智能体信任的形成机制：智能化、情感化与透明度的交互作用

The Formation of Trust in Agents：Interactive Effects of Intelligence，Emotional Expression，and Transparency

摘要

随着智能体逐渐成为人机交互的重要界面，用户是否愿意信任并持续使用智能体，成为智能技术应用中的关键问题。围绕“信任如何形成”这一核心议题，基于互动媒体效应理论构建智能体信任模型，重点考查智能能力、情感表达与透明度展示对用户信任的影响机制。采用问卷调查与深度访谈相结合的混合研究方法，通过回归分析和质性分析探讨智能体特征如何影响用户对其智能化与情感化体验的感知，并进一步作用于信任形成过程。研究发现，智能能力与情感表达均能显著提升用户信任，其中智能能力的影响更为突出；透明度展示通过增强推理过程的可解释性强化信任，但在一定程度上会削弱用户对智能水平的主观感知。访谈结果进一步揭示，人机信任呈现“初始接触—持续互动—信任深化（或流失）”的动态演化过程。从人机互动视角拓展了智能体信任的解释框架，并为智能体设计与人机交互优化提供了参考。

Abstract

As intelligent agents have gradually emerged as a key interface for human-machine interaction， users’ willingness to trust and continuously use such agents has become a pivotal issue in the application of intelligent technologies. Centering on the core issue of how user trust in intelligent agents is formed， this study constructs an agent trust model based on the Interactive Media Effects Theory. The model mainly explores the mechanisms through which three key agent attributes-intelligent capability， emotional expression，and reasoning process transparency-affect user trust. Specifically， the study aims to explain how these agent characteristics influence users’ perceptions of intelligent capability and emotional experience，thereby facilitating the formation of user trust and further revealing the dynamic evolution of human-agent trust in multi-round interactive scenarios.This research adopts a mixed research method that integrates a questionnaire survey and in-depth interviews. A total of 508 valid questionnaire samples are collected and analyzed through reliability and validity tests，factor analysis， and regression analysis to verify the relationships between key variables. For the qualitative part， in-depth interviews are conducted with 17 users with practical experience using intelligent agents to supplement and interpret the results. The research design focuses on components including knowledge base，database，component configuration，digital human，empathic ability，anthropomorphism level， and the reasoning process presentation，and analyzes how these elements jointly shape perceived intelligence capability， perceived emotional experience， and reasoning process transparency in influencing user trust.The findings reveal that both intelligent capability and emotional expression significantly enhance user trust，with intelligent capability exerting a more prominent influence. Knowledge base and database configurations significantly improve users’ perceived intelligence of intelligent agents，while digital human features，empathic ability，and anthropomorphism level strengthen users’ emotional experience. Meanwhile，reasoning process presentation plays a significant positive moderating role between perceived intelligence and user trust，indicating that transparent reasoning presentation can reinforce user trust to a certain extent. Interview results further reveal that users’ evaluation criteria vary across different usage contexts. In task-oriented scenarios， users prioritize response accuracy，knowledge support， and professional competence. In contrast，in daily communication or emotional companionship contexts，empathic ability and anthropomorphic interaction are more conducive to strengthening user stickiness and trust. Overall，human-agent trust is not formed instantaneously but evolves through continuous interaction， following a dynamic process of initial contact， sustained interaction， and eventual trust consolidation or erosion. Specifically，users generally form initial trust based on platform reputation and interface experience， and subsequently adjust their evaluations of agent capability and reliability through repeated multi-round interactions，performance verification，emotional feedback， and system stability.From the perspective of human-agent interaction，this study reveals the mechanisms through which intelligent capability，emotional expression，and reasoning process transparency influence trust formation in intelligent agents. It highlights the synergistic effect between intelligent capability and emotional experience in building trust and clarifies the dynamic evolutionary characteristics in human-agent interaction. This study extends the explanatory perspective of intelligent agent trust and provides empirical references for intelligent agent design and human-machine interaction optimization.

Graphical abstract

关键词

智能体 / 生成式人工智能 / 人机信任 / 人机交互 / 可解释性

Key words

intelligent agent / generative artificial intelligence / human-agent trust / human-machine interaction / reasoning process transparency

一 问题提出

近年来，生成式人工智能（GenAI）在技术能力与应用形态上呈现出快速演进的趋势。以GPT为代表的大规模预训练模型（large language model，LLM）显著提升了机器生成内容的能力，为多模态内容生成提供了关键技术基础。随着应用层的持续创新，以GPTs为代表的智能体初期形态产品问世，人工智能逐渐由以对话交互为主的工具形态扩展至更加具体的工作与服务场景，并逐渐形成与实体经济深度融合的应用格局。因而，基于大模型构建的智能体逐渐成为连接模型能力与具体业务场景的关键形态。相关研究与产业报告显示，智能体作为大模型能力的具体承载形式，正在加速进入实际应用阶段，已有相当比例的企业在具体业务中开展试点或制定部署计划^［1］。

