序章
近期，我有幸加入了某公司研究院的大家庭，CEO亲自挂帅，带领着由大模型研究团队、数据团队、后端团队和前端团队组成的工程师们，共同投身于公司最新AI产品的研发工作。说实话，投身于AI产品的开发，就像是在驾驶一列高速行驶的列车——技术的迭代速度之快，让人瞠目结舌。在这个瞬息万变的领域，今天的“黄金法则”可能明天就变成了“历史教训”。上周还刚刚掌握的一个技术术语，这周在会议上就已经升级到了2.0版本；今天上午设计的交互流程，下午可能因为技术的突破而需要重新来过；昨天还在头疼的技术难题，今天可能就被新的框架给解决了；产品经理的需求文档，总是赶不上技术发展的步伐...
本文将记录下我在AI产品设计领域从新手到逐渐摸索的历程。
一、1.0时代：自主探索大模型的征程
当我们回顾AI产品的演进历程时，1.0时代仿佛是一个充满浪漫理想的开拓时期。当时整个行业都沉浸在对于大模型技术的狂热之中，各大科技公司都在积极训练自己的基础大模型，我们也不例外。
自主尝试构建“通用大模型”
在2023至2024年间，我们投入了大量的资源，自主研发了“网链大模型”。这一决策反映了当时行业的普遍心态：
技术自信：作为“xx系”人工智能领域的公司，我们需要拥有自主可控的底层模型能力。
数据安全：我们拥有许多核心数据，担心使用第三方模型会导致商业数据泄露。
定制需求：我们期望通过自主训练获得更好的领域适配性。
然而，在执行了一段时间之后，自主训练大模型的问题很快显现出来。
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%。
迭代缓慢：每个新需求的实现都需要全量微调，响应周期长达数月。
专业度不足：在分析“多晶硅产能过剩对光伏中游影响”这类复杂问题时，准确率不足60%。
二、1.0阶段的产品设计
在我们的首个问答产品中，1.0模型的实际表现并不理想。当时的产品就像一把钝刀——虽然能够砍伐和劈砍，但在面对产业链分析这样需要精细操作的场景时，总是显得力不从心。
因此，最初我们的设计是在用户进入产业页面时，默认显示问候语，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。一方面，这是为了告诉用户产品有哪些功能；另一方面，预设的常用问题可以提升回答的准确性和速度。
然而，如果用户追问的问题涉及更为复杂的语言逻辑或更深入的行业知识，模型给出的回复就会出现无法理解专业术语、长文本逻辑连贯性不佳、回答速度慢等弱点。这些问题暴露了自主训练模型在数据质量和算法积累方面的不足。用户等待一个回答需要超过10秒，无论UI如何增加loading动画过渡，或者提供安抚用户情绪的文案，都无法从根本上解决问题。
原文片段：
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。
通用大模型的开发投入巨大，但其在特定专业领域的应用却面临重重挑战。高端GPU的长时间运行、海量数据的标注需求，以及算法团队所需的人力资源增加，对于大多数企业而言，这些都是难以负担的重负。这样的状况持续了近一年，产品的研发进程也显得尤为缓慢。在此期间，我们深刻体会到，市场上对于AI产品的需求日益迫切，几乎每一位客户都期望能够拥有一项AI问答的功能。
通用大模型，如同AI界的“全能战士”，凭借海量数据和庞大参数的训练，具备了广泛的知识处理能力，能够胜任文本生成、基础问答、简单推理等多种任务。它拥有强大的语言理解和内容创作能力，但在专业领域的深度知识方面却显得不足，就如同博学多才的通才学者在面对具体行业问题时，仍需借助专业数据进行再学习。目前主流的GPT、Claude等模型均属于此类基础模型，为垂直领域的应用提供了底层技术支持。
认知的转变引领技术的革新
正如《2025年大模型2.0产业发展报告》所阐述的，在那个阶段，整个行业正经历着一场深刻的认知变革。
