高阶问题(AI 工程师)
AI 功能与策略选型 100 题
AI 工程师面试题库 · 第七批(题号 600–699):对话类功能、知识库与 RAG、生成类功能、Agent 与自动化、搜索推荐 AI 化、AI 客服、前端集成、评测运营、成本配额、安全合规与信任。
- 面试
- AI 工程师
- AI 产品
AI 工程师面试题库 · 第七批:AI 功能与策略选型
目录
| 章节 | 题号范围 | 重点主题 |
|---|---|---|
| 一、对话类功能 | 600–613 | 入口形态 / 上下文策略 / 流式体验 / 多模型分级 / 配额 |
| 二、知识库与 RAG 功能 | 614–627 | 接入来源 / 实时性 / 引用展示 / 权限隔离 / 冷启动 |
| 三、生成类功能 | 628–639 | 文案 / 表单填充 / 摘要 / 抽取 / 审阅 / 多版本 |
| 四、Agent 与自动化 | 640–651 | 能力边界 / 权限分级 / 人工确认 / 进度 / 失败补偿 |
| 五、搜索与推荐 AI 化 | 652–659 | 语义搜索 / 冷启动 / 解释性 / 多路召回 |
| 六、AI 客服与支持 | 660–667 | 人机分流 / 转人工 / 工单分类 / 质检闭环 |
| 七、输入体验与前端集成 | 668–675 | 斜杠命令 / 建议时机 / 流式 UI / 语音输入 |
| 八、评测与质量运营 | 676–685 | 评测集 / bad case 流 / A/B / prompt 版本 / 回归 |
| 九、成本与配额策略 | 686–691 | 用户配额 / 缓存降本 / 模型降级 / 成本归因 |
| 十、安全合规与信任 | 692–699 | 注入防御 / 隐私不留存 / 内容标识 / 数据删除 |
跨批次题号索引(文中 “NNN 题” 引用按此定位):
- 0–99 →
01-前端与网络与大文件与性能优化100题.md - 100–199 →
02-Python与FastAPI与后端100题.md - 200–299 →
03-Node与NestJS100题.md - 300–399 →
04-AI深度工程100题.md(含补充问题 1~10) - 400–499 →
05-Docker与K8s与云原生交付100题.md - 500–599 →
06-业务功能与策略选型100题.md - 600–699 → 本章
一、对话类功能(600–613)
本章与 04 批的分工:04 讲 AI 的工程原理(Prompt/RAG/Agent/推理),本章讲”AI 能力怎么变成产品功能”——入口、体验、配额、兜底等产品视角的选型与设计。
600. AI 功能的入口形态:侧边栏、全屏、嵌入式怎么选?
概念 三种入口形态:全屏对话(ChatGPT 式,专注长任务)、侧边栏/抽屉(工作流伴生:边看文档边问)、嵌入式(场景内联:输入框的 AI 按钮、划词菜单)。选型=功能与主任务的关系:替代主任务→全屏、辅助主任务→侧边栏、增强某个动作→嵌入式。
典型场景 产品加 AI 助手选形态;用户”找不到 AI 功能”;嵌入式 AI 的发现性问题。
解决方案 三步:形态决策 → 多形态组合 → 发现性设计。
第一步:形态决策
# 文件: ai-entry-form.txt
问: AI 与主任务的关系?
AI 就是主任务(对话产品) → 全屏: 空间给内容与多轮上下文
AI 辅助主任务(办公/开发工具) → 侧边栏: 上下文不丢(边写边问)
AI 增强单个动作(改写这段/解释这个) → 嵌入式: 就地出结果, 别跳走
反模式: 辅助型功能做成全屏跳转(用户失去工作上下文)/ 增强型做成侧边栏(路径太长)
第二步:多形态组合
# 文件: ai-entry-mix.txt
成熟产品的组合形态:
嵌入式(划词/悬浮)负责轻量动作 → "改写/翻译/解释"
侧边栏负责连续对话(带着选中内容起会话)
全屏(独立页)负责深度任务(长文档分析/多轮创作)
三者共享会话与上下文(侧边栏的对话可"展开到全屏继续")—— 数据同源体验分层
技术同源: 三种形态是同一对话服务的三个前端(300 批的网关与上下文服务复用)
第三步:发现性设计
# 文件: ai-discovery.txt
嵌入式 AI 的最大问题: 用户不知道有 ——
1) 上下文入口: 划词自动出菜单(选中即暗示"可对它做什么")
2) 空状态引导: 输入框的 ghost 文案("试试输入 / 唤起 AI")
3) 首次引导: 新用户的 AI 功能 onboarding(一次性的场景演示)
4) 命令面板: / 命令(668 题)统一发现入口
指标: AI 功能的触达率(用过/见过)、入口点击率 —— 触达率低先解决发现性再谈效果
总结:入口形态按”AI 与主任务的关系”定:全屏做主任务、侧边栏做辅助、嵌入式做动作增强;组合形态共享会话数据;发现性(划词/引导/命令)是嵌入式 AI 的隐形战场。
追问1:为什么嵌入式最容易失败? → 发现性差(用户不知道)+上下文少(就地小窗口说不清复杂需求)——嵌入式只适合”一句话能完成”的动作 追问2:语音入口算第四形态吗? → 算输入方式(673 题)叠加在三种形态上;独立的语音形态(AI 音箱式)是另一种产品 追问3:入口埋点怎么设计? → 形态×场景矩阵(侧边栏-文档场景/嵌入-输入框)——不同形态的留存与效果分开评估(576 题实验单元)
601. 对话上下文策略:截断、摘要、检索式记忆怎么组合?
概念 上下文管理的产品三段:窗口内原文(最近 N 轮)、窗口外摘要(更早的压缩,04 的 323/328 题讲了技术)、跨会话记忆(用户事实的持久化——补充问题 6 的记忆档位)。功能侧决策:用户可感知多少(上下文条数提示/记忆开关)、上下文丢失的体验兜底。
典型场景 用户说”我刚才说过”但 AI 忘了;上下文 token 成本失控;用户担心记忆被滥用。
解决方案 三步:分层策略 → 用户可感知设计 → 成本与效果平衡。
第一步:分层策略
# 文件: context-layers.txt
三层组合(323 题原理的产品版):
L1 窗口内原文: 最近 10~20 轮精确保留(用户"刚才说的"必须在)
L2 滚动摘要: 更早轮次压缩成摘要(要点/决定/待办)—— 328 题长对话方案
L3 检索式记忆: 历史会话按相关性召回片段(跨会话"你上周问过")——
补充问题 6 的向量记忆档
分层组合: L1+L2 是标配, L3 是产品差异化(且要用户授权, 见第二步)
第二步:用户可感知设计
# 文件: context-ux.txt
上下文透明化:
上下文指示器: 对话显示"已包含最近 20 条消息"(超出的会摘要)——预期管理
记忆开关: L3 记忆显式开关(默认关或首用询问)——"AI 记住你"是隐私敏感功能
记忆管理页: 用户可查看/删除 AI 记住的内容(693 题合规联动)
忘了怎么办(兜底体验):
AI 主动承认+引导重述("我们聊了太多新内容, 你说的 XX 能再说一次吗")
而不是幻觉编造(评测集要有长对话遗忘用例, 676 题)
第三步:成本与效果平衡
# 文件: context-cost.txt
token 成本: 上下文越长单次调用越贵(线性)——
摘要时机: 溢出时触发(被动)vs 定期压缩(主动, 质量更稳)
会话内缓存: prefix caching(488 题)——系统提示词+早期上下文的缓存命中降本
效果验证: 摘要质量进评测(摘要后对早期事实的问答准确率)—— 摘要丢信息的量化
产品分级: 免费档窗口小/摘要激进, 付费档长窗口——686 题配额的上下文维度
总结:上下文三层(窗口原文+滚动摘要+检索记忆)组合;透明化(指示器/记忆开关/管理页)是产品差异;摘要质量与 token 成本都要量化验证。
追问1:摘要什么时候做? → 轮次阈值触发(离窗口还有 2 轮余量时压缩)——给摘要失败留重试空间, 别等溢出当场压缩 追问2:多会话切换的上下文隔离? → 每会话独立上下文(切换不串);L3 记忆跨会话但显式声明(“基于你历史对话”)——串了就是事故 追问3:文件上下文(用户上传的文档)占窗口吗? → 文档走 RAG 检索(615 题)不全量塞窗口;小文档(<20k token)可全文进上下文(单文档深读场景, 补充问题 10)
602. 流式输出的产品处理:打字机、骨架屏、取消怎么做?