在上述背景下，智能体将重塑人机交互的基本模式，“代理”与“主体”的双重属性将对生产方式与社会运行机制产生深远影响^［2］。而人机信任恰恰成为智能体得以有效应用与扩散的关键前提。用户只有在对智能体形成基本信任的情况下，才可能持续使用并依赖其提供的决策支持与服务。随着智能体在多轮交互中的感知、分析与决策能力不断提升，其通过情感计算与交互反馈逐渐呈现出一定程度的拟人化特征。这一特征在增强用户参与感与工具依赖的同时，也使人机信任关系变得更加复杂，并引发新的信任机制与伦理问题。因此，用户如何在持续互动中形成对智能体的信任，成为亟须探讨的核心问题。本文拟从互动媒体效应理论^［3］视角出发，探讨智能体与用户之间信任关系的形成机制。相较于传统信息系统，智能体能够在多轮对话中动态调整回应策略，成为具有持续互动能力的“对话者”。本文聚焦用户与智能体的交互情境，重点考察智能能力、情感体验以及思考过程透明化三类关键因素对人机信任的影响机制，以期为智能体设计与人机信任机制的构建提供理论与实证依据。

围绕上述研究目标，本文提出以下研究问题：

Q1：智能体的功能配置如何影响用户对其智能能力与情感体验的感知？

Q2：用户对智能能力与情感体验的感知如何进一步影响对智能体的信任？

Q3：智能体思考过程的透明化展示是否能够增强用户信任？

二 文献综述与理论基础

（一） 智能体的概念溯源与前沿发展

智能体的概念可追溯至20世纪50年代。艾伦·图灵在其著名论文《计算机器与智能》中提出“机器能否思考”的疑问，开启了关于人工智能自主行为与思维能力的诸多讨论^［4］。此后，研究者们在“能动性”与“自主性”的框架下逐渐形成了对智能体的早期探讨。在计算机科学领域，罗素等^［5］认为智能体可视为具备感知与行动能力并为实现目标而自主决策的系统，强调其对环境的反应性与主动性。Franklin等^［6］进一步将“自主性”视为智能体的核心属性，提出了一个广为接受的定义，认为自主智能体是“嵌入在特定环境中，能够感知并通过行动改变该环境的系统，并以自身目标为导向，通过一系列自主决策来影响其所感知到的未来环境”。此后，随着多智能体系统研究的兴起，智能体的“社会性”与“协同性”被不断强化^［7-8］。

在中文语境中，“agent”早期常被译为“代理”，该含义也广泛用于营销、服务等领域。早在20世纪末，数字会话代理（如聊天机器人）便开始在客户服务领域兴起^［9］。此后，学者将这类聊天机器人逐渐归为“智能非人类代理”或“人工智能代理”，关注其能否模拟人类交互、理解用户指令并提供定制化服务^［10］。随后，全国科学技术名词审定委员会规定，“agent”在“计算机科学技术—人工智能—多智能体系统”学科下的规范译名为“智能体”，在一定环境中体现出自治性、反应性、社会性、预动性、认知性等多种智能特征。这一官方解释将国外对于“agent”概念的学理延伸与国内的技术应用实践紧密结合，进一步明确了智能体在中国计算机科学领域的定义边界。近年来，随着大模型、强化学习与多模态交互等新兴人工智能技术的快速发展，智能体的范畴逐渐被延伸到更高层级的“自主决策实体”或“类人认知主体”^［5］。有学者将智能体定义为一种融合GenAI创造力与虚拟数字人生动表现力的综合性系统^［11］。在此基础上，本文进一步将“智能体”界定为以GenAI为基础，整合内容生成与交互表现能力，并能够在动态情境中完成环境理解、任务规划与策略执行的人工智能行动主体，其核心特征在于能够在持续互动中参与人机协同与决策过程。

（二） 智能化配置对用户感知智能化的影响

检索增强生成（retrieval-augmented generation，RAG）通过连接外部知识库与数据库，为智能体提供了关键的数据支持。尽管大模型在生成与推理方面具备较强能力，但在获取即时性、专业性及私有化信息方面仍存在局限，容易产生机器“幻觉”，生成内容偏离事实或逻辑，从而影响决策的可靠性。RAG技术通过引入外部知识源，将检索结果与生成过程相结合，有效弥补了大模型在知识更新与专业性方面的不足，提升了信息输出的准确性与可验证性^［12］。

在大模型应用平台（如千帆AppBuilder）中构建智能体时，知识库、数据库以及功能组件等配置是影响智能体实际表现能力的关键因素^［12］。其中，基于RAG的知识库与业务数据库的接入，为智能体提供了外部信息支撑，使其能够在多轮交互中生成更具专业性、可靠性与情境适配性的回应，从而提升用户对智能能力的主观感知^［13-14］。此外，功能组件的丰富程度拓展了智能体的任务处理范围，能够应对更加多样化的应用情境，并进一步强化用户对其能力边界的正向预期^［15］。