我们深知，若不及时作出变革，不调整技术发展路线，无法研发出能为公司带来收益的商业化产品，那么不仅无法享受到前期赛道带来的红利，庞大的模型研发成本还可能拖垮整个公司，甚至我们会遭受客户和市场的冷落。那时的评审会议充满了挫败感，许多期望实现的功能和交互方案，总是因为“模型不支持”而被驳回。
直到CEO在年初的全员大会上提出了一个关键的转变方向："放弃自行研发，聚焦于应用场景"。这一决策意味着：我们不再执着于追求“从头开始训练”模型的极致完美，而是开始采纳现成的大模型API，将更多的资源投入到真正需求迫切的领域。
2.0时代：垂直领域大模型的深入探索与突破性进展
历经1.0时代的种种挑战，我们与众多AI初创企业一同成长，步入2.0时代，我们实现了三大关键性的转变：
技术定位：从追求“全能AI”向专注“产业专家系统”转变
研发重心：从模型规模竞赛转向对场景的深度理解
产品理念：从技术驱动转向以需求为导向
如今，我们能够精准聚焦于产业分析师的实际工作流程，摆脱了技术可行性的束缚。产品开发的步伐也在不断加快。我们采纳了“小步快跑”的策略，每周推出一个小版本进行上线，对于重大难点需求，我们将其放宽至1.5周至2周。这样做既不浪费开发资源，又能迅速响应市场变化，调整迭代方向。
行业垂直领域大模型的技术选型与优化
技术革新
在技术层面，公司转向垂直领域大模型的开发后，我们节省了之前全量微调参数的精力，转而专注于提升专业领域的专业性。
“垂直领域大模型，本质上是一种专业化的AI工具，它并不追求成为‘万事通’，而是致力于成为某个特定领域的专家。正如医院中的全科医生与专科医生，垂直大模型在AI领域扮演着‘专科医生’的角色。我们采用‘通用底座+行业微调’的模式进行训练。”
架构优化
从最初的Transformer架构，我们升级到了最新的“RAG框架+LLM微调”的混合架构。这种架构融合了两种技术的优势，犹如为专家配备了一个智能资料库。它不仅确保了数据的实时性，还能持续强化专业知识，支持数据来源查询，提高回答的可信度，同时在算力消耗上远低于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。它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）则如同培养一个通才成为专家，它基于预训练好的通用大模型（如GPT、DeepSeek）通过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，进一步强化模型的专业能力。”
引入智能体矩阵
步入2.0时代，我们为产品注入了“专业大脑”——智能体矩阵。这一变革使得系统具备了与产业专家相媲美的思考能力。
“智能体（Agent）是指那些能够自主感知环境、制定决策并执行任务的智能系统。与传统单一功能的AI模型不同，智能体更像是拥有专业思维和行动能力的数字专家。与传统的问答系统相比，其最显著的特征在于自主决策能力。智能体能够理解复杂问题、运用专业工具、构建分析逻辑，并最终提供符合行业标准的专业解决方案。”
我们推出了“专家系统”，并为每位专家（智能体）量身定制了独特的“性格”：产业链分析专家宛如一位严谨的老教授，企业分析专家则像一位精明的财务总监，而研报专家则如同一位专业的行业研究员。这些功能的推出使得产品真正拥有了“产业级”的专业水平。
随着这些底层技术的升级，产品功能和界面交互的设计局限性得到了显著改善。众多模型和智能体自带的功能也为产品的体验设计带来了更多积极的表现。许多之前无法实现的功能如今得以实现。例如，最初我们需要耗费大量时间处理的敏感词问题，如今基座大模型能够直接支持此类问题的回答，直接显示为“****”或提示用户该问题涉及敏感内容不予回答。
举例来说，当智能体融入其中，回答问题的分析过程变得更为直观可见。用户界面得以清晰地呈现出“解析-检索-深思-反馈”这一连贯的操作流程。
算力的精进之道
