前言
继上次分享了 AI 产品设计的 1.0 到 2.0 转型历程后，最近两个月我们在智能问答和智能报告两大核心AI产品的迭代中又做了一些深度改进，今天就再次将这些实践拆解记录一下，涉及技术转型背后的设计思考，以及设计师如何在团队协作中无缝对接技术团队。
一、智能问答产品 3.0 迭代全解析
1.技术转型
上次讲到，在产品技术演进的历程中，我们经历了关键的架构升级与模式转型：
1.0至2.0阶段的迭代，我们摒弃了通用大模型的自研路径，转向行业垂域大模型的深度训练，完成了从“Transformer架构”到“RAG+LLM混合框架”的技术跃迁。（关于这段经历可查看上一篇文章：https://www.某设计社区.com.cn/article/ZMTY1NjQ4NA==.html）这一转变解决了通用模型在专业场景中的知识滞后与算力浪费问题，实现了垂直领域回答准确率的显著提升。
而随着AI技术架构与开发模式的持续革新，短短两个月内，我们再次推动产品从2.0向3.0升级：
正式迈入当下行业兴起的“智能体平台”开发阶段。这一演进不仅顺应了轻量化、模块化的技术趋势，更通过智能体平台的组件化架构设计，让产品从单一领域的知识问答，进化为支持多场景业务流程自动化的智能化解决方案。
看看国内各大厂近期的科技新闻便能得知，行业风向正经历着从自研重资产到平台轻量化的重大转型：百度文心千帆推出“智能体工厂”、阿里通义千问发布“企业智能体解决方案”、字节跳动推出“火山引擎智能体平台”...众多大厂纷纷做出改变，以顺应这一趋势。
1.1 技术革新带来的显著优势
在技术转型的大背景下，智能体平台为人工智能赋予了自主决策、规划以及与环境互动的能力。相较于“RAG+LLM”模式，智能体平台展现出更为突出的优势。它能够实现复杂任务的深度拆解和协同处理，这一点是“RAG+LLM”模式中单一问答式交互所难以实现的。智能体平台的开发周期较短，成本相对较低，依托于可视化编排工具和预制组件，开发者无需投入大量代码编写，便能迅速构建出应用，有效降低了开发门槛和资源投入。此外，智能体平台的扩展性极强，可以随时添加新的智能体或更新功能，能够灵活地适应业务的变化，使得企业能够根据市场需求迅速调整智能化的发展策略。
我们的企业也紧随行业转型的潮流。以往采用的“RAG+LLM”技术模式，在实际应用过程中，遭遇了模型更新迭代过程繁琐、知识检索不够精确高效等诸多挑战。随着业务领域的不断拓宽，对于智能问答、业务流程自动化等方面的需求日益增加，原有的技术模式在开发成本和效率上已无法满足需求。因此，我们毅然决然地转向了智能体平台的开发。
在智能问答的应用场景中，我们依托智能体平台搭建了多个领域的专家智能体，例如“产业链图谱绘制”智能体、“美国管制清单分析”智能体等。与之前的“RAG+LLM”模式相比，这些智能体的回答准确率有了显著提升。而且，每个智能体都能够独立进行更新和优化，开发效率也得到了大幅提升。从“RAG+LLM”模式到“智能体平台”的开发转型，让我们的企业在智能化业务发展的道路上更加轻松，能够迅速适应市场的变化，提升了我们的竞争力。
当然，智能体和RAG并不是互相排斥的，它们也可以相互结合使用：在复杂的应用场景中，可以考虑优先采用智能体矩阵，每个智能体内部集成RAG技术；而对于基于最新知识的准确回答，则优先考虑使用RAG技术。
1.2 混合架构的解耦：从综合作战模式向个体专精的跃升
在智能问答产品的初期版本里，我们采用了“基座大模型与多元智能体协作”的混合架构。这样的架构就好比构建了一座庞大的综合医院，其中通用大模型扮演着全科医生的角色，而各个细分领域的智能体则如同各自领域的专家。当用户提出问题，系统便会化身为一座“分诊台”，借助NLP意图识别算法自动识别问题的属性，并动态调用最合适的智能体来提供答案。
