例子（先看見傳統搜尋的兩種型）
先用兩張圖把「Google 型」與「Amazon 型」的差異對齊，後面的 LLM 搜尋改版才看得出差別。
Figure 10.1 Google Search with answers Google 型搜尋擅長快速回傳權威答案，並用自動完成與更正把查詢導向可匹配的字串。
Source in book: Chapter 10
Figure 10.2 Amazon Search with facets Amazon 型搜尋以 facet 為核心，讓使用者用篩選與分類逐步縮小範圍。
Source in book: Chapter 10
接著看一個「否定查詢」例子：結果看起來很多，實際上很難直接用來推進下一步。
Figure 10.3 Google Search for “Mysteries That Are Not Scary” 面對否定與模糊意圖，傳統搜尋容易回到人類整理的指南或雜訊較高的結果集合。
Source in book: Chapter 10
Figure 10.4 “Authoritative source” for non-scary mysteries 傳統搜尋常把問題轉成「找得到的權威來源」，用連結與權威性來取代意圖拆解。
Source in book: Chapter 10
Figure 10.5 Amazon search results for “Mysteries That Are Not Scary” facet 很適合做約束，但遇到難以被標籤化的否定意圖時，結果容易變成大雜燴。
Source in book: Chapter 10
下面這組圖把「一般搜尋結果」與「AI 搜尋結果」放在同一個用例中對照，適合用來檢查切換與預覽設計是否清楚。
Figure 10.6 AP Images conventional search results 一般搜尋先回到列表，使用者需要自行判斷要怎麼修正查詢或改用其他路徑。
Source in book: Chapter 10
Figure 10.7 AP Images AI results AI 搜尋能先整理出可用的答案結構，讓探索從「看一堆結果」變成「看意圖分組」。
Source in book: Chapter 10
如果你的產品允許用聊天型結果呈現，這兩張圖可以當作輸出格式的參考樣本。
Figure 10.8 ChatGPT results for “Mysteries That Are Not Scary” 聊天型輸出能把解釋、清單與建議集中在同一個視野。
Source in book: Chapter 10
Figure 10.9 ChatGPT results for movies 同一個查詢也能被重新定義到特定範圍，讓結果更容易被評估與使用。
Source in book: Chapter 10
方法（設計 LLM 搜尋 UI 時要做的決策）
下面這張教學圖把「一般搜尋」與「AI 搜尋」的切換與預覽放在同一頁上。讀圖時先檢查使用者是否永遠知道自己在哪種搜尋模式，再檢查回到一般搜尋的路徑是否明確。
教學圖：LLM 搜尋的切換與預覽 用開關分流時，關鍵在可控性與可回退：讓使用者能比較兩種邏輯，並在需要時回到一般結果列表。
下面這張教學圖用同一個查詢對照兩種結果格式。讀圖時留意：LLM 搜尋是否把「分組」與「追問」做成可接續的探索節奏。
教學圖：傳統搜尋 vs. LLM 搜尋的輸出格式 傳統搜尋偏向結果列表與篩選；LLM 搜尋偏向摘要、意圖分組與下一步提問，讓探索能延續。
Figure 10.10 LLM fuzzy search results example LLM 搜尋的輸出常更接近「可用的答案與下一步」，而不是單純的連結集合。
Source in book: Chapter 10
下面這張教學圖把 facet 在 LLM 搜尋中的兩種角色畫成兩條路徑。讀圖時先看「約束」是否仍可被人理解與修改，再看 AI 建議是否能把模糊查詢轉成可用的篩選方向。
教學圖：facet 在 LLM 搜尋裡的角色 facet 可以維持經典的縮小範圍，也可以由 AI 提出更可用的約束建議，讓使用者更快找到方向。
練習（設計你自己的 LLM 搜尋）
- 選一個「模糊查詢」會很常見的領域（內容、商品、知識庫、內部文件）。
- 畫兩個結果頁：一般搜尋 vs. LLM 搜尋（摘要、分組、3 條追問）。
- 寫下你要怎麼呈現「結果可信度」與「回到傳統搜尋」的路徑。