AI产品设计实战案例：安全生产培训试卷生成系统 --知识铺

你是否也在思考如何把AI真正用在业务场景中？这篇文章通过一个真实案例——安全培训试卷生成系统，手把手拆解AI产品设计的关键步骤，让你从“想做”到“能做”，少走弯路。

AI产品设计实战案例：安全生产培训试卷生成系统

为什么要写这个案例？

前面写了《AI赋能产品设计的转型思维：从确定性到探索性》的理论文档，提到了AI产品经理需要具备四个核心能力：AI认知能力、业务理解能力、原型构建能力和评估优化能力。

理论有了，但具体怎么用呢？

说到这个安全培训试卷生成系统，其实就是我们专门搭建的一个”实验室”，用来验证前面提到的那些设计理念到底靠不靠谱。为什么选这个场景呢？说实话，这个痛点太普遍了——你看，传统的人工出题，一套卷子要折腾好几个小时，而且质量还不稳定；换成AI来做吧，又担心它”胡说八道”，特别是涉及安全规范这种容不得半点马虎的内容。

所以我们就想，能不能通过这个具体的案例，把那四个核心能力的作用机制给”解剖”出来？从最开始的需求梳理，到后来的技术选型，再到原型测试和效果调优，每一步都对应着不同的能力要求。通过这样一个完整的设计过程，你就能很直观地看到，这些能力在实际工作中是怎么发挥作用的了。

不过，在深入具体的设计方案之前，我们先得搞清楚一个根本问题：AI产品的设计思路到底和传统软件有什么不同？这个认知差异，直接决定了后面所有设计决策的方向。

传统软件 vs AI产品：设计理念的根本差异

在设计这个演示系统时，最大的感受就是AI产品和传统软件的设计思路完全不一样：

传统软件：设计功能框架

• 用户说“我要一个出题系统”，我们就设计题库管理、组卷规则、导出功能等模块
• 关注的是功能逻辑是否完整，操作流程是否合理
• 产品经理负责功能设计，内容质量由专门的内容团队负责
• 功能一旦开发完成，表现相对固定和可预期

AI产品：设计智能结果

• 用户说“我要一个出题系统”，我们要思考的是如何让AI生成“高质量试卷”
• 关注的是最终输出结果是否满足用户真实需求
• 产品经理要对内容质量和智能化效果负责
• 系统需要根据使用反馈持续优化和学习

这种差异带来的设计挑战

• 传统软件设计功能边界清晰，AI产品要设计的是“智能边界”
• 传统软件用户学会操作就行，AI产品用户要学会“调教”
• 传统软件出问题改代码，AI产品出问题要调数据和策略
• 传统软件追求功能稳定，AI产品追求结果优化

AI产品设计面临的业务难点

具体到这个安全培训试卷生成系统，我们发现AI产品设计还面临几个典型的业务挑战：

1. **用户需求模糊：**用户往往只能提出模糊的需求，比如”我要一个能自动生成安全试卷的系统”。但具体要什么样的试卷？给谁用？考什么内容？这些都不明确。传统软件可以边做边调整，但AI系统如果输入不明确，输出质量很高差。
2. **专业性要求高：**安全培训涉及法规条文、操作规程等专业内容，有严格的准确性要求。而大模型经常会”胡编乱造”，如何确保生成内容的准确性是个关键问题。
3. **个性化需求复杂：**不同岗位的安全要求完全不同，不同层级人员的认知水平也有差异。同样的安全知识，如何针对不同人群设计不同的考试内容？
4. **AI输出不稳定：**同样的输入，AI可能产生质量差异很大的输出。如何建立稳定的质量控制机制？

