Designing AI Products
for Real-World Impact
Approaching AI from two angles — designing it as a product, and using it as a daily productivity lever — to turn emerging technologies into meaningful value for users and businesses.
项目实践
“AI 产品的核心，不是让模型更快给答案，而是设计一个系统，让不确定的模型能力在真实场景里被使用、约束、检查和复盘”
一套正在形成的 AI 产品观
从生成结果，到推进决策
AI 产品不能只追求一键生成，而要帮助用户在信息不足时继续澄清、判断和推进。对我来说，好的 AI 产品不是替用户跳过思考，而是让下一步决策更清楚。
从模型能力，到工作流边界
模型可以生成，但产品要决定什么时候生成、什么时候追问、什么时候拒绝、什么时候交给人确认。工作流边界不是束缚能力，而是让能力进入可控场景。
从自动执行，到可审计协作
Agent 不应该只是替人执行任务，还应该留下过程、证据、权限边界和恢复路径。用户信任的不是“它做完了”，而是“我知道它如何做完”。
从信息摘要，到可解释判断
AI 信息产品的价值不是把信息变短，而是帮用户判断哪些信号值得跟进，以及这个判断来自哪些证据、分数和来源状态。
从 AI 化一切，到选择合适形态
不是所有产品问题都需要强行加入 AI。好的产品判断也包括知道什么时候做减法，什么时候用更朴素的记录、反馈和交互解决问题。
从全自动黑盒，到受控的沙箱与确权
真正的智能体协同不是给 AI 无限的直接执行与提交权限，而是通过默认的 Dry-run 模拟、回归测试守门和人类显式确权，将 AI 行为约束在安全可控的沙箱审计边界内。
从高认知高延迟，到轻量契约化验证
在产品探索极早期，不要急于将复杂、高延迟的真实 AI 推理流强行耦合进交互，而是通过定义严格的数据契约和 Mock 推理层，以最小开销快速验证核心体验路径。
从上下文无限堆叠，到分层记忆治理
大模型在长周期任务中会因信息累积导致指令退化。通过设计“工作区短期缓存 - 候选记忆审核队列 - 人类确权写入”的分层记忆，将上下文无序膨胀转化为高置信的决策数据库。
从感性主观评估，到量化单元评测
评测 AI 产品绝不能只靠人工抽样看感觉，而要像工程软件一样编写自动运行的单元测试与定制 Benchmark。让模型每一次迭代的逻辑收敛与边界表现，都成为可度量、可回归的数字化证据。