谈及AI产品的开发，不可避免地要触及算力这一核心议题。在当前的市场环境中，众多在线AI产品主要依靠用户购买算力资源来实现商业上的盈利模式。对于我们公司开发的纯网络版产品，我们的初步规划同样考虑了这一盈利路径，即根据用户所消耗的算力或提问次数来设定收费标准。
考虑到我们的客户群体具有其独特性，其中一些客户对于算力或数据安全的需求尤为强烈。为此，我们能够为他们提供更为高级的解决方案——“华为昇腾一体机”。通过在本地部署“软件+硬件”的整合方案，我们不仅能够满足这些客户的特定需求，同时也能通过这种方式来收取相应的费用，从而实现产品的盈利目标。
2.0版本的产品设计探索
随着基础技术的不断进步，产品界面和用户体验也随之实现质的飞跃。
1. 界面设计的革新
1.1 设计风格
在秉承主产品“量知云”品牌所倡导的“轻盈、渐进”设计理念的基础上，“轻巧、流行、简洁”成为页面设计风格迭代的核心关键词。
轻巧：色彩搭配节制，避免使用大面积的色彩分割。
流行：以冷色调作为主要配色，元素设计采用轻量级的拟物或三维风格。
简洁：通过增加元素之间的间距和留白，赋予页面以呼吸感；确保元素间具有紧密联系，模块之间保持适当的间隔，遵循层次化设计原则，从而提升整体的品质感。
1.2 页面架构设计解析
在页面架构的设计中，我们着重考虑了“主流”、“前瞻性”以及“高效”这三个核心要素：
主流：与1.0时代的问答式产品形成鲜明对比，2.0版本的产品采纳了当前市场上广受欢迎的左右分栏布局。左侧栏作为常用工具的操作区域，而右侧则作为主要内容展示的核心地带。在内容展示区域内，顶部通常设置与当前对话相关的操作按钮，下方则是宽敞的正文展示区域。这一设计带来的优势在于，相较于之前的固定宽度布局，页面变得更加灵动，内容展示区域也因此变得更加宽敞。
文章标题：设计师眼中企业级AI产品的演变与实施之道
（文章第11/18部分，中间部分，以下为改写正文）
原文片段：
前瞻性思维在设计的起点便已体现，我们确保在规划阶段就考虑到PC端与移动端页面的无缝兼容，并与前端工程师进行充分沟通，预先确认响应式页面的技术可行性。
文章标题：从设计师视角看：企业级AI产品的进步与操作
（文章第12/18部分，中间段落，直接输出改写正文）
原文片段：
高效：设定界限的自适应内容调节。在呈现核心内容时，并非宽度越宽越佳，适当控制文字展示的宽度，建议每行维持在50至60个字，这样的阅读效率最为理想。
1.3 交互功能设计解析
1.3.1 Prompt模板与模板库构建
针对多样化的业务场景，如企业分析、人才匹配、专利检索等垂直领域，我们精心准备了数十种Prompt模板。这些模板相较于AI的自由回答，不仅确保了回答的合规性，还将错误率降低了60%。
“Prompt模板：这是一种预先设定好的结构化指令框架，旨在引导AI模型生成特定类型的回答。
Prompt模板库：这是一个按不同业务场景分类存储的Prompt模板集合，通常包含数百个经过精心调整的模板。”
在界面设计阶段，设计师可以根据Markdown支持的语法（包括表情符号、表格、代码块等）来定义问题回答的排版标准。例如，为了打造“专家模式”的招呼语，我们特别为其设计了独特的排版风格。
1.3.2 用户意图捕捉系统
借助自然语言处理（NLP）的强大功能，我们将用户输入的语句智能地分类至预定的业务范畴之中，例如“企业竞争力评估”、“产业链供应链中断分析”以及“人才技术匹配”等。这种处理方式与用户直接在界面上明确选择功能相比，有着显著的不同。我们致力于将用户意图的捕捉过程转变为一种隐蔽且不易察觉的操作，它可以在用户提问的同时悄然完成。相较之下，这种隐秘的操作方式无疑为用户带来了更加流畅和智能的AI产品体验。
“NLP技术，即自然语言处理技术。它是一种让计算机能够理解、解读并生成人类语言的技术。”
1.3.3 智能体阵列
在2.0版本的产品中，我们引入了智能体阵列的概念。该阵列配备了多种专家系统智能体，旨在为用户提供全方位、深层次的产业分析服务。当用户有明确的分析需求时，他们可以选择特定的专家智能体来提供定制化的服务。此外，系统中的多个智能体还能实现协同作业，自动识别用户的复杂问题，并分工合作，各自在其擅长的领域内进行处理，共同为用户提供专业级的分析反馈。整个过程如同行云流水，用户只需提出自然的问题，便能够轻松获得专业级别的分析结果。