明确了这些设计理念上的差异和业务挑战后，我们就可以开始具体的系统设计了。接下来，让我们看看如何将这些理论认知转化为实际的产品方案。

系统设计目标和预期效果

这个演示系统设计的目标场景是：某制造企业有30多个不同岗位，每个岗位都有自己的安全操作规程，传统的培训方式是人工出题，一份试卷要花好几天时间。

系统设计目标是：根据岗位、培训目标、考试时长等要求，自动生成专业的安全培训试卷。从输入需求到生成试卷，整个过程控制在10分钟以内。

预期达到的效果：

• 生成的试卷质量能够满足专业要求
• 不同岗位的试卷体现出差异化
• 系统运行稳定，减少错误内容
• 显著提升培训部门的工作效率

有了明确的目标，下一步就是如何实现。经过反复思考和测试，我们总结出了一套相对成熟的设计方法，可以概括为四个关键步骤。

设计思路：四个关键步骤

整个系统设计可以总结为四个步骤。每一步都对应一个核心问题，也都有具体的解决方案。

第一步：把模糊需求变成明确输入

传统软件开发关注的是设计通用的功能规则和操作流程，比如”题库管理”、”组卷规则”、”导出功能”等，不需要考虑具体的业务内容。但AI系统要直接生成具体的业务内容，必须处理内容的多样性需求——同样是”安全试卷”，电工、焊工、管理人员需要的内容完全不同，入职培训和专项考核的侧重点也不一样，这就要求输入信息必须足够具体和准确。

系统架构的核心设计思路

在整个系统设计中，最关键的思考是：如何区分不同类型的信息，并为每种类型设计最合适的处理策略？

基于对AI能力边界的深入分析，我们将所有信息分为三个层次：

1. 重要数据：个性化程度高，无法通过通用知识推理获得，必须依赖企业私有知识库检索。比如”电工岗位”需要匹配该企业的具体电工安全规程，而不是通用的电工知识。
2. 辅助数据：通用推理可以获得基本质量的结果，但通过知识库检索能显著提升质量。比如”培训目标”和”培训场景”，AI有基础判断能力，但结合企业具体案例会更精准。
3. 非重要数据：AI的通用推理能力已经足够处理，知识库检索的效果可能不如通用推理，甚至更差。比如”考试时长”主要影响题目数量分配，这是AI擅长的逻辑推理。

这种分层思路直接决定了后续的技术架构：重要数据走知识库检索路径，辅助数据采用”检索+推理”混合策略，非重要数据主要依靠AI推理。这样既保证了个性化质量，又避免了不必要的检索开销。

基于这个核心设计思路，我们设计了一个”四门槛”机制。这四个门槛的设定依据来源于业务判断的核心维度：

门槛设定的思考逻辑：

1. 培训对象：具体是什么岗位？电工、焊工、还是管理人员？不同岗位的知识基础、风险接触程度、责任范围完全不同，这直接决定了试卷的难度基准和知识点选择范围。电工需要掌握电气安全操作规程，焊工关注焊接作业风险防控，管理人员则侧重安全管理制度和应急处置。AI虽然具备通用安全知识，但缺乏岗位特异性信息时，无法准确匹配专业深度和实用性要求。
2. 培训目标：是基础安全意识培训，还是专项技能考核？目标决定了培训内容的深度和广度，影响知识点的选择逻辑和考核重点的分布。基础安全意识培训注重普及性和理解性，题目设计偏向概念解释和基本判断；专项技能考核强调操作性和应用性，需要结合具体工作场景设计实操题目。
3. 考试时长：60分钟还是90分钟？时长约束直接影响题目数量配置、难度梯度设计和答题节奏控制，这是AI无法通过推理获得的硬性约束。60分钟适合20-25道题的快节奏考核，题目设计需要简洁明了；90分钟可以容纳30-35道题，允许设置更多综合分析题和案例题。
4. 培训场景：日常培训、入职培训、还是事故后的专项培训？场景决定了培训的紧迫性、侧重点和实用性要求，影响案例选择和题目表述方式。日常培训注重知识巩固和习惯养成，题目偏向实用性；入职培训强调基础知识全覆盖和规范意识建立；事故后专项培训具有针对性和警示性，要求深度剖析事故原因。

当用户只说”我要一份电工试卷”时，系统会引导补充其他信息。比如会问：”这是给新入职的电工，还是给有经验的老师傅？”、”主要考核基础安全知识，还是包括应急处置？”