然而，这种看似高效的大一统模式在实际应用中逐渐显现出其深层次的矛盾。试想一下，在一个繁忙的急诊室里，全科医生既要处理感冒发烧的患者，又要应对心脏急救的情况，而各个科室的专家只有在必要时才会被紧急召集。在智能问答的情境中，不同智能体的代码逻辑与大模型的调用链路相互纠缠，形成了一个错综复杂的“技术迷局”。
当用户询问“关于我国人工智能产业领域的发展现状”时，系统可能需要同时激活产业、企业、人才、技术等多个智能体。这种“大杂烩”式的协同不仅使得响应速度变得缓慢，更严峻的问题在于用户体验。由于缺乏明确的“责任划分”，同一个对话界面的多轮对话可能会出现不同智能体专家的头像交替出现，这种不确定性使得用户对AI的专业性产生了怀疑，就像在医院中频繁更换主治医师，但始终无法得到一个清晰的诊疗方案。
在架构升级之前，我们采用的“混编作战”模式暴露出了诸多用户体验上的不足：
界面信息混乱：智能体身份的转换缺乏清晰的界限，不同领域的智能体回答不加区分地统一展示在同一页面上，使得信息边界变得模糊，增加了用户的认知负担。
回答质量下降：通用大模型与细分智能体之间的协同逻辑不够明确，导致在专业领域的回答准确性降低，出现了“大而全却不精”的问题。
产品定位失误：“单对话窗口内快速切换智能体”的设计与产品的核心定位产生了冲突：原本产品的目的是引导用户根据明确的目标选择相应的智能体，通过“目标-工具”的精准匹配来提高效率；然而，现有的设计允许用户通过一个输入框触发多个智能体的响应，这实际上削弱了智能体的场景专属属性，与“精准服务”的定位相悖。
针对这些问题，我们启动了对架构的全面重构。新的方案采用了“智能体独立作战”的模式，就好比将一个综合医院拆分成多个专科医院集群。架构师运用解耦思维，将原本交织在一起的代码模块逐一分离。每个智能体都拥有独立的“作战单元”——专有的模型参数、知识库、处理逻辑，甚至独立的API接口。以“瓶颈分析”智能体为例，它不再与其他领域的代码共享资源，而是专注于瓶颈技术分析、技术预测等细分场景，调用的数据也仅限于管制清单、实体清单等知识库检索和网络辅助检索。
这种变革在产品界面设计上得到了直接体现，形成了“一页面一智能体”的简约形态。用户进入“产业链分析”页面，就如同步入行业分析师的专属工作室，所有内容都根据该领域的需求进行定制。
新架构的引入，不仅对技术层面进行了精妙的优化，同时也极大地提升了用户的整体体验。独立运作的智能体以其更快的响应速度脱颖而出，而且每个智能体的界面优化和交互设计都可以独立进行优化。对于用户而言，最直接的体验是专业问题得到了更加清晰的分类，AI的可靠性得到了显著提升，每一次的提问都能得到逻辑严谨且专业的回答。
这一从智能体混编作战到单兵作战的升级过程，不仅重新定义了智能问答产品的技术基因，更揭示了在AI时代，明确的产品场景划分和专业的聚焦才是打造卓越产品体验的核心。
2. 智能体平台
2.1 智能体平台究竟是什么
智能体平台是一种模块化的AI开发与运行框架，其核心在于将大型模型的能力分解为灵活组合的“智能组件”，并通过可视化工具实现AI应用的快速构建和部署。它相当于“AI的操作系统”，提供了标准化的接口、行业知识库以及多模型协同的能力，助力开发者以轻量化的方式开发复杂的AI应用。
智能体平台是AI从“实验室模型”迈向“产业落地”的重要桥梁，通过模块化和低门槛的开发模式，使得企业能够更加高效地将AI技术融入其业务流程中。
在我国的智能体领域，平台的发展势头迅猛，它们在功能性和应用场景上各有千秋，为广大用户提供了丰富的选择空间。其中，备受瞩目的智能体平台包括百度推出的文心智能体平台、阿里巴巴的魔塔智能体平台、腾讯的元器智能体开放平台、字节跳动的扣子 AI 平台、FastGPT以及Dify等多个知名平台。
在挑选智能体平台的过程中，我们公司经历了一系列的评估与深入的剖析。尽管阿里、腾讯等公司的智能体平台在电商和社交领域有着广泛的应用，但在众多备选方案中，我们最终选择了Dify，并放弃了FastGPT和扣子（Coze）。这一选择背后蕴含着诸多深思熟虑的因素。