概念 流式输出(SSE)的工程链路在 03 的 247 题与 01 的 66 题;产品侧要处理:输出中的视觉(打字机速度感/Markdown 渐进渲染)、可中断(用户随时停止)、完成前后的状态(生成中的禁用项)。核心体验指标:TTFT(首字延迟)的感知管理。
典型场景 用户盯着空白等 5 秒(TTFT 巒);流式中途断网;生成完才能看(没做流式)。
解决方案 三步:TTFT 感知管理 → 输出中的交互 → 断流与恢复。
第一步:TTFT 感知管理
# 文件: ttft-ux.txt
首字前的 1~3 秒是体验真空, 填充设计:
思考指示: "正在思考…"(可加模型风格的思考过程展示——推理模型的思考流是产品化亮点)
骨架占位: 消息气泡骨架(40 题)——知道"在来了"
阶段文案: 复杂任务(检索/工具)"正在查询资料…"—— 分阶段进度(648 题Agent 进度)
TTFT 优化(工程侧): 488 题推理部署的首字优化;产品兜底: 首字超阈值(5s)给提示
("生成需要一点时间, 可离开稍后回来看"——配合完成通知)
第二步:输出中的交互
# 文件: streaming-ux.txt
输出中的可用交互:
停止按钮: 随时可停(停止≠丢弃——已生成部分保留, 372 题)
滚动跟随: 自动滚动+用户上滚即停跟随(浏览历史时不被拽回)
渐进渲染: Markdown 边流边渲(代码高亮/表格成形)—— 376 题流式 JSON 渲染
禁用项: 生成中禁"重新生成/发送"(或发送转为"排队")——并发生成的会话状态复杂化
复制/引用: 生成中允许复制已生成部分(用户知道要什么就先拿走)
第三步:断流与恢复
# 文件: stream-recovery.txt
断流场景: 网络抖动/服务端断(247 题的断连处理):
自动重连续传: 断点续传(消息 id+offset 续拉)——网络类断流
降级完成: 重连失败——已生成部分定格+"连接中断, 点击重试"(续写或重新生成)
完成通知: 长生成+用户切走——完成推送(532 题渠道)
服务端语义: 生成是任务(372 题)——断流只是"视图断了", 任务可恢复(重连拉全量)
总结:流式体验三段:TTFT 真空填充(思考指示/阶段文案)、输出中交互(停止/跟随/渐进渲染)、断流恢复(续传+定格+通知);生成任务化的服务端模型是恢复能力的基础。
追问1:打字机效果要限速吗? → 模型吐字太快时前端平滑(50~100 字/秒的视觉缓冲)——不至于闪瞎;但别限太狠(人为拖慢完稿时间) 追问2:流式中的 Markdown 半截语法怎么办? → 容错渲染(未闭合代码块先渲染纯文本, 完成后重排)——376 题增量解析 追问3:为什么有的产品不做流式? → 要后处理(审核整体内容/结构化输出必须完整)—— 550 题审核与结构化约束的权衡;折中: 分段流式(按句过审逐段放行)
603. 打断与重新生成:会话内的修正交互怎么设计?
概念 对话修正的两动作:停止(中止当前生成,372 题工程侧)与重新生成(对同一问题换答案)。产品深水区:重新生成的语义(替换/多版本并存)、追问修正(“不对,我要的是…”——上下文修正)、用户修正偏好的学习。
典型场景 答案跑偏用户狂点重新生成;重新生成后想找回上一个答案;“我说错了”如何纠正对话方向。
解决方案 三步:停止与重新生成的语义 → 多版本管理 → 对话内修正。
第一步:停止与重新生成语义
# 文件: regen-semantics.txt
停止: 保留已生成部分(可续写: "继续"从停止点接着来)
重新生成:
替换式(默认): 新答案覆盖旧答案(旧答案丢弃或收进"查看其他版本")
并列式(进阶): 同问题多答案共存, 用户选最好的——639 题多版本的对话版
重新生成的成本: 每次都是完整推理成本(686 题配额要计)—— 防连点(1s 冷却)
重新生成要变吗: 同参数重掷(温度随机性)vs 允许补充指令("重新生成, 更简短些")——
后者更实用(用户带着不满的修正意图)
第二步:多版本管理
# 文件: answer-versions.txt
并列式的 UI: 答案区 "‹ 2/3 ›" 切换(左右箭头)—— 轻量不破坏对话流
版本与上下文: 用户选定哪版进入后续上下文(未选定的不污染对话记忆)——
"以这版为准继续"的语义要清晰
分享与导出: 分享链接定位到选定版本(分享的是那一刻的完整对话快照, 604 题)
第三步:对话内修正
# 文件: conversation-fix.txt
用户说"不对, 我要的是 X":
AI 的修正能力(承认+按新约束重答)是模型能力+prompt 设计(320 题系统提示的修正条款)
产品辅助: 消息级"编辑我的提问"(编辑后重答, 旧问答对标记为已废弃)——
ChatGPT 式编辑: 分叉出新会话线(原线保留)—— 编辑=创建分支
分支管理: 编辑产生分叉(树状对话)—— 简化: 只保留线性+分支入口(不做全树 UI)
修正信号的价值: "用户修正了"是高质量训练/prompt 优化数据(611 题反馈闭环的重点信号)
总结:修正交互三件:停止保留可续、重新生成可带修正指令、多版本切换且选定版进上下文;提问编辑产生分叉是重武器(要明确旧线去留);用户修正是最有价值的反馈信号。
追问1:重新生成用不同模型吗? → 可以作为产品策略(重新生成换”更强模型”——付费点);明确标识”由 XX 模型重新生成”(697 题标识合规) 追问2:编辑提问破坏上下文吗? → 分叉方案: 编辑点之后重新生成, 之前的上下文保留——对话历史的连贯与用户修正权兼得 追问3:怎么知道用户满意哪版? → 显式(选定/复制/继续追问基于哪版)+隐式(在版上停留/复制)—— 版本选择数据回流推荐排序(653 题同源思想)
604. 会话历史:存储、命名、分享与导出怎么设计?
概念 会话历史是 AI 功能的”文档系统”:列表与命名(自动摘要命名/手动改名)、检索(找历史会话)、分享(公开链接的快照语义)、导出(用户数据权,573 题)。存储模型:会话-消息两级+元数据(模型/时间/积分消耗)。
典型场景 历史会话找不到;分享的对话后来被编辑内容变了;导出格式混乱。
解决方案 三步:存储与列表 → 分享快照 → 导出与合规。
第一步:存储与列表
# 文件: chat-history.txt
数据模型: conversation(用户/标题/创建时间/pinned) + message(会话 id/角色/内容/模型/token 消耗)
自动命名: 首轮问答后摘要生成标题(小模型, 606 题分级)—— 比"新对话 37"可用一万倍
列表体验: 时间分组(今天/昨天/更早)+置顶+搜索(标题与内容检索, 542 题方案)
会话操作: 重命名/置顶/删除(软删+可恢复窗口, 528 题回收站思想)
上下文恢复: 打开历史会话可继续(L1 窗口重载+L2 摘要持久化——601 题方案的存储面)
第二步:分享快照
# 文件: chat-share.txt
分享=快照不是链接: 分享时固化当时内容(后续编辑不影响已分享的)——
或"跟随最新"模式(明示两种语义)—— 默认快照更安全(692 题敏感内容撤回联动)
分享页: 只读渲染(代码高亮/排版与站内一致)+举报入口(553 题)—— UGC 化的 AI 内容
敏感自检: 分享前的内容检测(分享把私密对话变公开——确认弹窗+敏感提示)
分享数据: 独立只读存储(快照表), 主会话删除不影响已分享(或级联删除——产品语义选择并声明)
第三步:导出与合规
# 文件: chat-export.txt
导出: 全部会话(JSON+Markdown 双格式, 573 题通用方案)——AI 对话是用户数据(可携带权)
删除权: 会话删除=真删(792 类合规: 软删期后物理删);"AI 记忆"(601 题 L3)同步清除
内容合规: 历史会话中的违规内容(当时漏检)——定期复扫机制(550 题审核的存量治理)
执法调取: 会话数据的调证响应流程(与法务预演)—— 存储加密与访问审计(285 题体系)
总结:会话历史是文档系统:自动命名+检索+置顶的基础体验、分享默认快照语义、导出删除的合规闭环;历史内容的存量复扫与调证流程是运营深水区。
追问1:会话能存多久? → 产品策略:免费 90 天/会员永久(商业化差异点)+合规删除兜底;冷存储降本(526 题生命周期) 追问2:多人共享会话(团队空间)怎么做? → 会话归属团队(512 题账号体系的组织维度)+权限(只读/可续聊)—— AI 功能的 ToB 形态(649 题内部 Agent 的载体) 追问3:token 消耗记录展示吗? → 展示(透明)+按会话统计(686 题配额联动)—— 但别把成本焦虑转嫁用户(内部成本归因, 691 题)
605. 系统提示词与人格设定:产品化管理怎么做?