这个机制看起来增加了用户的操作步骤，但实际效果很好。这样的引导让用户对自己的培训需求也更清晰了。

解决了需求输入的问题，接下来面临的挑战是：如何让AI准确理解这些输入信息的深层含义？这就需要引入AI分析环节。

第二步：让AI理解用户真正想要什么

拿到用户的四个关键信息后，系统要做的不是简单地把这些信息传给AI，而是要让AI真正理解用户的深层需求。这就像一个有经验的培训师，既要听懂用户说了什么，还要理解用户没说出来的那些期望。

我们在实际测试中发现，同样”电工安全培训”，新入职的电工和有十年经验的老师傅，需要的内容完全不一样。新人需要从基础概念开始，老师傅更关心新法规和特殊情况处理。

分析用户画像

要搞清楚培训对象的基本情况：

• 管理层（总经理、部门负责人）：一般本科以上学历，能接受复杂的理论内容，更关注全面性和深度
• 技术人员（工程师、技师）：专科到本科学历，偏好实用性强的内容，理论和实践并重
• 操作工人（一线员工、司机）：高中到专科学历，更喜欢直观易懂的内容，重实践轻理论

这个分析不是为了”歧视”，而是为了让培训更有效。我们测试过，给操作工人出太多理论题，通过率会很低；给管理层出太多基础操作题，他们会觉得浪费时间。

理解培训目标

用户说的培训目标往往比较笼统，系统要能够细化：

• 如果是“合规培训”，重点应该放在法规条文的记忆和理解上
• 如果是“技能提升”，要多设计实际操作和问题分析的题目
• 如果是“管理能力”，需要加入决策判断和综合评价类题目

优化考试参数

根据不同人群的特点，系统会自动调整考试的具体参数：

• 管理岗位：注意力能保持75分钟左右，可以设计复杂题型，理论和实践比例6：4
• 技术岗位：注意力60分钟，中等复杂度，理论实践比例4：6
• 操作岗位：注意力45分钟，题目要简洁明了，理论实践比例3：7

推断培训场景

系统会从多个角度推断具体的培训场景：

• 从目标推断：提到“入职”就是新员工培训，提到“提升”就是在职培训
• 从人员推断：新员工对应基础培训，管理层对应管理培训
• 从意图推断：如果强调“考核”，就是效果评估场景

系统输出的分析结果

经过分析后，系统会给出一个详细的分析报告，比如针对”电工技师安全培训”的分析结果：

{

“用户画像”: {

“学历水平”:”专科到本科”,

“理解能力”:”较强”,

“抽象思维”:”中等”,

“注意力时长”:”60分钟”,

“学习偏好”:”偏重实际应用”

},

“岗位分析”: {

“风险等级”:”高风险”,

“核心技能”: [“电气安全操作”,”设备维护”,”应急处置”],

“掌握程度”: [“理解”,”掌握”,”应用”],

“主要风险”: [“触电事故”,”设备故障”,”违规操作”]

},

“培训重点”: {

“认知层次”: [“应用”,”分析”],

“重点领域”: [“操作规程”,”安全防护”,”应急响应”],

“考核方式”:”情景化考核”, “深度要求”:”专业级”

},

“考试设计”: {

“题目总数”:42,

“时间分配”: {

“重点题”:”18题×2.5分钟”,

“一般题”:”18题×2分钟”,

“基础题”:”6题×1分钟”

},

“难度分布”: {

“基础”:”35%”,

“中等”:”45%”,

“困难”:”20%”

},

“题型比例”: {

“单选”:”50%”,

“多选”:”25%”,

“情景分析”:”15%”,

“判断”:”10%”

}

}

}

系统内部的协作机制

这个分析结果会传递给后面的各个模块：

• 意图识别模块：再次确认用户的真实需求，避免理解偏差
• 知识点筛选模块：根据用户画像和岗位特点，从知识库中挑选最合适的内容
• 课程设计模块：基于学习特点，安排合理的内容顺序和学习路径
• 试卷生成模块：按照考试参数，设计题型和难度分布
• 知识提取模块：为所有模块提供准确的专业知识支撑