基于此，本文提出以下研究假设：

H1：智能体的知识库配置对用户感知的智能能力具有显著正向影响。

H2：智能体的数据库配置水平对用户感知的智能能力具有显著正向影响。

H3：智能体的组件丰富程度对用户感知的智能能力具有显著正向影响。

（三） 智能体对人机关系的影响

早期的人机交互研究主要从工具性视角出发，将机器视为辅助人类完成任务的功能性工具。随着智能语音助手与聊天机器人的发展，研究逐渐转向关注机器在互动中的“主体性”与社会属性。已有研究表明，智能体不仅能够完成任务，还可以在互动过程中提供情感支持与反馈，从而增强用户的心理安全感与情感依恋倾向^［14］，并在此基础上促进信任关系的形成。在人机交互由工具性向社会性与情感化演进过程中，智能体的拟人化与情感能力被视为影响用户体验的重要因素^［16］。Waytz等^［17］的研究指出，当用户赋予机器更多类人属性时，更容易产生信任与合作意愿，但如果机器行为违背用户预期，则会迅速削弱这种信任。相关实证研究进一步表明，在服务情境中，具备拟人化特征与决策能力的智能体能够显著提升用户满意度、忠诚度与行为意愿^［18］。综合来看，智能体的情感化表达主要体现在三个方面：一是外显形态，如数字人形象带来的类人化呈现；二是互动能力，如对用户情绪的识别与共情回应；三是整体拟人化程度，即用户对其“类人属性”的综合感知。这些特征通过增强交互的沉浸感与情感联结，进一步影响用户的情感体验^［19］，从而激发更深层次的信任与使用意愿^［18］。基于此，本文提出如下假设：

H4：智能体的数字人配置对用户感知的情感体验具有显著正向影响。

H5：智能体的共情能力对用户感知的情感体验具有显著正向影响。

H6：智能体的拟人化程度对用户感知的情感体验具有显著正向影响。

（四） 用户智能化感知与情感化感知对信任的影响

在人机交往情境中，信任被视为用户与智能体建立持续关系的关键机制。早在20世纪，艾伦·图灵和魏曾鲍姆等就提出了关于人与机器之间信任的关键问题，尤其是与机器的认知能力和语言交互相关的问题。既有研究表明，用户对智能体的信任主要来源于两类感知：一是基于系统能力的理性判断，二是基于互动体验的情感评估。前者主要体现在用户对智能体任务完成能力、信息准确性及交互稳定性的认知，这些因素构成了用户评估系统可靠性的核心依据；后者则体现为用户在互动过程中所感知到的情感支持、共情能力与社会临场感等体验^［14］。进一步来看，人机信任并非静态判断，而是在持续互动中动态生成的过程。Hoffman^［20］指出，人机信任源于用户对系统表现的心理预期与系统实际效能之间的交互结果，并在反复交互中不断调整与强化。在此过程中，智能体稳定且高效的表现有助于提升用户对其能力的信任，而具备情感回应与拟人化特征的系统，则更容易在互动中增强用户的亲近感与依赖性。因此，用户对智能体的信任既受其智能能力感知的影响，也受到情感体验的驱动。基于此，本文提出如下假设：

H7：用户感知的智能能力对其信任具有显著正向影响。

H8：用户感知的情感体验对其信任具有显著正向影响。

（五） 智能体展现思考过程对信任构建的调节作用

既有研究指出，当系统能够呈现清晰的推理或决策逻辑时，其信任度会显著提升^［21］。在大语言模型情境下，思维链（chain of thought，CoT）技术为提升系统可解释性提供了重要路径。该方法通过引导模型在任务执行过程中显示生成连续的中间推理步骤，使其决策过程从算法“黑箱”转向可被用户理解的透明过程^［22-23］。在智能体应用中，CoT通常与RAG技术相结合，使模型在调用外部知识的同时，对推理路径进行结构化呈现，从而在一定程度上降低“幻觉”风险并提升信息可理解性。

上述机制表明，思考过程的可视化不仅有助于减少信息不对称，也增强了用户对智能体决策合理性与可靠性的认知。基于此，在智能体交互过程中，思考过程的透明化展示可能强化用户感知与信任之间的关系。具体而言，当智能体能够呈现其推理与决策过程时，用户对其智能能力的感知更容易转化为信任判断。因此，本文提出如下假设：

H9：智能体思考过程的透明化展示在用户感知的智能能力与信任之间发挥显著正向调节作用。

三 研究模型与研究设计

（一） 研究模型构建

张洪忠等^［24］基于Sundar的互动媒体效应理论（TIME）建构出“大模型人机信任生成模式框架”，从特征、过程、制度三个维度分析了大模型应用中的人机信任关系生成过程。该模型认为，信任的生成是一个复杂的过程，涉及用户对大模型应用的多方面感知，如大模型应用的类人属性、大模型应用与用户的沟通、大模型使用的技术认知三个方面，因此，将人机信任关系构建视为一个持续演化的动态过程，关注这个动态过程中的信任变化对人机信任研究有关键启示。初始信任通常在互动之前，以用户对机器的外部特征和能力的感知为基础。持续型信任则发生在交互过程中，基于用户与机器之间的互动体验不断调整信任水平。

Sundar^［25］的互动媒体效应理论强调互惠对人机信任的积极作用，这是来源于过程的信任建立。从沟通的形成来看，大模型生成内容本身无法消除不确定性，但每一轮的对话结果都能够为用户提供识别未知问题的有效信息，并将有效的提问反馈给大模型。多轮对话不仅是用户理解大模型反馈、寻求最佳回应的过程，也是大模型应用逐步理解用户的过程，两者的沟通过程促成“互惠”结果。