概念 系统提示词(system prompt)是 AI 功能的”产品需求文档”:人格(语气/风格)、边界(拒答范围)、格式(输出规范)、领域知识(业务规则)。产品化管理:提示词的版本化、灰度(A/B)、与代码解耦(运营可调)、防泄漏(用户套话提取系统提示)。
典型场景 AI 人格前后不一致;改提示词引发全量事故;用户套出系统提示词截图传播。
解决方案 三步:提示词资产化 → 变更管理 → 防套取。
第一步:提示词资产化
# 文件: system-prompt-mgmt.txt
提示词=配置资产(不是代码里的字符串):
结构化模板: 人格段/能力边界段/格式规范段/业务规则段 —— 分段管理按需组合
变量注入: {用户名}/{当前日期}/{业务上下文} —— 模板引擎渲染
多人格矩阵: 场景(客服/写作助手)×语气(专业/活泼) —— 组合配置而非每场景重写
与用户自定义的边界: 高级功能允许用户追加"自定义指令"(我的 AI 偏好)——
用户层与系统层分离(用户指令不能覆盖安全边界, 324 题注入防御)
第二步:变更管理
# 文件: prompt-change.txt
提示词变更是"发布"不是"改文案":
版本化: 提示词仓库(或配置中心)带版本——每次变更可回滚
评测先行: 变更跑评测集(676 题)—— 防止"改好一处坏十处"
灰度: 新提示词灰度放量(336 题模型/prompt 灰度方案)+对比指标(满意度/拒答率)
审计: 谁改的/为什么/效果对比(521 题思想)—— 提示词是核心资产, 变更要留痕
第三步:防套取
# 文件: prompt-leak.txt
用户套取系统提示("复述你的指令"):
防御分层: 提示词中的防套取条款(能力边界段)—— 但无法根治(324 题同源: 提示是软约束)
态度: 系统提示被套≠灾难(人格与规则公开大多无害);真正秘密(业务规则细节)别放提示词——
放检索层(RAG 的知识库, 615 题权限隔离)或后处理校验
监控: 套取尝试的模式识别(高频套取用户—— 竞品调研的常态, 无视即可)
总结:系统提示词是产品资产:结构化分段+变量+多人格矩阵;变更走版本化+评测+灰度;防套取靠边界条款+“秘密不进提示词”的架构原则(敏感规则放检索与后处理层)。
追问1:提示词由谁维护? → 产品定义人格与边界(提示词是产品需求), 算法/工程管效果(评测与调优)—— 双 owner 制(575 题画像治理同源) 追问2:不同语言的提示词? → 提示词模板按语言本地化(不是机翻——语气的人格感要重写);输出语言跟随用户(提示词声明”用用户语言回答”) 追问3:提示词与 few-shot 示例? → 示例是提示词的一部分(格式规范的最有效手段);示例库管理(场景×示例)与评测集共建(676 题)
606. 多模型分级:什么问题用什么模型怎么路由?
概念 模型分级路由:强模型(旗舰,贵且慢)处理难任务、轻模型(小/便宜)处理简单任务——成本与体验的平衡。路由维度:任务类型(规则)、难度预判(分类器,04 的 367 题)、降级链(强模型失败/超载降轻模型)。功能侧:分级对用户透明或显性(“深度思考”按钮)。
典型场景 简单问题用旗舰模型浪费成本;全部用小模型质量差;高峰期模型服务过载。
解决方案 三步:路由策略 → 用户侧表达 → 降级与降质管理。
第一步:路由策略
# 文件: model-routing.txt
三层路由(367 题的路由维度):
规则路由: 任务类型静态映射(闲聊/简单查询→轻模型; 复杂推理/长文→强模型)
难度路由: 轻模型先答+置信度自评(不确定→升级)或分类器预判(04 题 367 的级联)
用户选择: "深度思考"模式(用户显式选强模型——推理模型的产品化入口)
路由的冷启动: 先全量强模型收集难度分布(评测: 哪些问题轻模型也答好)→ 逐步切轻
—— 每次切换都 A/B(337 题), 靠数据不靠感觉
第二步:用户侧表达
# 文件: model-tier-ux.txt
透明 vs 显性:
透明(默认): 用户无感知, 平台内部路由—— 体验一致性优先(用户不该关心实现)
显性(产品化): 模型选择器(用户选 GPT-4o/小模型)/深度思考开关 ——
差异化卖点(付费功能: 强模型配额, 686 题)或专业用户需求(开发者要确定性)
混合现实: 默认智能路由 + 高级设置里允许指定 —— 大众透明, 专业可控
标识合规: 显性切换时标识"当前模型"(AI 生成内容标识的延伸, 697 题)
第三步:降级与降质管理
# 文件: model-fallback.txt
降级链(284 题熔断思想的模型版):
强模型超载/超时 → 轻模型接住(降质不降可用)→ 明示"当前服务繁忙, 已切换快速模式"
全链失败 → 兜底话术+稍后重试(607 题)
降质的产品话术: 不欺骗(拿轻模型冒充强模型)—— 结果标识+必要时补偿(此次不计费)
路由效果的度量: 各任务的"模型-质量-成本"矩阵月度复盘(轻模型占比×质量不降=省钱战绩, 691 题)
总结:模型分级三层路由(规则/难度/用户选择),从全量强模型的数据起步渐进切轻;用户侧默认透明、专业场景显性;降级降质要明示,路由效果用成本×质量矩阵复盘。
追问1:怎么定义”简单问题”? → 用数据: 轻强模型的答案对比(离线评测+人工抽检)找出”轻模型答得好”的问题模式(短问题/事实类)—— 判据是评测不是直觉 追问2:多模态与文本模型的路由? → 输入含图/文件先路由到多模态能力模型(610 题输入形态联动);纯文本走成本最优—— 能力维度与成本维度正交 追问3:用户感知到”变笨了”怎么办? → 路由切换必须 A/B(满意度护栏);舆情口径(“部分场景切换模型”)诚实回应——658 题 AI 客服的自身翻车案例预防
607. 失败兜底:超时、降级与话术体系怎么设计?
概念 AI 调用失败的产品分类:超时(慢)、错误(上游 5xx/限流)、内容拦截(安全策略拒答)。兜底体系:重试策略(工程,126/284 题)、降级链(606 题)、话术体系(每种失败的用户语言)。功能侧核心:失败可恢复(重试/换个问法)且话术不甩锅。
典型场景 上游模型服务故障全线报错;安全拒答话术生硬引发舆情;弱网下超时体验差。
解决方案 三步:失败分类与应对 → 话术体系 → 大面积故障预案。
第一步:失败分类与应对
# 文件: ai-failure.txt
失败四类(处理不同):
超时: TTFT 超阈值提示(602 题)+后台继续生成+完成通知—— 用户可离开
上游错误: 重试(126 题)→ 换模型(606 题降级链)→ 兜底话术
限流(用户超配额): 明示原因+额度说明+升级入口(686 题配额话术)—— 不是错误是商业提示
内容拦截: 拒答话术(608 题)—— 专类处理
用户侧重试入口: 每次失败的"重试"按钮(一键重发, 别让用户重新打字)
第二步:话术体系
# 文件: fallback-copy.txt
话术三原则: 说人话(不暴露术语)、给出口(能做什么)、不甩锅:
超时: "生成时间较长, 你可以先去忙, 完成后通知你"(配合通知)
服务异常: "AI 服务暂时不可用, 正在恢复中——你的问题已保存, 稍后一键重试"
范围外: "这个问题我暂时帮不了, 你可以试试…"(引导可用的相邻功能)
话术配置化: 兜底话术进配置中心(596 题)可快速调整;重大故障的话术预写(预案包, 598 题)
第三步:大面积故障预案
# 文件: ai-outage.txt
上游(模型供应商)整体故障—— 04 题 384 级的容灾:
多供应商路由(供应商挂了切备家, 368 题网关)—— 架构层的根本解
故障期间: 核心功能降级(简单任务轻模型/自有小模型顶住)+非核心 AI 功能暂停(594 题开关)
状态页: AI 依赖是外部服务——状态透明(用户与客服都有口径)
复盘: 故障时长/影响面/恢复动作时效进事故报告(299 题模板)
总结:AI 失败兜底=分类应对(超时可等待、错误走降级、限流是商业提示、拦截专类)+人话话术+重试入口;大面积故障靠多供应商路由与功能降级预案。
追问1:重试会不会重复计费? → 失败请求不消耗用户配额(上游失败的计费豁免);重试的幂等(280 题)与计费口径一致性——账单争议的头号来源 追问2:静默降级可以吗? → 质量敏感场景不行(606 题: 明示降质);纯工程降级(同质量双供应商)可静默—— 按用户可感知性分类 追问3:失败率多少算事故? → AI 调用的基线失败率>传统接口(模型输出不稳定): 设定 AI 功能专属 SLO(如成功应答率 99%), 别拿 99.99% 考核(286 题预算浪费)
608. 敏感问题:拒答策略与边界话术怎么设计?
