渐进披露：先简单，再深入

洛洛第一次装本地跑图的 AI 绘画工具，是在一个通宵赶稿的夜里。

界面打开那一秒我就想把电脑合上。种子、采样方法、采样步数、提示词引导、尺寸……十几个参数一起糊在脸上，每一个我都不知道是干嘛的。那晚我一张图都没出来，最后是用手机搜的图交的稿。菜之。

后来换了个在线工具，首页只有一句"描述你想要的画面"、一个输入框、一个"生成"按钮，下面挂着一行小小的"高级设置 ˅"。我打了句话，点生成，出图了。

两周之后，我才第一次点开那个"高级设置"——因为那时我终于有了具体诉求：想固定同一个种子，让人物在好几张图里长得一样。那一刻我看着那堆参数，居然觉得挺亲切。

这就是渐进披露（progressive disclosure）：先给最常用的，复杂的留在第二层，需要的时候再展开。

研究说了什么

同样先说清性质：这是 NN/g 总结的可用性原则，不是带对照组的实验。 Jakob Nielsen 在 2006 年写的《Progressive Disclosure》把它定义为：把高级的、不常用的功能推迟到次级界面，初始界面只给少数核心选项，用户要求时再展开更大的一组。

文章给的好处有三个，分别对应不同的人：

• 易学性：新手的注意力被集中在最重要的那几项上，不用先在一堆看不懂的东西里筛。
• 减少出错：高级设置被收起来，用户不容易误改自己不理解的参数。
• 使用效率：老手也受益——界面上要扫的东西少了，找常用功能反而更快。

第三条洛洛一开始没看懂，还想"老手不是就想全都露出来吗"。后来才反应过来：老手要的是快速找到常用的那个，不是每次在四十个控件里扫一遍。souga。

还有一条硬建议常被忽略：层级最多两层。Nielsen 写得很明确，一旦到三层以上，用户在层与层之间移动时经常会迷路；真需要更多层，说明该简化设计或重新分组，而不是继续往下挖。

为什么会这样

人在同一时刻能处理的信息量是有限的。参数一次铺满屏幕，用户做的第一件事不是操作，是筛选：哪些跟我有关、哪些可以不管、哪个是我要的。这份成本每次打开界面都要重付一遍。

更麻烦的是心理那一层。看不懂的选项越多，越容易得出"这个工具不适合我"然后走人——洛洛那晚就是这么走的，当时甚至没意识到自己是被吓走的，我的说法只是"这个不好用"。

反过来，等用户长出了具体诉求，他去找参数时是带着目标的，这时候复杂度不但不吓人，还让人觉得"这工具够深"。

放到产品里怎么用

图上"产品延伸"给的是分析工具的例子，洛洛把它展开成通用做法：

1. 结论在前，过程在后。 数据面板第一屏只给结论和关键指标，把计算口径、数据来源、更多维度的拆分收进"查看详情"。看的人多半只要那个数字。
2. 默认值要能直接用。 第二层能存在的前提，是第一层不填也能跑通。采样步数默认 30、尺寸默认 1024，用户完全不碰也出得来图——这点比折叠本身更重要。
3. 展开控件必须说清里面是什么。 Nielsen 强调入口要显眼且标签明确。写"高级设置（种子、采样、尺寸）"比写"更多 ˅"好。
4. 决定谁进第一层，要靠使用频率数据，不能拍脑袋。 Nielsen 把这条列为渐进披露里最关键也最难的一步。

边界：别用过头

图上"边界"那格用了红字，说明比前面几格更该被记住：隐藏复杂度，不要隐藏常用能力。

第一，藏错东西，代价直接落在转化上。Nielsen 指出挑战是双向的：既要避免初始界面塞太多选项，又必须把用户经常需要的东西全留在第一层。折进第二层的功能使用率会明显下降——如果那是个高频功能，你等于亲手把它废了。所以这个判断必须基于真实的任务分析和频率数据。

第二，层数不能越叠越深。两层是 NN/g 给的上限。折叠里套折叠、标签页里套抽屉，用户会彻底失去方向感。

第三，折叠不是打扫卫生。为了让首屏"干净"就把一堆东西扫进抽屉，只是把混乱换了个地方放。真正的解法可能是删功能或重新分组。图上小贴士说的"可发现、可理解、可控"就是这个意思——收起来的东西必须还找得到、看得懂、改得动。

第四，这是 2006 年的原则文章，2022 年才更新过一次。它提出时主流还是桌面软件；今天的移动端和 AI 对话式界面还适不适用，需要你在自己的产品里验证，而不是当定律用。

洛洛的判断标准就一句：这个东西是不是大多数人每次都要用？是就留在外面，不是才收起来。

参考来源

• Jakob Nielsen，《Progressive Disclosure》，Nielsen Norman Group，2006-12-04 发布（页面标注 2022-07-15 更新）。https://www.nngroup.com/articles/progressive-disclosure/ （查阅日期 2026-09-14）