1.3.4 多维交互体验
在产业分析的广阔天地中，数据并非仅仅是冷冰冰的数字，它们如同讲述行业故事的生动语言。智能问答技术的融入，带来了多维交互的全新体验，使得用户能够以最为自然的方式与数据展开对话。
“多维交互模型：进入2024年2月，OpenAI推出了其革命性的文本生成视频大模型Sora。Sora在理解和模拟物理世界方面展现了人工智能的强大能力，被视为迈向通用人工智能的重要里程碑。紧随其后，2024年5月，OpenAI发布了其全新的旗舰模型GPT-4o，该模型能够实时对音频、视觉和文本进行深入推理，为多维交互开辟了无限的前景。”
展望未来，我们不禁设想，用户将能够通过自然语言，轻松地从数据库中提取相关数据，并自动生成直观的可视化图表。此外，系统还将支持对本地文件（如图片）内容的解析，并在此基础上进行进一步的深入提问。
智能报告产品的AI化变革之路
在2.0时代，智能报告产品经历了从半定制化向全AI化的飞跃：
在初始阶段，我们的智能报告产品更像是一款高级版的自动填充工具。在这一阶段，报告的生成过程主要依赖人工操作。首先，产业研究员需要预先搭建报告的80%框架，并对每个数据插入点进行手动标记；其次，还需要投入大量时间去调整格式和排版。
然而，这个阶段也伴随着诸多问题，比如：每当业务发生变动，就需要重新制作模板，这不仅耗时而且费力。此外，对于非结构化数据的处理能力有限。生成的图表风格较为基础，无法进行个性化定制。
所谓“非结构化数据”，就如同未经整理的原材料，其内容呈现形式多样，含义往往隐晦不清。这包括文本报告、会议录音、图片图表等，需要AI先进行“理解”和“提炼”才能有效利用。
而“结构化数据”则像是一个整理好的工具箱，内容以整齐的表格形式存在，如Excel数据、数据库记录等，每个字段都有明确的类型和格式，机器可以直接读取和分析。
由于技术限制，这一阶段的智能报告产品并非由产品和设计团队主导开发，因此在功能设计和用户体验方面还有很大的提升空间。
在进入2.0版本后：智能报告的进化已使其更加贴近一位资深报告撰写专家的水平。模型具备独立构建内容框架的能力，比如输入标题“行业分析报告”，便能够自动构建出逻辑严密的目录，诸如“市场趋势分析、竞品对比、风险预判”等内容。此外，它还能通过多智能体的协同作用，完成数据的搜集与最终文案的撰写。
针对用户的具体使用需求，产品提供了多样化的路径选择。若用户对报告内容已有明确构想，并不需要过多依赖AI的生成功能，他们可以迅速进入编辑界面，利用平台提供的丰富资料迅速完成报告的撰写。
反之，用户也可以从预设的模板开始，填写报告标题之后，便可以从“报告关键词”这一步起，完全依赖AI的力量来生成内容，最终获得一份图文并茂的完整报告。
文章标题：设计师眼中：企业级AI产品的演变与探索
（文章第18/18部分，结尾部分，直接输出改写正文）
原文片段：
更多精彩案例，敬请期待…
结语：奋斗者的誓言
经过这一阶段的努力，我们的产品更新历程暂时告一段落，但显而易见，仍有诸多不足之处。
身处技术迅猛发展的产业变革风口，我们目前所取得的进展，仅仅是迈向万里长征的第一阶段。目前的产品版本中，仍有许多未竟之处——智能体的协作效率尚需提高，多模态交互的流畅性有待进一步完善，那些尚未实施的创新功能正等待着排期实施...
当然，我们也清楚自己与他人的差距。然而，前方的道路已经逐渐明朗，在众多同行仍在重复开发轮子的时候，我们庆幸自己已经实现了从通用到垂直领域的关键转变。我们将继续沿着“专业化+场景化”的发展道路不断深耕，将每一个不足之处转化为创新契机，保持我们当前“清醒前行”的姿态。
展望未来，我们所选择的道路充满了无限可能。前方的路途漫长，对产业的深入理解、对产品体验的细腻把握，都是我们需要不断追求的目标。我们还有许多事情要做啊～