首先，针对扣子平台，虽然它提供了零代码开发和丰富的插件等便利，然而鉴于我们公司对数据安全和隐私保护的严格要求，必须保证数据在本地环境中的存储和处理。遗憾的是，扣子平台并不支持本地部署，这与我们产品的特性相去甚远，因此成为了我们放弃该平台的关键理由。
在对比Dify和FastGPT时，虽然FastGPT在知识库问答的场合表现优异，界面简洁，学习成本低，对于非技术团队来说非常友好，能够迅速搭建起简单的应用，但其功能相对单一，主要聚焦于基础的知识库问答。而我们的公司专注于B端场景下的产业链大数据人工智能领域，业务复杂多变，不仅需要简单的知识问答，还涉及到复杂的业务逻辑处理、跨部门协作流程以及对产业链数据的深度挖掘和分析等。
Dify的优势则与我们公司的业务需求高度吻合。Dify功能全面，不仅涵盖了知识库，还集成了Agent和工作流，具备强大的RAG策略配置和多种检索模式，能够满足我们对产业链大数据进行精准检索和分析的需求。在工作流能力方面，Dify的节点类型丰富，逻辑控制强大，支持复杂的业务逻辑和多步推理任务，这对于我们处理复杂的业务场景至关重要。同时，Dify支持外挂知识库，便于我们对接公司的各类数据资源。
2.2 深入剖析智能体构建流程
在 Dify 平台上，智能体的构建过程被巧妙地简化，用户只需通过直观的操作界面，就能将原本繁杂的智能体搭建步骤分解为一系列清晰可见的节点和线条。即便是缺乏技术背景的用户，也能迅速掌握智能体的运作原理。这一构建过程大致划分为四个关键阶段：需求分析、节点设定、逻辑连接以及测试调整。每一个阶段都依赖于平台内不同功能节点的默契配合。
2.2.1 构建流程：直观界面，一目了然
当你打开 Dify 平台的智能体工作流构建页面，首先映入眼帘的是一目了然的编辑画布。平台将复杂的 AI 逻辑抽象化为一个个节点和线条，通过这些线条构建起数据的流动路径。从“开始节点”接收用户输入，数据便依次经过“问题分类器”、“知识检索”、“LLM”等核心节点，最终通过“结束”节点输出答案。这样的流程设计使得智能体的运行变得简单直观。Dify 平台通过这种可视化的设计，极大地降低了技术门槛，即便是非技术人员，也能迅速掌握智能体的运行机制。
2.2.2 智能化作业流程：构建“数字化生产线”
在Dify智能体的构成中，工作流扮演着至关重要的角色，它构成了智能体的主体结构。每一个环节都肩负着特定的职责，它们通过有序的协同合作，共同完成一系列复杂的任务。开发团队会根据实际业务的需求，灵活地搭配“输入 - 处理 - 输出”类型的节点。在我深入探索某设计社区开发团队基于Dify平台构建的多个智能体过程中，我逐步剖析了它们的核心构建逻辑。通过直观的界面，我们可以清晰地看到智能体从框架到细节的整个搭建过程。在仔细观察了多个智能体工作流之后，我们可以发现，整个流程主要被划分为四个关键环节：用户意图解析、知识检索、逻辑推理以及内容生成。
以“产业链图谱绘制”智能体工作流的截图为例：
2.2.3 起航点：互动的初始阶段
我们所说的“起航点”，便是智能体与用户之间互动的初始接触点，宛如一扇敞开的大门，静候着用户的触碰。这一环节承担着接收用户提供的文字、语音，乃至文件资料的重任，并将这些信息转换成智能体能够理解和处理的形态。
2.2.4 精准分流用户意图的问题归类机制
在问题归类机制中，我们运用自然语言处理（NLP）算法，能够迅速辨识用户的真实意图。开发团队精心构建了多样化的规则库，以此实现了对问题的精准分类。针对每一种问题类型，我们都设定了相应的专属处理流程。当用户以清晰且自然的方式表述出他们希望绘制的产业链名称时，相关数据便会流入产业链图谱绘制的流程。而一旦用户提出的问题不够精确，系统便会将其导向另一个分支，并向用户提示需重新输入问题。同时，系统还会提供正确的提问方式，以引导用户按照规范进行提问。
2.2.5 选择大型模型：智能体的“神经中枢”