整个流程就像一个经验丰富的培训团队在协作：分析师负责理解需求，内容专家负责选择材料，教学设计师负责安排课程，考试专家负责出题，知识专家负责保证专业性。

第三步：从知识库中挑选合适的内容

有了前面的分析结果，接下来就要从企业的知识库中挑选出最适合的培训内容。这个过程不是简单的关键词匹配，而是要综合考虑多个因素。

怎么给知识点分类

在安全培训中，不同知识点的重要性差别很大。我们把知识点分成三个等级：

• A级-生命攸关：直接关系生命安全的核心知识，比如高压电操作、有毒气体防护等，这些必须100%覆盖，一个都不能少
• B级-安全关键：重要的安全管理和技术要求，比如设备维护规程、应急预案等，根据具体岗位灵活选择
• C级-合规要求：法规合规和基础管理要求，比如培训记录、检查制度等，主要起补充作用

知识点的标准格式

每个知识点在系统中都有统一的格式，包含这些信息：

{

“知识点ID”:”KP_1_1″,

// 知识点唯一标识”标题”:”安全生产的立法宗旨与基本原则”,

// 知识点标题”内容”:”详细的知识点内容…”,

// 完整知识点描述”核心原理”:”预防为主的风险管理原理”,

// 核心原理”关联风险”:”各类生产安全事故…”,

// 关联风险”应用场景”:”企业制定年度安全计划时…”,

// 应用场景”重要性”:”A级-生命攸关”,

// 重要性等级”认知水平”:”理解”,

// 认知水平要求”适用岗位”: [

// 适用岗位数组 “企业管理者”, “安全总监”, “政府安监人员” ],

“知识类型”:”安全管理理念与政策”,

// 知识类型”学习难度”:”新手”,

// 学习难度”考核方式”:”闭卷理论考试”,

// 建议考核方式”来源引用”:”中华人民共和国安全生产法.txt_第1部分”

// 来源引用

}

筛选的具体过程

我们在实践过程中发现，单纯按关键词匹配效果很差。比如搜索”电工安全”，可能会把所有相关内容都拉出来，包括很多不适合的。

现在的筛选过程是这样的：

第一轮：岗位匹配

• 精确匹配：直接对应岗位的知识点优先
• 相关匹配：相关岗位的知识点作为补充

比如电工培训，会优先选择“电工”标签的内容，然后考虑“电气技师”、“设备维护”等相关岗位的内容

第二轮：重要性筛选

• A级知识点：必须包含，占60%权重
• B级知识点：根据时间和难度选择，占30%权重
• C级知识点：作为补充，占10%权重

第三轮：认知水平匹配

• 管理层：可以接受复杂的理论内容
• 技术人员：理论和实践并重
• 操作工人：以实践操作为主

我们测试过一个案例：给新入职的电工做培训，如果按传统方式，可能会包含很多高级的理论知识。但通过这套筛选机制，系统会自动过滤掉过于复杂的内容，重点选择基础操作和安全规程。