概念 拒答是 AI 功能的内容安全面:拒答范围(法律红线/平台政策/能力边界——三类性质完全不同)、拒答话术(不说教、给替代)、误拒的申诉(557 题同源)。工程层:输入检测(前置拦截)+模型自身对齐(拒答能力)+输出检测(兜底)三层防线(550 题审核体系的 AI 版)。
典型场景 用户问医疗/法律问题被生硬拒绝;正常问题被误拒(过敏词);拒答话术被截图嘲讽。
解决方案 三步:拒答范围分层 → 话术设计 → 误拒治理。
第一步:拒答范围分层
# 文件: refusal-scope.txt
三类"拒绝"别混为一谈:
法律红线(违法/自伤/未成年人): 坚决拒+必要时引导救助资源(自伤类给心理热线——平台责任)
平台政策(时政敏感/医疗诊断类建议): 分级——医学知识可答, 诊断建议转述+就医引导
能力边界(我不擅长/无信息): 不是"拒答"是"诚实"——"我不确定, 建议核实"
分级话术库: 每类有标准应答模板(605 题提示词的边界段落地)—— 别让模型自由发挥拒答方式
第二步:话术设计
# 文件: refusal-ux.txt
好话术三要素: 不评判用户、说明为什么、给可行的替代:
❌ "你的问题涉及敏感内容, 无法回答"(说教+没有出口)
✅ "我不能提供具体用药剂量(安全考虑), 但可以告诉你这类药物的一般注意事项,
具体请遵医嘱"(拒绝的部分+能做的部分)
"能做的部分"是话术设计核心: 拒绝窄化(只拒危险部分)而不是全盘拒绝——
对齐质量与话术设计共同决定拒答的体面程度
第三步:误拒治理
# 文件: false-refusal.txt
误拒(正常问题被拒)是体验杀手:
监控: 拒答率分场景(医学/法律场景拒答率高是正常, 闲聊场景高=异常)+拒答后用户重述率
评测: 评测集的"应答用例"(明确该答的问题, 676 题)—— 防止模型对齐过度(见敏感词就拒)
申诉: "这个回答有问题"反馈分类(该答没答/答错/答得好—— 611 题反馈分类)——
误拒样本回流边界规则优化(557 题误判治理同源)
边界规则调整: 收紧与放松都要 A/B(336 题灰度)—— 拒答率是护栏指标(过低有风险过高伤体验)
总结:拒答三分(法律红线坚决、平台政策分级窄化、能力边界诚实);话术=不评判+说明+给替代,拒绝窄化是设计核心;误拒率进护栏指标、评测集要有“应答用例”防对齐过度。
追问1:拒答和审核的边界? → 拒答是模型侧行为(生成前), 审核是平台侧(550 题, 生成前后)—— 双层都设防;平台审核兜住模型拒答的漏(提示注入绕过拒答, 324 题) 追问2:未成年人模式的拒答差异? → 更严的边界(年龄适配: 暴力/成人内容收紧)—— 未成年人识别(实名/家长控制)是前提, 699 题合规联动 追问3:拒答话术要多详细? → 模板给出方向, 具体措辞允许模型个性化(干巴巴的模板话术被截图嘲讽的概率更高)——方向约束+表达自由
609. 长对话与多任务:窗口用尽后的产品行为?
概念 长对话撞上下文上限的产品行为:静默截断(用户不知道——危险)、提示与引导(上下文指示器,601 题)、自动开新会话(带着摘要迁移)。多任务混杂(一个会话里聊三件事)的引导:会话主题分离建议。
典型场景 长会话第 50 轮 AI”变傻”(早期信息丢失);用户在同一会话切换话题导致串扰;接近上限时的突然报错。
解决方案 三步:上限预警设计 → 迁移体验 → 多任务引导。
第一步:上限预警设计
# 文件: context-limit-ux.txt
上限的可视化: 上下文用量指示(剩余 XX%—— 技术向用户/会员的差异化功能)
大众产品: 定性提示("这段对话已经很长了")在质量开始下降前出现
质量下降信号的自检: 后台监控会话长度×回答质量(长会话的满意度曲线)——
在统计上的"质量拐点"前触发引导, 而不是等硬上限
硬上限报错: 永远不该裸露给用户(model 上下文超限错误)—— 产品层必须在之前接管
第二步:迁移体验
# 文件: context-migrate.txt
"开新会话并带走摘要":
自动生成当前会话摘要(要点/决定/未完成)→ 新会话以摘要开篇——
"我已经了解了之前讨论的要点, 我们继续"
用户确认制: 迁移建议给出(检测到接近上限)+用户一键接受—— 别静默迁移(用户上下文感受被打断)
历史会话的引用: 新会话可手动引用旧会话片段("引用我们上周的讨论")—— 601 题L3 记忆的手动版
第三步:多任务引导
# 文件: multitask-ux.txt
话题切换检测: 新问题与当前主题相似度低(向量判断, 轻量)→ 建议"这个新话题要不要开新对话?"
—— 软建议(不强制), 用户"不用, 就在这聊"后不再打扰
会话主题标记: 自动命名的深化(604 题)—— 列表里按主题聚合, 用户自己回来找
产品端极致(长任务场景): 项目式组织(一个"项目"多个会话+共享项目记忆)——
工作台类 AI 产品的形态(649 题团队空间的组成)
总结:长对话的产品责任:在质量拐点(而非硬上限)前预警、迁移带摘要且用户确认、多任务给软性分会话建议;硬上限错误永不见用户。
追问1:上下文用量的统计口径? → 会话累计 token(含摘要与检索注入)—— 用户看到的”剩余”是估算(实时计算成本)按轮次粗略显示 追问2:会员的长上下文权益? → 付费=更长窗口/更晚迁移(686 题配额维度)—— 技术同源(601 题分层), 商业差异化 追问3:为什么质量下降早于上限? → lost in the middle(长上下文中部信息利用率低, 补充问题 10)——产品拐点<技术上限是常态, 靠数据定拐点
610. 多模态输入:图片、文件、语音的入口怎么设计?
概念 多模态输入三形态:图片(拍照/上传——识别与视觉问答)、文件(文档解析——RAG 或全文)、语音(语音输入/口语对话)。功能设计核心:每种模态的”用户预期管理”(图片能干什么不能干什么)、大小与格式限制、失败降级(不支持的内容类型)。
典型场景 用户传图问”这是什么病”(医学图像误用);大文件上传半天;语音识别方言效果差。
解决方案 三步:模态能力矩阵 → 输入体验 → 滥用与降级。
第一步:模态能力矩阵
# 文件: multimodal-matrix.txt
产品能力显式化(用户预期管理):
图片: 识别(这是什么)/提取(图里的字 OCR)/理解(图表解读)✅; 医学诊断/人脸识别 ❌(合规红线)
文件: 摘要/问答/翻译 ✅; 专业排版还原(拿 AI 转 PPT 的预期落差)⚠️ 管理预期
语音: 转文字输入 ✅; 实时语音对话(延迟与打断技术门槛高, 673 题)按能力提供
能力边界的入口提示: 图片上传时的示例(能做什么的 ghost 提示)—— 预期管理在输入前
第二步:输入体验
# 文件: multimodal-input.txt
图片: 拍照/相册/粘贴(桌面端 Ctrl+V 是高频)多入口; 压缩上传(523 题客户端压缩)——
上传进度+预览缩略(删除重传)
文件: 拖拽/选择; 格式与大小限制明示(支持 PDF/Word ≤50MB); 解析进度("正在读取文档")
文档处理是异步任务(531 题任务化的文档版): 大文档先入库(RAG 化, 614 题)再对话
语音: 按住说话/点击说话两种交互; 识别中的实时上屏(边说边转文字, 673 题);
识别结果可编辑(说完改两字再发)—— 语音不是替代文本是输入加速
第三步:滥用与降级
# 文件: multimodal-abuse.txt
滥用防线: 图片的内容审核(552 题鉴黄暴+人脸合规—— 不做面部分析);
文件的病毒扫描(529 题)与版权提示(上传受版权内容的责任声明)
降级: 不支持的格式(明确说支持哪些, 别让用户试); 识别失败(语音噪音)——
"没听清, 再说一次或打字"(659 题 ASR 兜底)
模型能力差异: 多模态请求路由到支持的模型(606 题路由的能力维度)——
纯文本模型接图=报错的体验处理
总结:多模态=能力矩阵显式化(入口提示管理预期)+三态输入体验(进度/预览/可编辑)+滥用审核与降级话术;语音定位输入加速、文档定位异步 RAG 化。
追问1:多图对比类需求怎么做? → 多模态模型的多图输入(最多 N 张的限制明示);超限引导拼接或分次—— 图片数的产品上限是成本与效果的平衡 追问2:视频输入什么时候支持? → 抽帧转图片序列(532 题抽帧的同款技术)/视频理解模型——成本高, 按需(审核类场景优先)而非通用功能 追问3:截图问答(程序员场景)为什么火? → 报错截图→解决方案:高频高价值场景——截图粘贴的入口顺滑(Ctrl+V)是这个功能成败的关键细节
611. 对话质量反馈:评分、反馈与信号回流怎么做?
