AI代理的体验，不只取决于模型有多强，更取决于人怎么和它交互。

文字是最稳的入口。它清楚、可追溯、方便留存，适合客服、办公、研发、检索等场景。过去命令行只属于熟悉语法的人，现在AI终端正在把它变成可对话的工作台。用户用自然语言描述目标，系统理解意图、生成命令、解释错误、辅助调试，很多复杂操作因此变得更容易上手。

但文字界面最大的问题是不好发现能力。用户常常不知道它能做什么，也不知道该怎么问。好的文字代理不能只等用户猜，而要主动提示边界、给出可选能力、在失败时提供替代路径。

图形界面解决的是可见性和掌控感。按钮、看板、流程节点、进度条、告警状态，可以让复杂任务一眼看清。未来更重要的是生成式界面，AI不只是回答文字，还能按任务动态生成表格、卡片、图表、表单和工作流，让用户既能自然表达，也能清楚操作。

语音的优势是解放双手，适合驾驶、医疗记录、现场作业、客服等即时场景。随着低延迟语音识别和实时对话能力进步，语音代理正在从简单问答走向能打断、能改口、能调用工具的行动型助手。但语音不适合承载密集信息，因为人听得比读得慢。

视频界面则更强调临场感和情绪表达。它可能出现在远程会议、教育、医疗、客服和娱乐中，但也面临带宽、延迟、恐怖谷和隐私压力。

真正好的AI体验，不会执着于某一种入口。用户开车时用语音，进会议前用文字，回到电脑前看图形看板，系统还要记得上下文。多模态不是炫技，而是让人在合适的时刻，用最省力的方式完成目标。