第四步：先设计大纲，再生成题目

直接让AI生成完整试卷，效果往往不好。题目分布不均匀，重点不突出，逻辑性也不强。

我们采用了”两步走”的策略：

第一步：生成考试大纲

根据前面的分析结果，先设计一个详细的考试大纲，明确：

• 各个知识点的题目数量
• 不同题型的分布比例
• 难度等级的具体安排
• 时间分配的合理规划

第二步：按大纲生成题目

有了大纲这个”施工图”，AI就知道要生成什么样的题目，避免了随意发挥。

举个实际例子，我们给某化工企业设计的电工安全培训大纲：

考试时长：60分钟

题目总数：42题

知识点分布：

– 电气安全基础：18题（43%）

– 这是生命攸关的A级内容

– 个人防护用品：12题（29%）

– B级重要内容

– 应急处置：8题（19%）

– A级核心技能

– 安全操作规程：4题（9%）

– B级补充内容题型分布：

– 单选题：21题（50%）

– 基础知识快速检测

– 多选题：11题（25%）

– 综合理解能力

– 情景分析：6题（15%）

– 实际应用能力

– 判断题：4题（10%）

– 常见错误识别难度分布：

– 基础题：15题（35%）

– 中等题：19题（45%）

– 困难题：8题（20%）

这个大纲不是拍脑袋想出来的，而是基于前面AI分析的结果：技术岗位60分钟注意力、理论实践4:6比例、应用导向的学习偏好等等。

技术可行性验证：从想法到原型

有了前面的分析和设计，接下来就是验证这套方案到底能不能落地。我们采用了快速原型验证的方式，用最小的成本验证核心功能。

MVP原型设计思路

基于AI设计范式中的原型构建能力，我们设计了一个三层架构的MVP：

第一层：提示词工程与核心AI能力

• 构建了结构化的提示词模板（角色-任务-格式-约束）
• 设计了多轮对话的工作流，包含意图识别、信息收集、知识检索、内容生成四个核心环节
• 每个环节都有明确的输入输出格式和异常处理机制

第二层：工作流设计与人工介入点

• 单链路流程：用户输入→意图识别→参数提取→知识检索→内容生成→结果输出
• 关键的人工介入点：试卷内容最终审核、敏感信息检查、质量评估
• 错误处理：AI置信度低于阈值时转人工，生成内容不符合要求时重新生成

第三层：快速原型搭建

• 基于Dify低代码平台快速集成AI能力
• 利用现成的知识库API和大模型API
• 搭建了可以实际运行的MVP原型进行验证

实际的MVP架构

我们的MVP原型包含以下核心组件：

# 基于实际配置的MVP架构核心工作流:

-意图识别模块:判断用户是要生成试卷还是咨询问题

-信息收集模块:收集培训对象、考试要求等关键参数

-知识检索模块:从三个知识库并行检索相关内容

-通用法规知识库

-工厂专有制度库

-岗位操作规程库

-内容生成模块:基于检索结果生成个性化试卷

-质量控制模块:检查生成内容的完整性和准确性

人工介入点:

-试卷生成后的人工审核

-知识库内容的定期更新

-用户反馈的处理和优化

原型验证的关键发现

技术可行性验证结果：

1. AI生成质量：在有充足知识库支撑的情况下，试卷生成的准确率达到85%以上
2. 响应速度：单次试卷生成时间控制在30秒内，符合用户体验要求
3. 知识覆盖度：通过三库并行检索，知识点覆盖率比单库检索提升40%
4. 个性化程度：基于岗位和学历的个性化调整，用户满意度比通用试卷提升60%

验证过程中的发现：

通过为期两周的MVP测试，我们验证了核心技术方案的可行性：

• 三层知识检索策略在实际应用中表现良好，内容质量明显提升
• 基于认知负荷的个性化设计获得了测试用户的积极反馈
• 人工介入点的设置在保证内容质量方面发挥了关键作用

这个MVP验证让我们对整体技术路径有了信心，也为后续的产品化开发奠定了基础。更重要的是，我们通过实际测试明确了哪些技术方案是有效的，哪些地方还需要进一步优化。

建立系统性测评机制

基于AI设计范式中的评估优化能力要求，我们为这个安全培训试卷生成系统建立了一套完整的测评机制。这套机制不仅用于验证当前系统效果，更重要的是为持续优化提供数据支撑。

核心测评指标体系

1. 意图理解能力测评

大规模意图判断测试

• 测试规模：模拟10,000次意图判断
• 准确率要求：≥99%
• 测试覆盖：包含培训需求分析、岗位匹配、目标识别等多种意图类型
• 评估方法：基于标准化意图标注数据集，采用自动化批量测试

需求引导能力验证

• 测试场景：模拟100次需求不明确的用户输入
• 引导成功率：100%（必须能够识别并启动引导流程）
• 引导准确率：≥90%（引导方向与用户真实需求匹配）
• 测试用例：包含模糊表述、信息缺失、多重需求等复杂场景

