设计夹的第219篇文章分享 

?后台回复“国产AI”领取AI模型资源

最近几个月，作者有幸加入了公司的研究院工作群，由CEO亲自带队，集结了大模型研究组、数据组以及后端组、前端组的工程师们，一同攻克公司最新的AI产品的研发。说实话，现在做AI产品就像在搭一辆行驶中的高铁——技术迭代的速度快得惊人。

在这个日新月异的领域里，今天的"最佳实践"可能明天就变成了"历史案例"。上周刚学会的一个技术名词，这周开会时就已经升级成了2.0版本；上午设计的交互流程，下午可能就要因为技术突破而重做；昨天还在纠结的技术限制，今天可能就被新框架解决了；产品经理的需求文档永远赶不上技术发展的速度...

本文可以算是一个小白探索AI产品设计的历程记录。

  1.0时代：自主训练大模型的探索之路

回顾AI产品的演进历程，1.0时代更像是一个充满理想主义的开拓期。当时整个行业都沉浸在大模型的技术热潮中，各大科技公司都在竞相训练自己的基础大模型，我们也不例外。

自主训练“通用大模型”的尝试

2023-2024年间，我们投入大量资源自主研发了"网链大模型"，这个决定反映了当时行业的普遍心态：

技术自信：我们是“xx系”人工智能领域的公司，需要有自主可控的底层模型能力。

数据安全：我们有很多核心数据，担心使用第三方模型会导致商业数据泄露。

定制需求：期望可以通过自主训练获得更好的领域适配性。

但实际执行一段时间后，自主训练大模型的问题很快就暴露出来了。

资源错配：80%的算力消耗在训练通用能力上，而客户真正需要的垂直领域理解只占20%。

迭代迟滞：每个新需求的实现都需要全量微调，响应周期以月计算。

专业度不足：在分析"多晶硅产能过剩对光伏中游影响"这类复合问题时，准确率不足60%。

1.0阶段的产品设计

1.0模型在我们的首个问答产品的实际使用过程中效果并不好。当时的产品就像一把钝刀——虽然能砍能劈，但面对产业链分析这样需要精细操作的场景时，总是力不从心。

所以最初，我们设计在进入产业页面时有默认招呼语，首先为用户提供问题分类，以及每个分类下常见的预设问题，一个是告诉用户产品有哪些功能，一个是因为是预设好常用问题，可以提升回答的准确性和速度。

但如果用户再追问语言逻辑更复杂，或者更具行业深度的内容，模型给出的回复就会出现理解不了专业术语、长文本逻辑连贯性不好、回答速度很慢的弱点。这些问题暴露出自主训练模型在数据质量和算法积累上的不足。用户等待一个回答要10s+，任凭UI再怎么增加loading动画过渡，或者提供平复用户焦虑的文案，也还是解决不了它最根本的问题。

投入超多资源训练通用大模型，却难以在专业场景落地。超多张高端GPU持续运转数周、大量数据需要标注、算法团队需要更多人力资源...这对大多数企业来说都是难以承受的。这种情况大概持续了小一年，产品研发的进度也很缓慢。在这期间，我们深切地感受到市场客户对于AI产品的需求越发旺盛，几乎所有客户都会想要有个功能叫：AI问答。

“通用大模型：就像AI领域的"全能型选手"，通过海量数据和庞大参数训练获得广泛的知识能力，能处理文本生成、基础问答、简单推理等多样化任务。它具备强大的语言理解和内容创作能力，但缺乏专业领域的深度知识，就像通才学者虽博闻广识，面对具体行业问题时仍需结合专业数据再学习。当前主流的GPT、Claude等都属于这类基础模型，为垂直领域应用提供底层能力支撑。”

认知转变带动技术转型

正如《2025年大模型2.0产业发展报告》所指出的，当时那个阶段整个行业都在经历深刻的认知转变。

我们也意识到，若再不快速做出点改变，不调整技术方向，创造不出为公司增收的商业化产品，不说这赛道前期的红利拿不到，庞大体量的模型研发投入会拖垮公司，我们也会被客户和市场无情抛弃。那段时间的评审会也是充满了无力感，很多想实现的功能和交互方案，总被"模型不支持"打回。

直到CEO在年后的全员会议上带来了关键转向："停止造轮子，专注做场景"。这个决定意味着：我们不再追求"从头训练"模型的完美主义，开始接受使用现成的大模型API，把更多资源倾斜到更被需要的地方上去。

  2.0时代：垂域大模型的深耕与突破

在1.0时代，我们走过了所有AI初创公司都会经历的阵痛期，进入2.0时代后，我们完成了三个关键转变：

技术定位：从"全能型AI"转向"产业专家系统"

研发重点：从模型规模竞赛转向场景深度理解

产品逻辑：从技术驱动转向需求驱动

直至目前，我们终于能够聚焦产业分析师真实的工作流，而不是困在技术可行性的泥潭中。产品设计的推进速度也在快速前进。我们采用小步快跑的形式，每周发布一个小版本上线，重大难点需求放宽至1.5周-2周。在不浪费开发资源的同时，也能快速根据市场变化调整迭代方向。