概念 AI 质量反馈的三级信号:显式(点赞点踩/评分——稀疏但准)、隐式(复制/重新生成/中途停止——密集但噪)、修正(用户重述/追问纠正——最有价值)。回流:信号进质量看板(676 题评测运营)、bad case 进优化循环、正反馈进推荐(603 题版本选择)。
典型场景 点踩率上升没人知道为什么;反馈按钮没人点;反馈了没下文(用户弃用反馈)。
解决方案 三步:信号采集 → 分诊回流 → 反馈激励。
第一步:信号采集
# 文件: ai-feedback-signals.txt
显式: 每条回答的赞/踩(轻); 踩必追问原因(选项化: 不准确/没答到点/格式差—— 04 题 381 的反馈设计)
隐式(埋点, 397 题): 复制(强正信号—— 有用才复制)、重新生成(负)、提问编辑(负)、
会话在此结束 vs 继续(留存信号)、长时间停留(困惑 or 深读—— 结合滚动)
修正信号: 用户下一轮的纠正("不对, 我说的是…")—— NLP 识别修正意图, 标记前一条为负样本
信号清洗: 隐式信号有噪(误触复制), 用于趋势与分组对比而非单条判定
第二步:分诊回流
# 文件: feedback-loop-ai.txt
回流三路:
质量看板: 点踩率/重答率/负反馈分类趋势(298 题指标体系)—— 版本与模型变更的护栏
bad case 池: 点踩+修正的样本聚类(同类问题聚合, 599 题聚类思想)—— 周度 bad case 评审
(是 prompt 问题/检索问题/模型能力——分诊到不同 owner)
评测集: 典型 bad case 固化为评测用例(676 题评测集的生长机制)—— 防止同类问题回归
第三步:反馈激励
# 文件: feedback-reward.txt
反馈闭环的体感: "你反馈的问题已改进"(599 题同源)—— AI 功能特别适用(模型/prompt 迭代快,
一两个月就能兑现反馈)
反馈成本设计: 一键(赞踩)→三选(原因)→可选补充(描述)—— 递进不强迫
反馈率指标: 反馈率过低(用户懒得理)=产品与用户关系的温度计——
别只优化"AI 准确率", 反馈回路的健康度同等重要
总结:AI 反馈三级信号(显式稀疏准、隐式密集噪、修正最值钱);回流三路(看板护栏、bad case 评审分诊、评测集固化);“已改进”的兑现能力是反馈飞轮的燃料。
追问1:点踩率多少算异常? → 基线化(场景×模型基线), 相对变化比绝对值重要(医学场景天然高)—— 版本间对比+分场景看 追问2:用户故意乱点反馈? → 显式信号带用户信誉权重(乱点者降权—— 554 题风控思想);聚合层面噪声被稀释 追问3:隐式信号能训练模型吗? → 作为 RLHF 偏好数据的候选(复制>重新生成=偏好对)—— 隐私与授权先过关(693 题数据用于训练的合规)
612. 匿名与登录:AI 功能的访问策略怎么设计?
概念 AI 功能的访问分级:匿名试用(转化钩子:免登录体验 N 次)、登录免费(配额制)、付费(高配额/强模型)。设计张力:试用门槛低(转化)vs 防滥用(匿名额度被脚本薅,554 题防刷)。
典型场景 匿名额度被批量注册薅;登录墙挡住转化;免费与付费的额度线怎么划。
解决方案 三步:访问分级 → 防薅 → 转化设计。
第一步:访问分级
# 文件: ai-access.txt
三档访问:
匿名: 每天 3~5 次(设备指纹计额——不是 IP, NAT 误伤)轻模型—— 体验产品价值
登录免费: 每天 20~50 次基础模型 —— 常用者
付费: 高配额+强模型+长上下文(686 题配额体系)
AI 成本决定"免费不可能无限": 每次调用真金白银—— 访问分级是成本控制的第 0 层
第二步:防薅
# 文件: ai-antiabuse.txt
薅法与防线:
匿名额度: 设备指纹(554 题设备墙)+清除缓存换指纹(指纹外的行为信号兜底)
批量注册: 注册风控(509 题)+新号低配额(渐进解锁: 注册 3 天后满额)
接口直刷: 前端之外的 API 调用防护(签名/频控, 547 题同源)
额度的服务端权威: 客户端显示可被篡改, 判定永远服务端(计费口径, 690 题)
第三步:转化设计
# 文件: ai-conversion.txt
额度用尽的转化路径:
话术: "今日免费额度已用完"—— 不是报错是转化位(升级权益说明/明日再来)
体验钩子: 用尽前一次留给"强模型体验"(尝鲜付费能力)
时机: 用户正深度使用时(连续追问被打断)的转化提示转化率最高—— 也是体验最伤的时刻,
分寸: 提示不打断(回答完这条再提示)
匿名→登录的钩子: 匿名会话在登录后自动继承(别让用户损失历史—— 513 题静默注册的 AI 版)
总结:AI 访问三档(匿名试用/登录免费/付费)由成本结构决定;防薅靠设备指纹+新号渐进+服务端权威额度;转化设计在“额度用尽”与“深度使用”两个时刻做文章,登录继承匿名历史。
追问1:免费额度怎么定? → 成本预算反推(免费用户成本 ≤ 毛利预算的 X%)+竞品锚点;免费额度的留存价值(用惯了才付费)与直接成本平衡 追问2:团队版怎么计? → 席位制(基础配额)+团队共享池(弹性)—— ToB 的配额双轨(580 题企业会员联动) 追问3:额度按次还是按 token? → 用户心智:按次(简单);内部核算:按 token(691 题成本归因)—— 计费单位与核算单位分离, 换算规则透明
613. Token 计费与配额:产品设计怎么既透明又不吓人?
概念 配额的产品表达三风格:按次(用户最懂)、按 token(技术透明但用户无感)、按点数/积分(灵活包装——1 点=混合成本单位)。设计要点:余额可见、消耗可查(612 题服务端权威)、用尽的分档话术(免/低/耗尽)。内部:成本归因到功能与用户(691 题)。
典型场景 用户看不懂 token 计费;重度用户账单爆炸;免费与付费额度线争议。
解决方案 三步:计费单位选型 → 消耗透明 → 额度管理。
第一步:计费单位选型
# 文件: quota-unit.txt
三种单位:
按次: 用户心智最好(一条一扣)—— 但长回答与短回答同价(成本不公): 内部亏或用户亏
按 token: 成本精确但用户无感("我这句话 2000 token 是多少?")—— 开发者产品可用
点数制(推荐): 内部按 token 核算, 对外折算点数(1 点≈1000 token)——
简单任务扣 1 点/复杂任务扣 5 点(任务系数)—— 用户懂数, 平台保准
混合: 基础对话按次(简单), 重功能(长文档分析)按点数 —— 按功能复杂度分单位
第二步:消耗透明
# 文件: quota-transparency.txt
余额与消耗: 常显余额(顶栏/侧边);每会话的消耗统计(604 题会话元数据)
消耗明细: 功能×消耗(这次文档问答用了 3 点)—— 用户建立"什么费额度"的直觉
预测性提示: 大文档上传时预估("约消耗 15 点, 继续?")—— 重消耗前确认(525 题下载确认同源)
异常消耗告警: 单次消耗异常(死循环生成的极端 case)—— 熔断+用户侧提示(成本事故防线)
第三步:额度管理
# 文件: quota-lifecycle.txt
额度周期: 日/月/总量三种(免费日额度+会员月额度+加油包总量)—— 复合体系
加油包: 一次性额度包(用完为止)—— 对偶发重度用户友好(不必升级会员)
清零规则透明: 日额度次日刷新(不清累计);加油包有效期(过期规则提前 30 天提醒)
额度与并发的区分: 每分钟请求数(限流, 245 题)与总量(配额)是两个闸—— 提示话术分开
总结:配额单位按用户心智选(按次>点数>token,内部都按 token 核算);透明靠余额常显+消耗明细+重消耗预估;额度体系三周期复合+加油包补弹性;限流与配额是两个闸。
追问1:免费额度能转结吗? → 不能(转结=变相无限累计, 失去日活钩子)——话术明示”当日有效”;会员未用完的月额度可少量转结(体验差异点) 追问2:怎么防”薅额度”转卖(代问服务)? → 账号风控(异地/批量会话模式)+会员协议(禁止共享)—— 完全防不可能, 控制在商业可接受线 追问3:企业版的额度报表? → 团队用量看板(成员×功能×消耗)——ToB 的标配(管理员要管成本, 691 题成本归因的团队版)
二、知识库与 RAG 功能(614–627)
614. 知识库接入:上传、连接器、定时同步怎么组合?