在智能体的构建中，大型模型扮演着至关重要的角色，它是智能体的核心计算模块。在Dify平台中，用户可以接入多种主流模型，包括GPT、Claude、通义千问等，甚至可以兼容开源模型。开发团队会依据具体的业务需求来挑选最合适的“大脑”：在通用问答的场合，为了降低成本，他们倾向于使用开源模型，比如Qwen；而在需要专业领域知识支持的场合，如进行瓶颈技术分析或绘制产业链图谱时，则会选择接入智谱的glm-4flash模型，以确保回答的准确性和专业性。此外，通过平台提供的模型对比功能，用户可以直观地测试不同模型的输出效果，从而在众多选择中挑选出最优秀的那一个。
2.2.6 Prompt设计：塑造输出效果的“无声脚本”
在智能体技术的应用过程中，Prompt设计就如同为大模型量身打造的“剧本”，其核心作用在于直接影响到输出的内容质量和风格。开发团队在制定Prompt时，通过巧妙地嵌入变量、提供实例、指定格式等手段，精确地指引模型以符合预期的方式回答问题。在LLM节点的工作机制中，我们能够编写system内容来引导模型输出更为结构化的内容。
以“招商报告智能体”为例，用户期待看到一份包含全方位专业见解的报告。因此，我们可以在设计Prompt时，预先设定包含产业全景分析、营商环境SWOT分析、产业评价以及招商建议等在内的框架内容，以确保报告的全面性和专业性。
2.2.7 信息提炼器：精准捕捉的核心信息筛选者
在智能体技术的应用中，信息提炼器扮演着至关重要的角色。它的主要任务是精准地从用户的输入中筛选出关键信息。以“产业链图谱绘制”智能体为例，当用户输入“请为我创建一份人工智能产业链图谱”的指令时，信息提炼器能够迅速识别出“产业名称词”这一关键参数，并将其顺利传递至后续的处理节点。
2.2.8 知识宝库：专业领域的“智慧囊”
在这个环节，我们构建了一个与公司知识库紧密相连的“知识检索”模块。每当用户提出疑问，这个模块便会迅速从数据库中筛选出相关的文档资料。我们的开发团队巧妙地将企业数据库与我们的系统相结合，运用向量索引技术，确保了检索结果的精准度。举个例子，当用户咨询“IGBT是否属于美国管制项目”时，知识检索模块会立即从数据库中提取出管制清单，并将这些信息传递给大模型，以便辅助生成准确的答案。
2.2.9 智能体中的“灵感之源”——大语言模型
在大语言模型（LLM）的节点中，扮演着智能体“创意核心”的角色。它依托于大模型的卓越性能，将知识检索的成果与Prompt指令巧妙融合，从而生成最终的高质量回答。无论是撰写文案、解答疑问，亦或是进行数据分析，LLM均能将输入的信息巧妙地转化为自然、流畅的输出内容。同时，开发团队也可以通过调整“温度”、“最大tokens”等关键参数，来调控回答的创造性和长度，使其更加符合实际需求。
2.2.10 即时反馈：对话的归宿
在智能体与用户之间的对话过程中，“即时反馈”这一环节扮演着至关重要的“出口”角色。它负责将语言模型生成的文本内容进行精心格式化，以便直接展示给用户。开发团队拥有充分的自由度，在此环节中调整回复的语气和风格，融入品牌特色，甚至可以将文本内容转换成语音、图表等多种形式，从而极大地丰富和提升了用户的交互体验。
一、深入解析 Dify 平台智能体构建：每个环节都是关键“部件”
剖析 Dify 平台智能体构建的整个过程，我们可以深刻感受到，每一个环节都如同精密的“齿轮”，它们相互咬合，协同作用，共同推动智能体的高效运作。这种直观的构建方式，不仅极大提升了技术开发的效率，同时也为 UI 设计师全面理解产品逻辑提供了清晰的视觉路径。
二、UI 设计师与开发团队如何无缝协作，共同提升产品体验？
在智能问答产品的持续迭代与优化中，UI 设计师与开发团队之间的紧密协作是提高用户体验的核心。为了更系统地推进问题的解决，UI 团队创建了详尽的问题管理表格，用以管理日常的体验问题和 UIbug（公司内部也设有禅道、云效等 bug 管理渠道，本项目采用敏捷迭代方式，在日例会上通过表格讨论提出的体验问题，更加便捷高效）。在使用和测试智能问答产品时，我们常常会遇到一些影响用户体验的问题和界面bug。此时，我们可以利用 Dify 平台的“日志与标注”功能，即便设计师不具备深厚的专业技术知识，也能有效地追踪问题源头，实现问题的精准定位和高效解决。
