跳到主要内容

AI 产品体系概述

AI 产品与传统软件产品的核心差异​

传统软件产品构建在确定性逻辑之上：给定相同的输入，程序输出总是可预测的。AI 产品打破了这一假设，它们的核心特征是概率性输出——同一个问题，在不同时刻或不同温度参数下，AI 可能给出截然不同的答案。

不确定性（Uncertainty）​

AI 模型的输出具有固有的随机性。语言模型的 temperature 参数控制输出的多样性，temperature=0 时输出最确定，但仍可能在不同运行间有所差异。这种不确定性意味着：

  • 无法通过单元测试完全验证 AI 功能的正确性
  • 需要建立评估（Evaluation）体系取代传统测试
  • 用户期望管理变得更加关键，需要明确告知 AI 答案可能存在误差
  • 产品设计必须为"AI 答错了"这一场景留出修正和反馈入口

概率输出（Probabilistic Output）​

AI 的输出不是 0/1 的布尔值，而是一个概率分布上的采样结果。即便是分类任务，模型内部也在计算各类别的置信度。这带来了新的产品设计要求：

  • 是否展示置信度给用户？过于精确的数字可能产生虚假信任
  • 高置信度的错误比低置信度的错误危害更大
  • 阈值设计（如置信度 > 0.9 才自动执行）影响准确率与召回率的平衡
  • 低置信度输出是触发人工审核的信号

延迟（Latency）​

大语言模型的推理速度远慢于传统 API。GPT-4 级别的模型首 Token 延迟（TTFT, Time to First Token）通常在 1-3 秒，完整响应可能需要 10-30 秒甚至更长。这对产品设计影响深远：

  • **流式输出（Streaming）**成为标配，用户看到逐字生成而非等待完整结果
  • 感知延迟 vs 实际延迟：良好的加载动画和进度反馈能显著降低用户的等待焦虑
  • 超时机制和重试策略需要重新设计，30 秒超时在传统 API 中罕见，在 AI 场景中是常态
  • 成本与延迟的权衡：更快的小模型 vs 更准确的大模型

AI 产品三大模式​

Copilot 辅助模式​

Copilot 模式下，AI 作为人类的助手，提供建议和辅助，但最终决策权始终在人手中。

典型产品：GitHub Copilot（代码补全）、Microsoft 365 Copilot（Office AI 助手）、Notion AI（文档写作辅助）

核心特征：

  • AI 主动提供上下文相关的建议
  • 用户可以接受、拒绝或修改 AI 的输出
  • 错误代价低，AI 犯错用户可直接纠正
  • 适合创意类、写作类、编程类场景

设计要点：建议的触发时机（主动弹出 vs 用户召唤）和呈现方式（行内建议 vs 侧边面板）是 Copilot 体验的核心。

Agent 自动化模式​

Agent 模式下，AI 能够自主规划任务、调用工具、执行多步骤操作，完成复杂的端到端任务。

典型产品：AutoGPT、Devin（编程 Agent）、AI 邮件自动回复 Agent

核心特征：

  • AI 可以分解任务并自主决定执行路径
  • 能够调用外部工具（搜索、代码执行、API 调用）
  • 可以在多步骤中积累错误，需要检查点机制
  • 适合可以清晰定义目标和验收标准的重复性任务

设计要点：权限边界设计至关重要，Agent 拥有的权限越大，出错的影响面越广。

全自动（Autopilot）模式​

全自动模式下，AI 完全接管某个业务流程，无需人工介入即可完成从输入到输出的全链路。

典型产品：AI 客服（完整处理简单咨询）、AI 内容审核（自动处罚违规内容）、量化交易自动执行

核心特征：

  • 吞吐量高，成本低，可 7×24 小时运行
  • 错误会自动执行，影响真实业务
  • 需要完善的监控和异常熔断机制
  • 仅适合容错率高或风险可控的场景

本章导读​

本章将系统介绍 AI 产品的设计与商业化体系，涵盖以下核心主题：

  • 产品结构设计：如何划分 AI 与人的能力边界，设计渐进增强策略
  • 交互设计（UX）：流式输出、加载状态、置信度展示等 AI 特有的交互范式
  • 人机协作设计：不同协作模式下的决策权分配与信任建立
  • 风控机制：内容安全、输入过滤、输出审核的工程实现
  • 商业模式：AI SaaS、Agent 平台、API 商业化的定价与竞争策略
  • 成本模型：Token 计费、缓存优化、毛利率估算的实务指南