行业垂域大模型的技术选型优化

① 技术升级

技术上，公司转向垂域大模型开发后，省下之前全量微调参数的精力，重点提升专业领域专业性不高的问题。

“垂直领域大模型（Vertical Domain Model）本质上是一种专业化的AI工具，它不像通用大模型那样追求"万事通"，而是专注于成为某个特定领域的专家。就像医院里既有全科医生，也有心内科、神经科等专科医生一样，垂直大模型就是AI世界里的"专科医生"。采用的是“通用底座+行业微调”模式训练。”

② 框架优化

由开始的Transformer架构，改用了最新的“RAG框架+LLM微调”的混合架构。这种架构结合了两种技术的优势，就像给专家配了一个智能资料库。不仅在数据实时性上有保障，专业性的知识也能持续强化，不仅能支持数据来源查询增加回答的可信度，在算力的消耗上也大大小于Transformer方案。

“RAG（Retrieval-Augmented Generation，检索增强生成）是当前企业级AI产品的核心技术框架，它完美解决了专业领域知识更新的难题。就像一位严谨的学者，在回答问题前总会查阅最新文献。”

“LLM微调（Large Language Model Fine-tuning）就像培养一个通才成为专家，它基础基于预训练好的通用大模型（如GPT、DeepSeek）通过用垂直领域的数据进行二次训练，在保留模型通用理解力的同时，再次强化模型的专业能力。”

③ 引入智能体矩阵

在2.0时代，我们为产品装上了"专业大脑"——智能体矩阵。这个改变让系统终于能像真正的产业专家那样思考了。

“智能体（Agent）是指能够自主感知环境、制定决策并执行任务的智能系统。不同于传统单一功能的AI模型，智能体更像是一个具备专业思维和行动能力的数字专家，它不同于传统问答系统的最关键特征是：自主决策能力。它能够理解复杂问题、调用专业工具、组织分析逻辑，最终给出符合行业标准的解决方案。”

我们上线了“专家系统”，并给每个专家（智能体）设计了独特的"性格"：产业链分析专家像个严谨的老教授，企业分析专家像精明的财务总监，研报专家则像专业的行业研究员。这些功能的上线让产品真正具备了"产业级"的专业度。

有了这些底层技术的升级，原先产品功能和界面交互的设计局限性的问题也被大大的改善。很多模型和智能体预带的功能也为产品的体验设计带来更积极的展现。许多之前不能做的功能现在能做了。例如，最开始我们需要花时间做处理的敏感词问题，现在基座大模型都能直接支持此类问题的回答，从源头显示为“****”或提示用户该问题涉及敏感内容不予回答。

再比如，智能体的加入能够让回答的分析过程透明化，用户界面能够展示出“理解-查询-思考-回答”的步骤链条。

④ 算力优化

说到AI产品势必要提到算力问题。目前市面上大部分在线产品都是靠用户购买算力来实现商业化盈利的。我们的纯网络版产品，初步计划也是根据算力或问答次数来收取用户费用。

由于我们的客户群体特殊，有的客户需要更强的算力需求或数据安全需求，我们也可为其提供“华为昇腾一体机”，通过本地部署“软件+硬件”的方式来收取用户费用，实现产品盈利。

  2.0阶段的产品设计

智能问答产品进化

伴随着底层技术的升级，产品页面和体验也同步进化。

① 界面设计

风格

在延续主产品“量知云”轻渐变的品牌基因的同时，“轻量、主流、简洁”这几个关键词主导着页面风格的迭代方向。

轻量：配色克制、不出现大色块分割。

主流：配色以冷色系为主、元素采用轻拟物或3d风格。

简洁：更大的元素间距与留白，让页面有呼吸感；元素有亲密性，模块之间有间距，符合塔式原则。提升页面品质感。

② 页面框架

页面框架主要围绕“主流、前瞻性、高效”几个关键词来设计：

主流：区别于1.0时期的问答类产品，2.0采用目前主流流行的左右结构框架：左边栏是常用工具操作栏，右边为主要内容展示区域，内容区域里顶栏的位置通常放置一些和当前对话相关的操作，下方为主要内容展示区域。优点：由原来固定宽度形式变得更灵活。内容展示区域更加开阔。

前瞻性：设计之初即考虑pc和移动页面的兼容，同前端工程师提前确认响应式页面的技术实现。

高效：有限制的自适应内容控制。主要内容展示的宽度不是越大越好，大段文字的展示宽度控制在一行50-60字左右，眼睛的阅读效率最高。

③ 交互功能设计

Prompt模板与模版库

我们根据不同业务场景（企业分析/人才匹配/专利检索等垂直场景），预先设置了至少几十种Prompt模板，相比自由发挥的AI回答，模板能够保证回答合规性，错误率降低60%。

“Prompt模板：预先设计好的结构化指令框架，用于引导AI模型生成特定类型的回答。

 Prompt模板库：根据不同业务场景分类存储的Prompt模板集合，通常包含数百个精细调整的模板。”

