ： b 为 a 放大后的节点视图 执行操作：让 Agent 跳出聊天框，在共享空间完成全链路工作 当信息被收集、整理之后，用户可以随时调用本地或云端的各类 Agent 协同完成任务。 Agent 的产出不再局限于对话框之内，而是会以可视化的形式直接回流至共享界面。 AI 生成的结果又会成为全新素材，启发用户进一步思考，催生出新一轮的 Agent 任务。 例如，以往修改 AI 生成的图片或 PPT ，需要撰写冗长繁复的提示词，稍有偏差就会丢失原有风格。而在 Huabu 中，用户可以直接利用其中的空间关系表达意图，只需对 Agent 说 “ 让这张图的风格和旁边那张保持一致 ” ， AI 就可以完成风格对齐；想要调整画面元素间距也只需给出简单指令， Agent 便能在保持其他元素不变的情况下完成局部修改。 “Huabu 改变的不只是 Agent 的交互模式，更是人类向 AI 表达意图的直觉方式。 ” 邱可昕强调。 图3 ： c 为 AI 第一次生成的图像； a 为 Huabu 中已有的参考风格； b 为 Agent 将 c 转换为 a 的风格后生成的结果，并直接呈现在 Huabu 中。 Huabu 既能够理解用户的空间指令，又能保持上下文连续性，将每一轮修改和迭代保留为历史版本。这样一来，用户不需要反复向 AI 解释前后关系， Agent 也能够基于当前 Huabu 中的内容持续执行任务。这种所见即所得的交互，把创作变成了可持续迭代的闭环，减少了结果不确定性带来的反复试错成本。 Huabu 的底层逻辑：当“思考 ” 成为 Agent 能够理解的空间 收集信息（ Collect ）、组织整理（ Organize ）和执行操作（ Act ）这个三阶段工作流，其实并非简单的叠加功能，而是建立在 Huabu 对人类思考方式的重新理解之上。整个产品围绕三项核心原则构建： 思考外化（ Externalized Thinking ）、共享认知空间（ Shared Cognitive Space ）和自然交互（ Natural Interaction ） 。 思考外化：空间布局本身就是信息 人类理解和组织信息时会自然运用空