1、案例分析：借助Dify日志追踪问题，助力开发者高效锁定问题所在
1.1 案例一
问题呈现：深度思维内容与正文内容混淆不清
Dify日志解析：对比该回答的具体内容后，确认Dify最初生成的回答本身并无问题，内容的呈现方式原本是区分开的。
问题锁定：后端数据传输环节存在异常
问题解决过程：经过排查，发现当数据流中包含“思考过程结束”标签时，如果该标签之后还紧跟正文内容，系统将会进行区分处理：之前这部分内容会被视为思考内容一并输出，而如今则会将其划分为两个独立的数据流进行输出。
1.2 案例二
案例背景：在处理用户反馈时，我们发现了一个有趣的问题——Markdown格式的回答内容在渲染时出现了异常。
Dify日志分析：经过对Dify的回答输入进行对比分析，我们发现Dify生成的内容本身就存在Markdown格式错误。
问题诊断：经过深入排查，我们发现这一问题主要出现在某款7GB版本模型上。当我们更换为32GB版本模型后，这一问题并未再次出现。据此推测，在平台生成内容的过程中，Markdown标记被直接作为文本内容输出，而前端渲染层缺少对这些标记的解析逻辑，导致原始符号被暴露出来。为了解决这个问题，我们最终决定在内容输出前进行后端预处理，以确保在不同终端上的渲染效果保持一致，从而降低跨端适配的成本。
1.3 案例三
案例背景：在字体样式的呈现上，深度思考的内容呈现出了多样化的风格
Dify日志分析：经过Dify的处理，深度思考的内容得以生成，然而在前台的字体展示样式上，需要前端技术人员进行相应的控制
问题诊断：前端渲染环节出现了问题
解决方案：经过排查，发现平台生成的内容中包含了多种标签，而在前端处理时，并未覆盖到所有的样式标签。因此，我们可以通过提升CSS的优先级，来覆盖掉原有的默认样式，从而解决问题。
1.4 案例四
情况概述：在前台页面的表格展示过程中，出现了表格渲染异常的情况。
平台分析：在Dify平台的日志记录中，我们发现这一条记录显示表格内容是正常生成的。
问题诊断：经过深入分析，我们发现问题的根源在于前端与后端。
解决过程：经过前后端的共同努力，我们发现了问题所在。原来，后端接口返回的数据与Dify平台的数据进行了比对，结果发现少了空格和换行符。
通过巧妙融合问题管理表格与Dify日志的运用，UI团队与开发团队构筑起了一套“发现并解决问题→精确锁定问题→高效执行修复→验证并优化解决方案”的完整闭环流程。这一流程极大地提升了问题处理的效率。这种协作模式不仅消除了设计与开发之间的沟通障碍，还让非技术背景的人员能够深入参与到产品技术的优化过程中，推动了以用户体验为核心的持续产品迭代。
三、智能报告产品的持续进化...
智能报告产品正处于紧张而有序的迭代优化阶段，为此，我提前为接下来的文章设定了一个方向。
预告：智能报告产品将迎来2.0时代的升级，从半AI化产品形态全面跃升至全链路智能化的AI产品形态。这一重大飞跃背后，究竟蕴藏着哪些核心技术的突破？又凝聚了哪些在产品设计层面的深思熟虑与实践？接下来的文章将深入剖析这些问题。
四、结语
在AI技术重塑各个行业的浪潮中，设计师的新角色并非与机器竞赛，而是学会与智能工具和谐共舞。当我们能够借助Dify平台的日志来洞察智能体的运行机制，能够在模型输出与用户体验之间搭建起沟通的桥梁，这种“技术+体验”的双重视角，正是设计师在AI产品开发中不可多得的价值所在。
未来的设计将不再仅仅是独立的视觉创作，或许在未来的某个时刻，当我们回望这段AI产品的磨砺历程，会发现真正宝贵的不在于工具的迭代，而在于设计师在技术变革中始终坚守的核心：始终以人的需求为出发点，确保每一次智能升级都能最终落实到更加温馨的用户体验之上。