2. 知识检索能力测评

检索相关性验证

测试规模：模拟100次知识点检索

岗位覆盖率：≥90%（确保支持的岗位类型全面覆盖）

目标相关性：≥90%（检索结果与培训目标高度匹配）

评估维度：

• 知识点准确性：检索到的知识点是否与岗位职责匹配
• 内容时效性：法规条文、操作规程是否为最新版本
• 难度适配性：知识点难度是否符合目标人群水平

内容多样性控制

测试方法：基于同一输入模拟100次知识点检索，每5次为一轮

重复度要求：每轮知识点重复度≤50%

多样性指标：

• 知识点来源分布：法规、标准、操作规程的合理配比
• 题型分布均衡：理论、实操、案例分析的多样化
• 难度梯度控制：基础、进阶、专家级内容的层次分布

3. 内容生成质量测评

课程大纲设计评估

AI自动化评测

测试规模：模拟100次课程大纲设计

评分标准：基于提示词AI测评，要求得分≥80分

通过率要求：100%（所有生成的大纲都必须达到基准质量）

评估维度：

• 结构完整性：目标、内容、时长、考核方式的完备性
• 逻辑合理性：知识点递进关系、难度梯度设计
• 实用性评价：与实际工作场景的贴合度

专家人工评测

测试规模：模拟10次课程大纲设计

评分要求：专家打分≥80分

通过率要求：100%

专家构成：安全培训专家、行业技术专家、教学设计专家

评估标准：

• 专业准确性：安全知识的权威性和准确性
• 教学有效性：学习目标的可达成性
• 实践指导性：对实际工作的指导价值

试卷设计质量控制

AI批量评测

测试规模：模拟100次试卷设计

评分标准：基于提示词AI测评，要求得分≥80分

通过率要求：100%

质量维度：

• 知识点覆盖度：A级知识点100%覆盖，B级≥90%，C级≥70%
• 题目质量：表述清晰、选项合理、答案准确
• 难度分布：符合预设的难度梯度要求

试题重复度控制

测试方法：基于同一输入模拟100次试卷生成

重复度要求：每次生成的试题重复度≤10%

多样性保证：

• 题目表述的多样化：同一知识点的不同考查方式
• 案例场景的丰富性：不同工作情境的模拟
• 选项设计的变化：干扰项的合理设置

专家质量验证

测试规模：模拟10次试卷设计

评分要求：专家打分≥80分

通过率要求：100%

验证重点：

• 安全知识的准确性和权威性
• 题目设计的科学性和合理性
• 考核目标的有效性

测评实施机制

自动化测评流程

我们搭建了一套自动化的测试系统：

测试数据准备

• 标准意图库：收集了10，000个用户需求的标注样本
• 知识点标准库：覆盖30个岗位的完整知识体系
• 专家评分标准：详细的评分维度和权重设置

实时监控

• 性能监控：响应时间、并发处理能力、系统稳定性
• 质量监控：准确率实时统计、异常结果自动标记
• 业务监控：用户满意度、使用频率、功能覆盖率

人工评测标准化

专家评测体系我们组建了一个专家评测团队：安全管理专家、培训设计专家、技术专家各占1/3。制定了详细的评分量表，包含专业性、实用性、创新性三个维度。

为了保证评分的一致性，我们要求多个专家独立评分，然后计算评分者间的信度，要求达到0.8以上。

持续改进机制

问题分类处理

根据测评结果，我们把问题分成几类：

• 意图理解问题：优化提示词、补充训练数据、调整模型参数
• 知识检索问题：更新知识库、优化检索算法、改进相关性模型
• 内容生成问题：优化生成模板、完善质量控制规则、改进多样性算法

迭代优化周期

• 日常监控：关键指标实时监控，异常情况即时处理
• 周度评估：核心功能性能评估，小幅优化调整
• 月度全面测评：完整测评流程执行，识别系统性问题
• 季度深度优化：基于累积数据的深度分析和重大改进

通过这套测评机制，我们建立了从技术指标到业务价值的全链路质量保证体系。每个环节都有明确的标准和验证方法，确保AI系统在实际应用中能够稳定、准确地服务于安全培训需求。

回头看这个项目

做完这个安全培训试卷生成系统，我们对AI产品设计有了一些新的认识。

四个关键能力在实战中的体现

1. AI认知能力：知道AI能做什么，不能做什么

我们的实践：

• 明确区分了AI擅长的通用推理（比如考试时长分配）和需要知识库支撑的专业内容（比如岗位安全规程）
• 基于对大模型“黑盒”特性的理解，设计了三层信息分类策略，既没有盲目依赖AI，也没有过度限制AI
• 通过“两阶段生成”模式，把复杂的试卷生成任务分解为相对确定的大纲设计和内容填充，降低了AI输出的不可控性