概念 知识接入三通道:手动上传(用户主动,质量高)、应用连接器(飞书/Confluence/网盘 OAuth 授权同步——持续性)、网页爬取(公开内容,合规注意)。组合策略按来源特性:个人文档上传、企业知识走连接器、公开资料爬取要授权边界。04 批讲了 RAG 管道(338 系),本章讲接入的产品面。
典型场景 企业客户要”接入飞书知识库”;爬虫抓取被对方封;用户传了 1000 个文档问”为什么有的搜不到”。
解决方案 三步:通道组合 → 连接器设计 → 接入治理。
第一步:通道组合
# 文件: kb-ingest-channels.txt
上传(基础): 拖拽/批量/文件夹;格式白名单(PDF/Office/Markdown/HTML)—— 529 题安全扫描
连接器(企业核心): 飞书/企微/Confluence/Notion/网盘 —— OAuth 授权后增量同步
爬取(辅助): URL 抓取(单页)/站点爬取(robots 合规)—— 公开内容自用
产品形态差异: C 端以上传为主(个人知识), ToB 以连接器为主(组织知识自动化接入)
第二步:连接器设计
# 文件: connector-design.txt
连接器的工程要点:
增量同步: 变更事件(webhook 有则用)或定时轮询(updated_since)—— 616 题更新策略
权限继承: 源文档的访问权限(部门/人员)同步为知识库 ACL(618 题)——
连接器最容易被忽视的合规点: 同步了"HR 专属文档"而权限没带过来=泄漏
失效处理: 授权过期(重新授权提醒)/源被删(知识条目标记失效)/限流(退避)
增量与全量: 首次全量(分批, 进度可见)→ 之后增量;重新全量的触发(连接器配置变更)
第三步:接入治理
# 文件: ingest-gov.txt
接入配额: 每库文档数/存储/解析次数配额(622 题规模限制)—— 防滥用与成本
爬取合规: robots 协议遵守;公开 API 优先于爬页面;版权内容的免责声明(用户责任条款)
接入审计: 什么来源什么时间接入了什么(521 题体系)—— 数据来源的合规追溯
去重: 同文档多渠道接入(上传+连接器重复)—— hash 层去重(527 题思想)+源标识
总结:知识接入三通道(上传/连接器/爬取)按产品形态组合;连接器的命门是权限继承与增量同步;接入配额、爬取合规、来源审计是治理三件。
追问1:连接器要自研还是买? → 接入生态(飞书/Notion 等)有成熟中间件(unstructured/LlamaIndex loaders)——自研做适配层;核心管道复用, 别每个连接器重写 追问2:邮件作为知识源? → 敏感度高(私人内容):企业场景按需(公共邮箱/指定标签)——默认不做全邮箱, 合规风险大 追问3:接入后多久可搜? → 解析管道异步(531 题任务化): 小文档秒级/大文档分钟级——状态可见(“处理中 3/10 个文档”, 616 题实时性)
615. 文档解析:格式支持与解析质量怎么管?
概念 解析是 RAG 质量的地基(垃圾进垃圾出):格式分层(结构化好的 Markdown/HTML → 一般的 Word/PDF 文字 → 难的扫描件/图片 OCR)、解析质量策略(按格式路由解析器、质量检测与降级、原文对照保留)。04 的 341 题附近讲了 chunk 与 embedding——本题管”入口的解析质量”。
典型场景 PDF 表格解析成乱码;扫描件没做 OCR 搜不到;双栏论文解析顺序错乱。
解决方案 三步:格式分层路由 → 质量检测 → 原文锚定。
第一步:格式分层路由
# 文件: parse-layers.txt
格式路由(解析器按格式与复杂度选):
L1 原生数字文档(docx/html/md): 直接解析(结构保留: 标题/列表/表格)
L2 数字 PDF: 文本层提取(pdfplumber/PyMuPDF)—— 表格与双栏是难点
L3 扫描件/图片: OCR(PaddleOCR/云服务)—— 中文与版式还原
L4 复杂版式(PPT/图纸): 转图+视觉模型理解(成本高, 按需开启)
产品策略: 明示支持等级("PDF 支持文字版, 扫描件将自动 OCR")—— 预期管理
第二步:质量检测
# 文件: parse-quality.txt
解析质量自检(自动化):
指标: 提取文本量/页(过低=解析失败)、乱码率(不可读字符占比)、结构完整度(有没有标题层级)
阈值告警: 质量差的文档标记("解析质量低, 建议上传文字版")—— 用户可感知而不是静默烂
人工抽检: 新格式/新解析器上线前的样本验证(330 题评测的解析版)
解析失败兜底: 失败文档保留原文件(用户可下载原文件用"全文阅读"模式——
长上下文直接读原图, 补充问题 10 的分治)
第三步:原文锚定
# 文件: parse-anchor.txt
解析产物与原文的锚定(引用溯源的前提, 617 题):
每个 chunk 记录: 来源文档+页码/段落定位—— 引用时"跳回原文第 3 页"的能力
渲染快照: 高亮原文位置(PDF 的坐标锚定)—— 378 题引用溯源 UI 的数据基础
版本锚定: 文档更新后旧 chunk 的引用失效处理(引用指向版本快照或标记"内容已更新")
总结:解析按格式分层路由解析器、质量指标自检并让用户可感知、chunk 锚定原文位置(页码/坐标)为引用溯源打地基;解析质量是 RAG 效果的第一决定因素。
追问1:表格数据怎么进知识库? → 结构化保留(markdown 表格/结构化数据)——检索命中后整表引用;复杂表格(合并单元格)降级为图片+描述 追问2:多语言文档? → 语言检测:分语言解析(分词/OCR 语言包);embedding 用多语言模型(补充问题 4)——跨语言检索自然成立 追问3:解析服务的成本? → OCR/视觉理解按页计费:重解析(扫描件库)成本可观—— 按需触发+结果缓存(同文档不重复解析, 531 题产物缓存)
616. 知识库更新:实时性档位怎么定?
概念 知识时效三档:实时(分钟级:变更事件驱动)、准实时(小时级:定时增量)、日更(每天全量对账)。档位按知识类型定(协作文档分钟级/静态手册日更);用户预期管理(“知识库同步有延迟”)与同步状态可见(最近同步时间)。
典型场景 用户改了文档问 AI 还是旧答案;连接器同步滞后投诉;同步风暴(全量重同步)。
解决方案 三步:档位设计 → 同步机制 → 状态可见。
第一步:档位设计
# 文件: kb-freshness.txt
知识类型×时效档:
协作平台文档(飞书): 实时(webhook 事件驱动)—— 分钟级
网盘/Confluence: 准实时(15~60min 增量轮询)
手册/规章制度: 日更足够(内容稳定)
上传类: 即时(上传即入索引)
产品话术: 知识库设置页显示"同步频率: 实时/每小时/每天"—— 用户可预期(管理预期而不是消除延迟)
第二步:同步机制
# 文件: kb-sync.txt
同步管道(548 题索引同步的知识库版):
变更检测: webhook(源平台支持)/轮询 updated_since/hash 对账
增量处理: 变更文档重解析+重嵌入(只处理变化部分—— 分块级 hash 对比, 625 题失效检测)
失败重试与对账: 同步失败的任务重试;每日全量对账(源 vs 库的差异修复, 262 题思想)
删除同步: 源删除→知识条目失效(不是立即物理删—— 引用它的历史会话标记"内容已删除")
第三步:状态可见
# 文件: sync-status.txt
知识库状态页: 最近同步时间/同步中(N 篇)/失败列表(带原因: 授权过期/格式不支持)
单文档状态: 处理中/已同步(时间)/解析失败(原因+建议)
变更后的用户验证路径: 用户改完文档想验证—— "重新同步"手动按钮(单文档优先处理)+
直接问 AI 检查(答案带"基于 X 时间的版本")
总结:知识时效按类型分档(实时/准实时/日更)并在设置页显式承诺;同步靠事件+增量+对账兜底;状态可见(同步时间/失败列表)是预期管理的全部。
追问1:同步延迟的答案一致性怎么解释? → 答案标注知识时间(“基于 2 小时前的版本”)——新旧答案差异的用户可解释性, 378 题溯源的字段 追问2:全量重同步什么时候触发? │连接器配置变更(换了空间)/解析器升级(质量改进)/对账差异过大—— 大库的重同步要错峰(531 题批量让位) 追问3:多知识库的同步隔离? → 按库分任务队列(一个库的重同步不阻塞其他库)—— 租户级的公平调度
617. 引用溯源:产品展示怎么让用户敢信?