界面设计时，支持设计师定义Makedown支持的语法（emoij、表格、代码块...）作为问题回答的排版依据。例如，我们为“专家模式”的招呼语设定了独特的排版。

用户意图识别引擎

通过自然语言处理（NLP）技术，将用户输入的语句自动归类到预设的业务类别（如"企业竞争力评价"、"产业链断供断链分析"、"人才与技术匹配"）。这和直接设定好明确空间，让用户直接在界面上选择功能的操作不太一样。我们将获取用户意图的工作变为隐藏式的，不易发觉的，在用户询问的过程中就完成了。对比一下，显然后者更能让用户有流畅的、智能的AI产品体验。

“NLP技术：Natural Language Processing，自然语言处理。让计算机理解、解释和生成人类语言的技术。”

智能体矩阵

2.0产品引入了智能体矩阵，通过配备不同的专家系统智能体，为用户提供多维度的更深层次的产业分析功能。用户可以在有明确分析方向的时候，选择某一个定向专家为其服务。同时，系统的多个智能体也能协同工作，自动感知用户的复杂问题，分工协作，各自处理擅长的领域，共同完成对用户问题的回答。整个过程如行云流水，同样用户只需自然提问，就能获得专业级的分析回答。

多模态交互

在产业分析领域，数据从来不是冰冷的数字，而是讲述行业故事的语言。智能问答引入多模态交互，让用户能用最自然的方式与数据对话。

“多模态交互模型：2024年 2 月，OpenAI 发布了其文本生成视频的大模型 Sora。Sora 展示了人工智能在理解和模拟物理世界方面的能力，被认为是通用人工智能的关键一步。2024 年 5 月，OpenAI 推出其新旗舰模型 GPT-4o，能够实时对音频、视觉和文本进行推理，为多模态交互开启无限可能。”

我们设想，在不久的将来 用户可以通过自然语言，从数据库中抽取相关数据自动生成可视化图表，又或者可以支持本地文件（图片形式）内容解析后的进一步提问。

智能报告产品的AI化升级

2.0时代，智能报告产品也从半定制化到全AI化升级中：

1.0阶段：在初期阶段，我们的智能报告产品更像是高级版的填空工具：整个报告生成流程需要人工占主导。首先需要产业研究员预先设计80%的报告框架，并手动标注每个数据插入位点；其次需要花费大量时间调整格式排版。

这个时期始终会存在一些问题，例如：每次业务变化都需要重新制作模板，耗时耗力。对于一些非结构化的数据无法处理。生成的图表风格比较基础，无法自定义。

“非结构化数据：像是未经整理的原材料，内容呈现形式多样且含义隐晦。包括文本报告、会议录音、图片图表等，需要AI先进行"理解"和"提炼"才能使用。

结构化数据：就像整理好的工具箱，内容以整齐的表格形式存在（如Excel数据、数据库记录），每个字段都有严格定义的类型和格式，机器可以直接读取分析。”

因为受限于技术限制，1.0阶段的智能报告产品不是由产品和设计主导开发的，在功能设计和体验上都有很大的提升空间。

到了2.0阶段：

智能报告已经进化地更像一个真正的写报告的专家了。模型能够自主规划内容结构（如输入标题为“行业分析报告”，能够自动生成符合逻辑的大纲内容如“划分市场趋势、竞品对标、风险预测），并调用多智能体协作完成数据搜集与最终文案的生成。

根据用户的实际使用场景，产品提供多路径选择。如果用户对自己的报告内容胸有成竹，不强依赖AI生成功能，则可以快速进入编辑页面，使用平台的各类资料快速完成报告内容编写。

相反的，用户也可以从头选择预制模板，填写报告标题后，就能从“报告关键词”开始完全依赖AI生成，最终获得一份图文并貌的报告了。

更多案例待补充…

写在最后：奔跑者的宣言

至此，产品更新的进度就先记录到这里，确实还有很多不足。

站在这个技术爆炸的产业变革节点，现在的进度也不过是万里长征的第一步。当前版本还留有许多遗憾——智能体的协作效率有待提升，多模态交互的流畅度仍需打磨，那些躺在需求池里的创新功能还在等待排期...

差距也确实存在。但前方道路已然清晰，在多数同行还在重复造轮子时，庆幸我们已经完成了从通用到垂直的关键转身。继续沿着"专业化+场景化"的赛道持续深耕，把每个槽点转化为创新点，保持此刻"清醒奔跑"的姿态。

未来，我们选择的方向充满可能，路很长，产业理解的深度、产品体验的温度...要做的还有很多啊～

最后推荐去「大脸包纸」主页查看更多内容: zcool.com.cn/u/14469035

优网科技秉承"专业团队、品质服务" 的经营理念，诚信务实的服务了近万家客户，成为众多世界500强、集团和上市公司的长期合作伙伴！

优网科技成立于2001年，擅长网站建设、网站与各类业务系统深度整合，致力于提供完善的企业互联网解决方案。优网科技提供PC端网站建设（品牌展示型、官方门户型、营销商务型、电子商务型、信息门户型、DIY体验、720全景展厅及3D虚拟仿真）、移动端应用（手机站、APP开发）、微信定制开发（微信官网、微信商城、企业微信）、微信小程序定制开发等一系列互联网应用服务。