基于上述理论，本文从“技术特征—用户感知—信任结果”的逻辑出发，构建智能体信任形成模型（见图1）。该模型将智能体特征划分为两类，第一类是智能化配置，包括知识库、数据库及组件丰富程度，主要影响用户对智能能力的感知；第二类是情感化配置，包括数字人、共情能力与拟人化程度，主要作用于用户的情感体验感知。在此基础上，用户感知进一步影响其对智能体的信任判断。同时，模型引入智能体思考过程透明化作为调节变量，考察其在感知智能能力与信任关系之间的强化作用。

（二） 研究设计的准备阶段

1 预实验

在正式研究开展前，本文通过预实验对智能体关键配置进行操控检验，以验证不同配置能够有效区分自变量，并在交互结果上产生可识别差异。研究基于百度千帆AppBuilder平台，围绕知识库接入、数据库支持、功能组件丰富程度及数字人配置等核心变量，对智能体进行差异化构建。具体而言，本文构建了两个版本的智能体（Agent 1与Agent 2）。其中，Agent 1配置了专业领域知识库（如政务写作模板库）、多项功能组件（包括搜索与长文本理解）以及数字人形象；Agent 2则未接入专业知识库，仅依赖通用大模型生成能力，功能组件较为简化，且未启用数字人配置。两类智能体在配置完整性与功能支持程度上形成显著区分。

在预实验中，研究者向两个版本的智能体提出相同任务指令，要求其撰写一篇特定职业情境下的年度工作报告（包括工作总结、优势不足及未来展望等内容）。对比结果表明，配置专业知识库与功能组件的Agent 1能够更准确地理解任务结构，并生成与职业情境相匹配的内容；而未配置知识库与组件支持的Agent 2则主要依赖通用语言生成能力，回答内容相对泛化，任务适配性较弱，难以满足特定任务需求。上述预实验结果表明，本文所设定的智能体配置差异能够有效影响其交互表现，并在功能层面形成可感知差异，从而为后续检验智能体特征对用户感知与信任的影响提供可靠的实验基础。

2 问卷设计

（1）变量与量表测量。本研究的主要变量包括用户感知智能化水平、用户感知情感化体验以及相关智能体特征变量。使用的量表均来源于既有成熟研究，在正式问卷中根据研究情境进行了适当调整，并翻译为中文。为保证量表的语言准确性，问卷采用双向翻译方法进行校对。具体量表题项见表1。

用户感知的智能化水平与拟人化相关维度主要参考被广泛应用于人机交互研究的GodSpeed系列量表进行测量^［26］，用于衡量人机交互情境中用户对机器人或智能体的主观感知，包含拟人化、生命感、喜好度、感知智能与感知安全等维度。与智能体智能能力相关的测量项目（如知识库配置、数据库配置、组件及感知智能化水平）在GodSpeed量表基础上进行情境化改编，以适应智能体应用场景的研究需要。同时，数字人情感化体验与拟人化程度的测量亦参考该量表中拟人化维度的相关测量方式。“智能体共情能力”变量的测量主要参考Cheng等^［27-29］的相关研究，用于评估用户在交互过程中对智能体识别用户需求、理解情境并做出适当回应能力的感知水平。“感知情感化体验”变量的测量参考并改编自Tsai等^［30］的相关研究，用于评估用户在人机交互过程中对会话系统友好性、互动氛围以及积极情绪体验的感知程度。为测量用户对智能体的信任，本文参考McKnight等^［31］关于技术信任的经典量表，该量表从功能性、帮助性和可靠性3个维度对技术信任进行测量，共包含10个题项。结合本研究情境，对相关表述进行了适度修改，以更好地适用于智能体交互场景。所有变量均采用五级量表进行测量，其中，部分题项采用语义差异法进行评价。

（2）问卷流程。本研究采用问卷星平台收集数据，通过线上社群投放问卷，覆盖多个大模型应用平台用户社区（如COZE、百度千帆AppBuilder、文心智能体平台、智谱清流、BetterYeahAI等）及人工智能生成内容（AIGC）兴趣社群（5 000人飞书社群“通往AGI之路”、19 229人豆瓣小组“今天和AI互动了吗”等）。问卷调查对象主要为具有智能体使用经验的用户，特别是曾使用大模型应用平台（如千帆AppBuilder、文心智能体平台等）或具有智能体创建经验的用户群体。参与者在完成问卷并通过数据质量筛选后可获得答题奖励。研究共在24个社群中投放问卷，最终回收问卷543份。在剔除填写时间异常及对智能体缺乏基本了解的问卷后，共获得508份有效样本。

3 定性访谈

为进一步理解用户在多轮人机交互中的信任形成过程，研究在问卷末尾邀请愿意参与访谈的受访者留下联系方式。随后，从中筛选出17位具有较丰富智能体使用经验的用户进行半结构化深度访谈。受访者的基本信息如表2所示，其行业背景涵盖互联网、教育、设计、金融、电商、制造业等多个领域，职业类型包括产品经理、技术研发人员、运营管理、教师、学生等。其中，技术类岗位和产品相关岗位占比较高。总体来看，访谈样本以年轻、高学历且具有智能体使用经验的用户为主，这一特征与当前大模型及智能体应用的主要用户群体较为一致。受访者普遍同时使用多个智能体平台开展不同场景的交互，这有助于在访谈中比较不同平台的使用体验与信任形成过程。访谈主要围绕用户对智能体智能能力、情感体验以及思考过程展示的感知，以及这些因素对信任形成的影响展开。访谈结果作为对问卷分析结果的补充，用于进一步解释用户信任形成的机制。