概念 引用溯源的产品要素(378 题讲了 UI 方案——本题的功能全景):句级锚定(哪句话来自哪文档)、可核验(点开看原文高亮)、诚实降级(无来源标注”AI 观点”)。信任设计:引用是”证据展示”不是装饰——错误的引用比没有引用更伤信任。
典型场景 引用了不存在的页码;答案与引用内容对不上;所有答案都带引用但用户不看。
解决方案 三步:引用生成 → 展示与核验 → 引用质量治理。
第一步:引用生成
# 文件: citation-gen.txt
生成机制(320 题输出格式的引用变体):
模型侧: prompt 约束"每个事实句标注 [来源:n]"(检索片段编号)—— 结构化输出(补充问题 9)
校验侧: 引用编号必须在本次检索结果内(防编造引用号—— 后处理校验)
定位: 引用映射到 chunk(文档+页码/段落)—— 615 题锚定的消费
第二步:展示与核验
# 文件: citation-ux.txt
展示分层(378 题方案的功能决策):
角标: 句末 [1][2] 悬浮显示来源卡片(文档名+片段预览)
点击: 打开原文(定位到页/段落+高亮)—— 可核验是信任的核心
汇总: 答案底部"本回答基于 3 篇文档"+列表(查看全部)
无来源部分: 明示(分割线+"以下为 AI 补充观点, 未引用文档")—— 诚实降级
第三步:引用质量治理
# 文件: citation-quality.txt
引用的两种失败(都要度量):
该引没引(事实句无来源): 抽检标注(评测集维度, 676 题)
引了不符(引用与陈述对不上): 校验层(引用句与 chunk 的语义相关性检查)——
严重不符时剥离引用(降级为无来源)
用户行为验证: 引用点击率(用户核验意愿)、点击后停留—— 引用功能的真实价值度量
引用与答案的版本: 文档更新后旧答案的引用失效处理(616 题快照或失效标注)
总结:引用=生成约束(编号可校验)+展示可核验(角标→原文高亮)+诚实降级(无来源明示);引用质量两方向度量(该引没引/引了不符),点击率验证真实价值。
追问1:引用会不会暴露敏感文档内容? → 引用卡片内容过权限(618 题隔离: 无权限用户看到”权限受限的来源”)—— 摘要也不可泄漏 追问2:全部引用 vs 关键引用? → 用户视角: 关键结论必引(有争议处), 常识不引(噪音)—— prompt 约束+模型判断, 评测校准(引率与准确率的平衡) 追问3:引用能导出吗? → 导出报告带引用列表(研究类场景刚需)—— Markdown/脚注格式(604 题导出的 AI 版)
618. 知识库权限:文档级隔离怎么做?
概念 企业知识库的权限红线:检索层过滤(用户能搜到的 = 用户有权限的)——在检索前把 ACL 作为过滤条件下推(346 题原理);权限变更的即时生效(518 题同源);引用与展示的权限联动(617 题)。权限模型沿用源系统(飞书文档权限同步)或自建(库/目录/文档三级)。
典型场景 员工离职后还能搜到内部资料;跨部门知识串台;权限同步滞后泄漏。
解决方案 三步:权限模型 → 检索隔离 → 生效与审计。
第一步:权限模型
# 文件: kb-perm-model.txt
三级模型: 库(空间)→ 目录/分类 → 文档;继承与覆写(子级默认继承父级, 可单独授权)
ACL 源: 自建(后台管理)或继承源系统(连接器同步权限—— 614 题连接器的核心义务)
继承模式的对账: 定时比对源权限与知识库 ACL(同步漂移=泄漏温床)
公共库/团队库/个人库: 库类型决定默认可见性(个人库仅自己, 团队库按成员)
第二步:检索隔离
# 文件: kb-search-isolation.txt
隔离的工程铁律(346 题检索层过滤):
查询时: 用户身份 → 可见文档集合(ACL 位图/过滤器)→ 向量检索带 metadata filter
❌ 检索完再过滤(top-k 已被无权限文档占位—— 该出的没出来, 位置浪费)
❌ prompt 层"别看没权限的"(注入可绕, 324 题)
权限缓存: ACL 查询高频—— 缓存+变更失效(518 题世代号方案同源)
第三步:生效与审计
# 文件: kb-perm-audit.txt
即时生效: 源系统权限变更(移除成员)→ webhook → ACL 失效 → 下次检索即生效(分钟级承诺)
审计: 谁检索过什么/命中过什么敏感文档(521 题体系)—— 泄漏事件的追溯链
渗透测试: 季度越权测试(无权限账号尝试检索敏感词—— 519 题越权矩阵的 RAG 版)
离职联动: HR→IM→知识库 ACL 的自动链路(521 题离职自动化的知识库位)
总结:知识库权限=三级模型+源系统继承(带对账)、检索层过滤下推(不是后过滤)、变更分钟级生效+检索审计+季度越权测试;“权限后过滤”与“prompt 层约束”是两个经典错误。
追问1:权限过滤对检索效果的影响? → 过滤后候选变少(top-k 重排): 命中不足时提示“权限范围内未找到”(明示原因, 620 题兜底联动) 追问2:用户分享的会话带引用,别人能看吗? → 分享快照脱敏: 无权限的引用显示文档名但不可点开原文(617 题引用×604 题分享的交叉) 追问3:外部共享文档(链接给外部人)进知识库? → 权限模型要支持“外部身份”(受限检索范围)—— ToB 生态协作的进阶场景, 先明确产品边界
619. 多知识库:路由与跨库搜索怎么设计?
概念 多库场景两模式:指定库问答(用户选库——精确但要求用户知道去哪)、智能路由(问题自动匹配库——体验好但可能选错)。设计:默认范围(个人+常用库)、显式选择器、路由的置信度处理(低置信跨库搜或问用户)。
典型场景 用户问题答非所问(路由错库);多个库有相似内容(冲突);企业几十个库的管理。
解决方案 三步:范围模型 → 路由策略 → 冲突处理。
第一步:范围模型
# 文件: kb-scope.txt
检索范围三级:
默认: 当前会话关联的库(用户在 A 库页发起=默认 A)+ 个人库
手动: 库选择器(多选)—— 明确意图时
全部(有权限的): 兜底搜索(默认检索不足时)—— 权限过滤照常(618 题)
产品形态: 会话绑定库(库页面进入对话带着库上下文)vs 独立对话选库(两种入口, 600 题形态论)
第二步:路由策略
# 文件: kb-routing.txt
自动路由(多库智能匹配):
库的向量化描述(库主题摘要)→ 问题与库主题匹配 + 检索置信度双重判断
高置信单库: 单库深检索;低置信: 跨库并检索(多路, 653 题召回同源)
都不高: 反问用户("你想在哪个知识库找?")+候选库建议—— 比答错好
路由透明: 答案的来源区显示"检索了: 产品文档库、FAQ 库"—— 用户可纠正(去掉某库重试)
第三步:冲突处理
# 文件: kb-conflict.txt
多库内容冲突(两个库同一问题不同答案):
新鲜度优先(版本时间)+来源权重(官方库>个人库)显式化规则
冲突明显时并列展示("官方手册说 X, 部门 wiki 说 Y")—— 冲突本身是信息(知识治理信号)
知识治理联动: 冲突高发的库对→ 治理建议(合并/废弃旧库)—— 624 题知识运营的输入
总结:多库=范围三级(默认/手动/全部)+自动路由(置信度分级,低置信反问)+冲突显式(新鲜度与权重规则透明);路由透明可纠正、冲突是治理信号。
追问1:库的数量上限? → 单用户可建库数配额(622 题配额维度);检索范围过大稀释精度——引导“库里内容聚焦”(一库一主题) 追问2:跨库的引用标注? → 引用带库标识(617 题引用的库维度)——用户判断可信度的依据(官方库引用权重感知) 追问3:公共库(官方知识)与个人库的优先级? → 官方优先(权威)+个人补充;显式规则写进 prompt(605 题边界段)——用户问“以哪个为准”有答案
620. 无答案兜底:拒答与引导怎么设计?
