大型语言模型（LLM）正日益成为我们生活和工作中不可或缺的一部分，但现有的互联网架构并未针对它们的特性进行优化。本文旨在探讨如何通过重塑互联网，特别是通过引入“工具即视图”（Tool-as-View）这一概念，来降低LLM的认知负荷，从而为AI打造一个更高效的用户体验（UX）。这并非简单的技术升级，而是对互联网底层逻辑的重新思考，旨在构建一个以机器为先的全新网络世界。
降低认知负荷：从人为本到机器为本
传统的Web设计以人为中心，依赖于视觉呈现、键盘鼠标等交互方式。但LLM无法“看到”屏幕或点击按钮，它们需要的是一个具有“可执行意义”的互联网。这需要我们从根本上改变信息呈现和交互的方式，降低认知负荷，让LLM能够更快速、更准确地理解和利用互联网上的资源。
想象一下，你正在使用一个购物网站。传统的网页会呈现大量的商品、广告和导航链接，你需要手动筛选才能找到自己需要的商品。而对于LLM而言，面对如此庞杂的信息，它需要花费大量的计算资源来解析、理解和决策。这无疑增加了它的认知负荷，降低了效率。
为了降低LLM的认知负荷，我们需要将网页分解为一系列可执行的工具，例如“搜索商品”、“添加到购物车”、“查看评论”等。每个工具对应一个明确的功能，LLM可以直接调用这些工具来完成特定的任务，无需进行复杂的视觉分析和语义理解。
模型上下文协议（MCP）：连接LLM与世界的桥梁
模型上下文协议（MCP）是实现“工具即视图”的关键技术。它允许LLM调用工具（例如API调用或代码执行），并接收返回结果。随着推理型LLM的兴起，工具调用变得更加实用，因为工具的使用与推理能力密切相关。
MCP可以理解为LLM与外部世界交互的桥梁。通过MCP，LLM可以访问各种工具和服务，例如数据库、搜索引擎、天气预报等。这些工具可以帮助LLM完成各种复杂的任务，例如回答问题、生成文本、翻译语言等。
然而，就像人类一样，当可用的工具数量过多时，LLM的性能也会下降。这就是所谓的“选择悖论”。为了解决这个问题，MCP允许动态地添加和删除工具，以保持工具列表的精简和相关性。这需要我们在用户体验设计中，巧妙地控制工具的数量和类型。
导航即推理：用户体验设计的新范式
在传统的用户体验设计中，导航是指用户在界面中浏览和查找信息的过程。而在LLM的用户体验设计中，导航可以被视为推理的过程。也就是说，LLM通过推理来决定下一步应该调用哪个工具。
我们可以将“推理”、“工具调用”和“导航”等同起来，利用LLM的推理能力来导航到所需的工具。每次工具调用后，系统都会向LLM呈现一个新的工具列表，其中一些之前的工具被移除，而新的工具被添加。
这种动态的工具列表类似于Web页面，只不过传统的Web页面是HTML文档，包含JavaScript函数和指向其他HTML页面的链接。而对于LLM来说，改变视图/页面就是切换工具列表，这些工具列表是可调用的函数，可以返回结果或呈现新的视图。
工具即视图：重塑Web交互的模式
“工具即视图”（Tool-as-View）是一种全新的Web交互模式，它将每个“页面”都重新定义为一个精心策划的、不断缩小的工具列表。在这种模式下，用户（LLM）距离它想要的工具只有“六度分隔”的距离，也就是说，只需要经过最多六次工具调用，就可以找到所需的工具。
这与传统的REST API有很大的不同。传统的REST API提供了一个线性的API表面积，LLM需要从中选择合适的API端点。而“工具即视图”则可以避免LLM被不相关的端点分散注意力，从而大大降低了选择错误的概率。
举一个电子商务的例子：
- 首页 – 可用的工具：搜索商品、选择推荐商品
- 商品页面 – 新增的工具：添加到购物车、查看评论、结算商品
- 结算页面 – 工具集发生变化：列出购物车、应用优惠券、提交支付
- 退出/注销 – 工具被移除：提交支付
在这个例子中，DOM成为了工具列表，用户的点击/输入变成了函数调用。
实际案例分析：电商平台优化
以一个在线购物平台为例，传统的电商网站通常会呈现大量的商品图片、分类导航和促销信息。对于人类用户来说，这样的信息呈现方式是直观且易于理解的。然而，对于LLM来说，处理这些非结构化的数据需要消耗大量的计算资源。
通过“工具即视图”的模式改造电商平台，我们可以将每个页面分解为一系列可执行的工具。例如，在商品搜索页面，我们可以提供“按关键词搜索”、“按价格范围搜索”、“按品牌搜索”等工具。LLM可以根据用户的指令，选择合适的工具来完成搜索任务。
在商品详情页面，我们可以提供“添加到购物车”、“查看商品评价”、“购买商品”等工具。LLM可以根据用户的意图，选择合适的工具来完成购物流程。
通过这种方式，我们可以将复杂的购物流程分解为一系列简单的工具调用，从而大大降低LLM的认知负荷，提高购物效率。
量化收益：性能提升与成本降低
“工具即视图”不仅可以提升LLM的用户体验，还可以带来显著的性能提升和成本降低。
- 性能提升：通过降低认知负荷，LLM可以更快地完成任务，提高效率。例如，在电商平台上，LLM可以更快地找到用户需要的商品，缩短购物时间。
- 成本降低：通过减少计算资源的使用，我们可以降低LLM的运行成本。例如，通过优化信息呈现方式，我们可以减少LLM在解析HTML页面上花费的计算资源。
此外，“工具即视图”还可以提高LLM的可靠性和安全性。通过限制LLM可以访问的工具，我们可以防止LLM执行恶意操作，保护用户的数据安全。
趋势与未来展望：机器优先的网络时代
“工具即视图”代表着互联网发展的一个重要趋势：从人为本到机器为本。随着AI技术的不断发展，越来越多的应用将会依赖于LLM。为了充分发挥LLM的潜力，我们需要重新思考互联网的架构，构建一个以机器为先的网络世界。
这种转变并非一蹴而就，需要我们在技术、设计和商业模式上进行持续的创新。例如，我们需要开发新的工具和协议，以支持LLM的各种应用场景。我们需要设计更加简洁和高效的用户体验，以降低LLM的认知负荷。我们需要探索新的商业模式，以支持“工具即视图”的推广和应用。
可以预见的是，在未来的互联网中，“工具即视图”将会成为一种普遍的交互模式。用户（LLM）可以通过调用各种工具，轻松地访问和利用互联网上的资源，完成各种复杂的任务。这将极大地提高生产效率，推动社会进步。
结语：迎接机器优先的网络新时代
总之，将每个“页面”重新定义为一个精心策划的、不断缩小的工具列表，可以将Web转化为一个与LLM的推理循环完美契合的决策树。 其回报是一个互联网，其结构本身强制执行渐进式相关性：更少的选择，更清晰的意图，更快的结果。 如果我们希望AI代理在网上表现出色，而不是仅仅应对，那么“工具即视图”就不是锦上添花 – 它是机器优先的网络中用户体验的新基准。拥抱“工具即视图”，降低LLM的认知负荷，我们将迎来一个更智能、更高效的互联网新时代。