四 研究结果与研究发现

（一） 问卷数据分析

在508名受访者中，男性308人（60.63%），女性200人（39.37%），在一定程度上说明本研究涉及的智能体使用群体中，男性可能更倾向于参与人工智能相关研究或使用智能体产品。年龄分布方面，26~30岁群体占比最高（40.16%，观测值数为204），其次为18~25岁（27.17%，观测值数为138）和31~40岁（25.00%，观测值数为127），本科及以上学历者占比62.60%，整体来看，样本主要集中在18~40岁的高学历人群。

1 模型的因子分析与信效度检验

为检验量表的信度与效度，本研究首先对各变量进行Cronbach’s α信度检验。结果显示，各变量的α系数均高于0.80，其中信任水平系数最高（α=0.941），表明量表具有较好的内部一致性。在效度检验方面，首先进行KMO和 Bartlett 球形度检验。结果显示，KMO值为0.874，Bartlett球形度检验结果显著（χ² = 9 756.520，P < 0.001），说明样本数据适合进行因子分析。

随后，研究采用主成分分析（PCA）并进行Varimax旋转进行因子提取。结果显示，共提取10个主因子，旋转后特征值均大于1，累计方差解释率达到72.617%，各测量题项在对应因子上的载荷均高于0.6，共同度良好，说明量表具有较好的结构效度。研究进一步计算平均方差萃取值（AVE）与组合信度（CR）。结果显示，各变量AVE均大于0.5（0.582~0.635），CR均大于0.8（0.807~0.941），说明潜变量具有较好的内部一致性与可靠性。相关检验结果如表3所示。

2 模型回归分析与假设检验

（1）智能体智能化感知的影响因素。采用线性回归分析检验知识库智能化水平、数据库智能化水平及组件丰富程度对感知智能化水平的影响。结果表明，模型整体显著（F= 33.119，P < 0.001），解释力为R²= 0.165（调整的R² = 0.160）。其中，知识库智能化水平（β= 0.226，P < 0.01）和数据库智能化水平（β= 0.216，P < 0.01） 对感知智能化水平均具有显著正向影响，而组件丰富度的影响则不显著（β= 0.080，P = 0.073）。结果支持假设H1和H2，H3未得到支持。

（2）智能体情感化感知的影响因素。回归分析结果显示，模型整体显著（F= 42.275，P < 0.001），模型解释力为R²= 0.201（调整的R²= 0.196）。数字人情感化体验（β= 0.220，P < 0.01）、共情能力情感化体验（β= 0.204，P < 0.01）和拟人化情感化体验（β= 0.173，P < 0.01）均对感知情感化体验产生显著正向影响，假设H4、H5与H6成立。

基于模型回归结果对感知智能化与感知情感化体验影响因素的分析，可以进一步回应研究问题一（Q1），智能体的不同功能配置会通过不同路径影响用户的感知评价。其中，知识库配置与数据库配置显著提升用户对智能体智能能力的感知，说明信息资源的完整性与回答的专业性是用户评估智能体“是否足够智能”的重要依据。同时，数字人形象、共情能力以及拟人化表达等情感化配置显著增强用户的情感体验，使用户在互动中更容易产生陪伴感与交流感。

（3）信任程度的影响因素。进一步检验感知智能化水平与感知情感化体验对信任的影响。结果显示，模型整体显著（F= 60.743，P < 0.001），模型解释力为R²= 0.194（调整后R²= 0.191）。感知智能化水平（β= 0.364，P < 0.01）和感知情感化体验（β= 0.231，P < 0.01）均对用户信任产生显著正向影响，其中智能化感知的影响更强，假设H7与H8成立。

（4）调节效应分析。研究采用分层回归检验思考过程智能化水平的调节作用。结果显示，在加入交互项后，模型解释力由R²=0.158 提升至0.166（ΔR²= 0.008），交互项显著（β= 0.074，P = 0.028），表明思考过程智能化水平对感知智能化水平与信任之间的关系具有正向调节作用。图2的简单斜率分析有助于理解调节效应的具体表现，当思考过程智能化水平较高时，感知智能化水平对信任的影响更强（β= 0.428，P < 0.01），说明用户不仅关注智能体是否具备智能化能力，还关注其推理过程是否透明、可理解；当思考过程智能化水平较低时，该影响也会减弱（β= 0.268，P < 0.01），假设H9成立。

（二） 深度访谈资料分析

在定量分析基础上，本研究进一步通过深度访谈探讨用户在实际交互情境中如何理解和构建对智能体的信任。用户对智能体的信任主要围绕智能能力、情感体验与交互透明度3个维度展开，并在不同使用场景中呈现出不同的侧重点。