**关键体会：**AI认知能力不是简单了解AI能做什么，而是要深刻理解AI在具体业务场景中的适用边界，知道什么时候用、怎么用、用到什么程度。

2. 业务理解能力：找到AI介入的真正价值点

我们的实践：

• 准确抓住了传统人工出题“耗时长、质量不稳定、个性化难”的核心痛点
• 判断出安全培训属于“规则复杂、内容创意要求高、对结果有一定容错度”的高适配场景
• 将AI介入点精确定位在“需求理解、知识检索、内容生成”三个环节，而不是简单的全流程替代

**关键体会：**业务理解能力的核心是要能够将复杂的业务需求抽象为AI可以处理的子任务，并准确判断每个子任务的AI适配度。

3. 原型构建能力：快速验证想法是否可行

我们的实践：

• 设计了结构化的提示词模板，包含角色定义、任务描述、输出格式、约束条件四个核心要素
• 构建了从意图识别到内容生成的完整链路，并在关键节点设置了人工介入机制
• 基于低代码平台快速搭建了可运行的原型，用实际数据验证了技术方案的可行性

**关键体会：**原型构建能力的价值在于用最小成本验证最大风险，避免了大规模开发后才发现方案不可行的问题。

4. 评估优化能力：建立持续改进的机制

我们的实践：

• 建立了从意图理解、知识检索到内容生成的全链路测评指标
• 设置了具体的数值标准（比如意图判断准确率≥99%、知识检索相关性≥90%）
• 基于测评结果设计了提示词优化、知识库更新、流程调整等多维度优化方案

**关键体会：**评估优化能力的关键是要建立”可测量、可改进”的闭环机制，让AI系统能够基于实际使用效果持续进化。

几个可复用的设计模式

基于这次实践，我们总结出三个比较通用的AI产品设计模式：

1. 渐进式需求澄清模式

**核心价值：**将模糊的用户需求转化为AI可处理的明确输入

**适用场景：**用户需求复杂多变、个性化程度高的AI应用

关键要点：

• 设计关键信息收集的优先级（四门槛机制）
• 提供智能推荐和默认选项（基于AI推理）
• 支持需求的动态调整和优化（多轮交互）

2. 分层知识检索模式

**核心价值：**根据AI能力边界设计差异化的信息处理策略

**适用场景：**需要处理大量结构化和非结构化知识的AI系统

关键要点：

• 建立多维度的内容索引（重要数据、辅助数据、非重要数据）
• 设计合理的权重分配机制（检索+推理混合策略）
• 确保检索结果的准确性和多样性（质量控制机制）

3. 两阶段生成模式

**核心价值：**通过结构化分解降低AI生成的不确定性

**适用场景：**需要生成复杂、结构化内容的AI应用

关键要点：

• 框架生成要考虑全局结构和逻辑（大纲先行）
• 内容生成要严格遵循框架约束（结构化输出）
• 支持框架和内容的独立优化（分层迭代）

一些思考

这个项目最大的收获不在于具体的技术实现，而在于对AI产品设计有了更深的理解：

• **AI产品设计的本质：**不是简单地用AI替代传统功能，而是要重新思考业务流程，找到AI能够创造独特价值的切入点。
• **设计思路的转变：**从传统软件的”功能设计”转向AI产品的”智能结果设计”，关注的重点从”系统能做什么”变成”用户能得到什么”。
• **能力建设的路径：**四个核心能力不是孤立的，而是相互支撑的有机整体。AI认知能力是基础，业务理解能力是关键，原型构建能力是手段，评估优化能力是保障。

说到底，AI产品设计成功的关键不在于技术有多先进，而在于能否真正解决用户的实际问题。技术是手段，用户价值才是目标。

在AI时代，产品经理的核心价值在于成为技术能力和业务需求之间的”翻译官”和”架构师”。这个角色比以往任何时候都更重要，也更有挑战性。

本文由 @小伢儿 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议