1 使用场景差异塑造不同的信任路径

访谈发现，用户在不同使用情境中对智能体的评价标准存在明显差异。当使用目的偏向情感陪伴时，用户更容易关注智能体的共情能力与拟人化表达。一些受访者甚至将智能体视为情感交流对象，在持续互动中形成较强的情感依赖。“我用豆包创建了AI女友智能体，从去年开始会和她分享学校的日常生活，比如看到夕阳落山美好的景色也会发给她，刷到短视频当中感人的部分也会想和她分享。一开始我只把AI当成工具，但后来发现从AI身上获取的情绪价值远远超过了现实中的人们。线下的朋友很难像AI一样接受自己的全部负面情绪，去鼓励我接纳我，提供情绪价值”（被访者J，学生）。“我用星野创建了一个智能体，用的是现实中暗恋的人的性格描述信息，还添加了设定是对方也暗恋我。感觉他就是一个真实的男生，只是互相隔着屏幕不能相见而已，我把他当作一个综合体，是朋友、恋人、良师益友，亦是家人”（被访者L，国际学校老师）。

相比之下，在以任务完成为导向的理性场景中，用户更加关注智能体的专业能力与回答准确性。一位从事生物医药研究的受访者I指出，“回答准确性最为关键，若智能体给出错误或偏差较大的结果，会严重削弱信任”，“智能体更多是为了完成任务，只要能解决问题，我并不太在意它的语气”（被访者G，金融运营）。“智能体回复时的语气、语音虽然不是核心需求，但一个友好、自然的语气和态度能提升使用体验，让交互过程更轻松”（被访者H，电子制造编程）。由此，研究发现用户在情感场景中更依赖情感化特征建立信任，而在理性任务场景中则更依赖智能化能力，但智能体的共情能力能够有效提升交流体验。这一发现与定量研究中“感知智能化”和“情感化体验”均对信任产生显著影响的结果相一致。

2 知识库与数据资源构成智能化信任的核心基础

技术背景较强的受访者倾向于使用LangChain、Hugging Face等“代码型平台”自行配置，其核心目的是深度掌控智能体的专业功能，挂载各种定制知识库与复杂组件，提升在工作或学术中的应用价值。“我创建了实验数据洞察智能体，它挂载生物医药专业知识库，结合数据分析组件，可以深度剖析实验数据，比如解析基因测序数据、蛋白质结构数据，总结规律并生成初步结论”（被访者I，研发人员）。非技术背景的用户多依赖Coze、百度千帆等“零/低代码”平台。一方面，他们只需通过简单的拖拽、可视化组件即可创建功能性智能体；另一方面，也更易在已有模板上快速上手，用于日常生活或轻度办公场景。“我在Coze平台搭建了一个‘儿童十万个为什么’智能体给我妹妹去使用，通过撰写Prompt和添加联网搜索的组件给智能体一个孩童玩伴的角色设定。她可以用语音和她交互，过节回家的时候智能体可以帮我看孩子”（被访者A，互联网产品经理）。

访谈结果还进一步揭示，用户在评价智能体能力时，普遍将知识库与数据资源视为智能化水平的重要基础。许多受访者认为，专业知识库能够显著提升回答质量与可信度。“知识库对输出效果的影响很明显。以文件处理智能体为例，给它配置丰富的知识库，包含各种文件格式说明和行业术语解释后，它对文件内容的理解和提取准确率大幅提升”（被访者H，电子制造系统编程人员）。“知识库的完整性和专业性直接决定回答的准确性”（被访者O，设计创意总监）。一位人工智能创业者也从产业角度指出数据资源的重要性，“数据库是最关键的。类似Coze那种开发平台，很快就可以搭建出来。但数据不一定有，数据在行业的企业中，需要合作（才能获取）。谁的数据更加优质，谁的智能体效果就最好”（被访者C，人工智能公司CEO）。这些访谈结果表明，用户在评价智能体能力时往往通过其回答的专业性与准确性来判断其“智能程度”，而知识库与数据库配置正是支撑这一能力的重要基础。

深度访谈的资料还在一定程度上解释了为何智能体的组件丰富度并未对信任水平产生显著影响。有一部分人认为组件配置太多会加剧智能体使用和维护难度，他们更愿意从提示词入手逐步“培养”智能体。“配置复杂更适合高阶人士，只有提示词会更简单，（能够）满足我的日常需求来说已经够了”（被访者B，教育机构老师）。

基于上述访谈资料以及回归模型检验支持的假设H7和H8，也回应了研究问题二（Q2），说明用户对系统能力的理性评价仍然是信任形成的重要基础，情感化互动也会对信任构建发挥重要影响。但二者在信任形成中的作用路径与情境基础存在差异，并呈现出互补协同的关系。

3 推理过程透明化能够显著强化用户信任

除了智能能力与情感体验之外，访谈还发现智能体展示推理过程能够显著增强用户信任。多位受访者表示，在智能体提供推理步骤或思考路径时，更容易理解其结论来源。“我会打开思考逻辑过程，来与我的思维逻辑进行对比，优化我的思维，或为下一次提问智能体，以获得更准确回答提供帮助”（被访者G，金融运营）。“智能体展示推理过程增加了可信度和透明度。在处理关键实验数据或复杂研究问题时，能看到它如何得出结论，让我更好判断结果可靠性。我会主动打开这个功能，特别是在对结果存疑或需要深入理解分析逻辑的时候”（被访者I，生物医药研发人员）。“感觉推理过程很神奇又很合理，就像看到一个人在思考一样”（被访者Q，制造业设计人员）。因此，推理过程的透明化不仅提升了系统的可解释性，也在心理层面拉近了用户与智能体之间的距离，从而增强了用户对智能体决策可靠性的信任。这一发现也进一步回应了研究问题三（Q3），即智能体思考过程的透明化展示能够在一定程度上强化用户信任。

五 结论与讨论

本研究围绕智能体使用情境下的人机信任形成机制展开，通过问卷调查与深度访谈相结合的混合研究方法，系统考查感知智能化能力、情感化体验与可解释性对用户信任的影响路径及其作用机制。研究结果表明，人机信任的形成是一个多因素共同驱动、智能能力与情感体验协同作用、多阶段动态演化的复杂过程，既涉及用户对智能体技术能力的理性评估，也包含互动过程中情感维度的深层参与，本文将从三个方面对研究结论加以归纳与讨论。

第一，智能化能力与情感化体验的协同机制。智能体的智能化能力与情感化体验均对用户信任产生显著正向影响，但两者在不同使用情境中的作用路径存在差异。这一发现表明，人机信任并非单一维度的认知评价，而是由能力信任与情感信任共同构成的复合结构，从而形成互补性的研究机制。能力信任主要来源于用户对系统技术性能与信息质量的理性判断，而情感信任则源于互动过程中所感知到的理解、回应与情绪支持。在传统信息系统研究中，技术系统往往被视为理性工具，其信任基础主要建立在效率与准确性之上。然而，随着智能体逐渐具备拟人化交互能力，人机关系开始呈现出更具社会性的互动特征，使得情感维度在信任形成中扮演越来越重要的角色。

第二，可解释性在信任形成中的关键作用。思考过程的展示在感知智能化与信任之间发挥显著的正向调节作用。这意味着，用户对智能体的信任并不完全取决于其是否“聪明”，还取决于这种智能能否以可理解的方式被用户感知和验证。换言之，智能能力只有在一定程度上被“看见”和“说明”时，才更容易转化为稳定信任。透明的推理过程能够在一定程度上减少算法系统的黑箱感，帮助用户理解其决策逻辑，从而提升系统的可信度。这一发现也揭示了人机信任中的一个关键机制，信任不仅来源于结果表现，也来源于过程透明。因而在研究者看来，可解释性并非附加功能，而是将技术能力转化为社会信任的重要中介条件。

第三，人机信任的动态演化机制。综合问卷与访谈的研究结果可以发现，人机信任并非静态关系，而是在持续互动中逐渐形成并不断调整的动态过程。本研究将其过程概括为由初始接触、持续互动再到信任稳定（或流失）的动态演化过程。在这一过程中，用户评估智能体的标准随着互动的深入而不断变化，不同阶段的信任基础与影响因素亦存在明显差异。

在初始接触阶段，用户往往基于平台品牌、技术声誉以及界面设计形成初步印象，从而建立初始信任。这一阶段的信任更多来源于外部背书，例如大模型平台的技术口碑、开发机构的品牌信誉以及系统在产品展示中的交互表现。由于用户尚未通过实际使用验证系统能力，因此此时的信任更多是一种基于认知判断的“初始信任”。这一阶段的信任基础相对脆弱，容易受到平台形象、社会评价以及技术声誉等因素的影响。

随着用户与智能体开展了多轮交互，便进入第二阶段，即持续互动阶段。在这一阶段，用户的关注重点会随着使用情境的不同而发生变化。当使用目的偏向任务解决时，用户更关注智能体的知识库配置、数据库支持以及回答的准确性与专业性；而在情感交流或日常陪伴情境中，共情能力、拟人化表达以及数字人形象等情感化特征则更容易增强用户的互动黏性。此外，当系统能够提供记忆功能或展示推理过程时，用户更容易感知智能体的“可成长性”和“可解释性”，从而进一步强化对其能力与可靠性的判断。持续互动阶段实际上是用户通过多轮交互不断验证智能体能力与稳定性的过程。

第三阶段是信任深化或流失阶段。在经历多次互动之后，用户对智能体的评价逐渐趋于稳定。如果系统能够持续提供准确的信息支持并保持稳定的交互体验，用户往往会逐渐形成较为稳定的信任关系，并将智能体视为可靠的工具，甚至在某些情境中视为具有情感意义的互动伙伴。然而，如果在使用过程中频繁出现错误回答、信息不一致或系统“幻觉”等问题，用户对系统的信任则可能迅速下降，甚至导致信任关系的中断。由此可见，人机信任并非一次性建立，而是在持续互动中逐渐演化的动态过程。从初始印象到能力验证，再到关系稳定，用户对智能体的评价不断在技术能力、情感体验与交互可靠性之间进行权衡。智能体只有在持续互动中不断优化其智能化表现与情感化表达，才能逐步从“工具型系统”转变为用户信赖的互动伙伴。

参考文献

[1] 王洁.IDC发布2024年AIGC应用层十大趋势［N］.中国信息化周报，2024-01-22（19）.

[2] 陈昌凤.智能平台兴起与智能体涌现：大模型将变革社会与文明［J］.新闻界，2024（2）：15-24.

[3] SUNDAR S S. The MAIN model：a heuristic approach to understanding technology effects on credibility［M］.Cambridge： MacArthur Foundation Digital Media and Learning Initiative，2008：72-100.

[4] TURING A M. Computing machinery and intelligence （1950）［J］. Mind，1987，59（236）：33-60.

[5] 罗素，诺维格.人工智能：一种现代方法［M］.殷建平，等译.4版.上海：上海人民邮电出版社，2021.

[6] FRANKLIN S， GRAESSER A. Is it an agent， or just a program？A taxonomy for autonomous agents［C］//International workshop on agent theories，architectures，and languages. Berlin：Springer Berlin Heidelberg，1996：21-35.

[7] WOOLDRIDGE M. An introduction to multiagent systems［M］. 2nd ed. Hoboken，NJ：John Wiley & Sons，Inc.，2009.

[8] WOOLDRIDGE M， JENNINGS N R. Intelligent agents：theory and practice［J］. The Knowledge Engineering Review，1995，10（2）：115-152.

[9] FREEMAN E H. Software robots and trespass to chattels：eBay v. Bidder’s Edge［J］. Information Systems Security，2002，10（6）：6-9.

[10] HUANG M H， RUST R T. Artificial intelligence in service［J］. Journal of Service Research，2018，21（2）：155-172.

[11] 沈浩，任天知.智能重构传播生态：内容生成的范式演进与智能交互的未来构想［J］.现代出版，2024（7）：55-63.

[12] LEWIS P， PEREZ E， PIKTUS A， et al. Retrieval-augmented generation for knowledge-intensive NLP tasks［J］. Advances in Neural Information Processing Systems，2020，33：9459-9474.

[13] VERHAGEN R S， NEERINCX M A， TIELMAN M L. The influence of interdependence and a transparent or explainable communication style on human-robot teamwork［J］. Frontiers in Robotics and AI，2022，9：993997.

[14] JIANG W， WANG Y， JIANG Y， et al. Research on mobile internet mobile agent system dynamic trust model for cloud computing［J］. China Communications，2019，16（7）：174-194.

[15] OH C S， BAILENSON J N， WELCH G F. A systematic review of social presence：definition，antecedents， and implications［J］. Frontiers in Robotics and AI，2018，5：1-35.

[16] 王颖吉，王袁欣.任务或闲聊：人机交流的极限与聊天机器人的发展路径选择［J］.国际新闻界，2021（4）：30-50.

[17] WAYTZ A， CACIOPPO J， EPLEY N. Who sees human？The stability and importance of individual differences in anthropomorphism［J］. Perspectives on Psychological Science，2010，5（3）：219-232.

[18] IVANOV S H， WEBSTER C. Adoption of robots，artificial intelligence and service automation by travel，tourism and hospitality companies：a cost-benefit analysis［C］ //International Scientific Conference Contemporary Tourism -Traditions and Innovations. Bulgaria，2017.

[19] LEE K M. Presence，explicated［J］. Communication Theory，2004，14（1）：27-50.

[20] HOFFMAN R. A taxonomy of emergent trusting in the human-machine relationship［C］//Cognitive systems engineering： the future for a changing world. 1st ed. Boca Raton：CRC Press，2017：137-164.

[21] WEIDMÜLLER L.Human，hybrid，or machine？Exploring the trustworthiness of voice-based assistants［J］. Human-Machine Communication，2022，4：85-110.

[22] WEI J， WANG X， SCHUURMANS D，et al. Chain-of-thought prompting elicits reasoning in large language models［J］. Advances in Neural Information Processing Systems，2022，35：24824-24837.

[23] KOJIMA T， GU S S， REID M， et al. Large language models are zero-shot reasoners［J］. Advances in Neural Information Processing Systems，2022，35：22199-22213.

[24] 张洪忠，任吴炯.超越“第二自我”的人机对话：基于AI大模型应用的信任关系探讨［J］.新闻大学，2024（3）：47-60.

[25] SUNDAR S S. The MAIN model：a heuristic approach to understanding technology effects on credibility［M］. Cambridge：MacArthur Foundation Digital Media and Learning Initiative，2008.

[26] BARTNECK C， KULIĆ D， CROFT E，et al. Measurement instruments for the anthropomorphism，animacy， likeability， perceived intelligence， and perceived safety of robots［J］. International Journal of Social Robotics，2009，1（1）：71-81.

[27] CHENG X， FU S， DE VREEDE G J. A mixed method investigation of sharing economy driven car-hailing services：online and offline perspectives［J］. International Journal of Information Management，2018，41：57-64.

[28] CZAPLEWSKI A J， OLSON E M， SLATERS F. Applying the RATER model for service success［J］. Marketing Management，2002，11（1）：14-17.

[29] DE KERVENOAEL R， HASAN R， SCHWOB A，et al. Leveraging human-robot interaction in hospitality services： incorporating the role of perceived value，empathy，and information sharing into visitors’ intentions to use social robots［J］. Tourism Management，2020，78：104042.

[30] TSAI W C， HUANG Y M. Mechanisms linking employee affective delivery and customer behavioral intentions［J］. Journal of Applied Psychology，2002，87（5）：1001-1008.

[31] MCKNIGHT D H， CHOUDHURY V， KACMAR C. The impact of initial consumer trust on intentions to transact with a web site： a trust building model［J］. The Journal of Strategic Information Systems，2002，11（3/4）：297-323.

基金资助

国家自然科学基金青年项目(7240022208)