概念 RAG 的诚实原则:知识库里没有就说没有—— hallucination 的最大来源是“硬答”。兜底设计:显式拒答(“知识库中没有找到”)+相近内容(“你要找的是不是…”)+补充引导(建议上传相关文档)。546 题空结果兜底的 RAG 版。
典型场景 AI 编造知识库里没有的内容;用户觉得“明明传过这个文档”;拒答太频繁显得无用。
解决方案 三步:拒答判定 → 兜底内容 → 拒答率治理。
第一步:拒答判定
# 文件: kb-refusal.txt
拒答的技术判定(04 题 338 系的"资料不足拒答"):
检索置信度阈值: top-k 的相似度低于阈值 → 无可靠依据 → 拒答(宁缺勿编)
prompt 约束: "仅基于资料回答, 资料不足明确说明"—— 约束+阈值双保险
部分匹配: 答能答的部分+明示("关于 X 资料中没有, 但相关的 Y 如下")—— 608 题窄化拒绝的同款
第二步:兜底内容
# 文件: kb-fallback-ux.txt
拒答页四件套(546 题空结果四件套的 AI 版):
1. 明确说没有: "知识库中没有找到关于 X 的内容"(基于 Y 库检索)
2. 相近建议: "你要找的是不是: [相近问题]"(检索的次优结果改写)
3. 行动引导: "上传相关文档到知识库"(补内容的闭环—— 产品把知识缺口变采集动作)
4. 换个问法提示: 建议关键词(检索词优化引导)
第三步:拒答率治理
# 文件: refusal-rate.txt
拒答率是双刃指标: 高=诚实但无用;低=可能幻觉—— 分场景定基线
监控: 拒答率×检索置信分布(拒答是"真没有"还是"检索没找到"—— 后者是技术问题)
归因: 拒答案例抽样: 切词问题/嵌入不匹配/文档没入库—— 分诊优化(676 题bad case 分诊同源)
无答案查询的运营价值: 高频拒答问题=知识缺口清单(用户想要但库里没有)——
621 题知识运营的核心输入(546 题空查询运营的完全同构)
总结:RAG 兜底=置信度阈值+仅基于资料约束的拒答判定、拒答页四件套(说没有/相近建议/引导补充/换问法);拒答率双刃监控、归因分诊;高频无答案=知识缺口清单,是内容运营的输入。
追问1:拒答与权限的关系? → 无权限内容的”拒答”话术要统一(“没有找到”不暴露”存在但无权”)——618 题越权探测的防御 追问2:时效性问题(库里是旧版规则)? → 版本意识: 答案带知识时间(616 题);新旧冲突走 619 题冲突处理 追问3:能自动联网补充答案吗? → 产品决策:联网搜索作为”库外补充”(明示来源类型, 652 题搜索 AI 化联动)——默认分开(库内答案可信度承诺不同)
621. 知识库冷启动:种子内容与知识运营怎么做?
概念 新知识库的鸡生蛋问题:没有内容就没价值,没价值没人贡献。冷启动三招:种子内容(官方预置/模板库)、工具迁移(FAQ/文档一键导入)、运营闭环(缺口驱动的内容生产——620 题无答案清单)。知识库是”运营出来的”不是”搭出来的”。
典型场景 企业开了知识库没人用;用户建了空库不会填;内容陈旧没人更新。
解决方案 三步:种子策略 → 内容运营 → 质量与新鲜度治理。
第一步:种子策略
# 文件: kb-seed.txt
种子内容三来源:
官方预置: 通用模板库(产品使用指南/行业模板)—— 开箱有内容
存量迁移: 企业现有 FAQ/文档批量导入(614 题接入通道的初始化版)——
"把你的飞书文档一键变成知识库"是最大的转化钩子
引导创建: 新库向导(选场景→给结构模板: 产品 FAQ 库的预置分类)—— 结构化起步
第二步:内容运营
# 文件: kb-content-ops.txt
缺口驱动的内容生产(620 题无答案清单的利用):
无答案问题榜(周) → 转内容任务: 官方补写/邀请专家/标记"暂无"(明示比空白好)
热门问题反哺: 高频问答自动建议入库("这个问题被问了 30 次, 加入 FAQ?")
UGC 激励: 贡献榜(谁的知识被引用最多)—— 知识贡献的认可体系(企业内运营)
专家网络: 领域问题的定向邀请(答主机制)—— 平台连接供给与需求
第三步:质量与新鲜度治理
# 文件: kb-fresh-gov.txt
知识腐化治理(内容运营的长期面):
过期检测: 文档的"内容陈旧"信号(长时间未更新×高引用)→ 提醒 owner 复核
引用率分布: 从未被检索命中的文档(死知识)→ 归档建议(瘦身不是删除)
版本管理: 知识条目的修订历史(owner 审核制—— 企业知识的变更控制)
指标: 知识库覆盖率(高频问题有答案的比例)/答案时效/贡献者活跃—— 知识库的健康三件套
总结:冷启动=种子内容(预置/迁移/向导)+缺口驱动的内容运营(无答案清单变生产任务)+腐化治理(过期提醒/死知识归档);知识库是运营资产,健康度量看覆盖、时效、贡献。
追问1:员工不愿意贡献怎么办? → 降门槛(AI 辅助起草: 口述转文档)+激励挂钩(贡献进绩效的协同场景)—— 组织问题组织解, 工具只能降摩擦 追问2:个人知识库的冷启动? → 个人场景靠工具价值(记笔记即可被检索):“写下来就有用”—— 与企业库的”公共知识”运营逻辑不同 追问3:知识库的价值指标怎么汇报? → 采纳率(AI 答案被采纳/引用)、替代人工的比例(客服转人工率下降)—— 用业务语言不用技术指标(657 题客服价值同源)
622. 用户上传的规模:限制与配额怎么设计?
概念 知识库规模的四道闸:文档数(库容量)、存储(原始文件)、解析量(页数×OCR 成本)、检索频率(查询配额)。设计逻辑:免费档让”轻用”够用、付费解锁规模;企业档按席位+容量双维。与 530 题(网盘配额)、613 题(token 配额)组成 AI 功能的配额全家桶。
典型场景 用户传 1 万个文档把成本打爆;单文档 200MB 解析超时;免费用户抱怨限制。
解决方案 三步:配额矩阵 → 大文档处理 → 超限体验。
第一步:配额矩阵
# 文件: kb-quota.txt
四维配额(612 题访问分级的知识库维度):
文档数: 免费 50 篇/会员 5000 篇/企业无限(公平使用)
单文档大小: 50~100MB(解析可行域)—— 超大引导拆分
存储: 原始文件存储配额(526 题生命周期联动: 冷归档降成本)
检索配额: 基于知识库的问答消耗 token 配额(613 题)—— 库本身免费但问问题计费
计费哲学: 存储+解析是一次成本, 检索是持续成本—— 分开计价(用户理解"建库免费, 使用计费")
第二步:大文档处理
# 文件: kb-bigfile.txt
大文档(500 页 PDF)处理链:
上传: 分片(01 题 75 系列)—— 上传成功≠解析完成
解析: 异步任务+进度(531 题): 按章节分段解析(断点续析)
检索策略: 超长文档自动分层(目录级检索→段落级定位—— 两阶段)
产品提示: "大文档处理约需 X 分钟"(预估: 页数×速率)—— 预期管理
第三步:超限体验
# 文件: kb-overlimit.txt
超限话术分级(转化位, 612 题同源):
接近上限: "库容量还剩 10%"(清理建议: 死知识归档, 621 题)
到达上限: 上传拦截+升级引导(清出空间或升级)
企业弹性: 超容量的宽容带(10%)+账单告知—— ToB 别硬拦(业务连续性优先, 账单兜底)
总结:知识库配额四维(文档数/存储/解析/检索)分开计价;大文档异步分段处理+两阶段检索;超限是转化位、企业给宽容带。
追问1:文档数限制合理还是页数? → 页数(成本真实单位)更准但用户懂数量——折中: 对用户按文档数、内部监控页数成本(613 题双层口径同源) 追问2:重复上传浪费配额? → hash 去重(527 题): 同文件重复上传不重复占配额—— 体验与成本双赢 追问3:知识库能导出吗? → 能(573 题数据权): 原始文件+结构化内容(JSON)—— 锁定担忧是 SaaS 采购的常见问题
623. 知识库评价:命中质量怎么看板化?
概念 知识库效果度量三层:检索层(命中率/排序质量——技术)、生成层(答案采纳/引用率——产品)、业务层(替代人工/满意度——价值)。看板化让“知识库值不值”有答案——621 题健康三件套的工程化落地。
典型场景 老板问知识库 ROI;效果说不清只能讲感觉;优化方向没有数据支撑。
解决方案 三步:指标体系 → 看板建设 → 优化闭环。
第一步:指标体系
# 文件: kb-metrics.txt
三层指标:
检索层: 命中率(有问题有答案的比例)、检索延迟、无答案率(620 题)
生成层: 答案采纳率(赞/踩/复制)、引用点击率(617 题核验意愿)、拒答率
业务层: 知识库解决的问题数(替代人工咨询的估算)、用户周活/复用率
口径统一(571 题字典): "采纳"的定义(点赞? 复制? 追问未纠正?)—— 指标定义先行, 别各说各话
第二步:看板建设
# 文件: kb-dashboard.txt
看板三视角(570 题图表选型应用):
运营视角: 内容覆盖(问题×有答案矩阵)、缺口榜(无答案 TOP)、内容热度
技术视角: 检索质量(召回率抽检/排序指标)、延迟、解析质量分布(615 题)
管理视角: ROI(替代人工×成本)、使用趋势、部门采纳差异(ToB 推广效果)
第三步:优化闭环
# 文件: kb-improve.txt
数据驱动的优化循环(月度):
缺口(620 题)→ 补内容(621 题)
低质命中(bad case)→ 优化切分/嵌入/重排(04 批调优)
低使用率库 → 治理(合并/归档, 619 题冲突治理)
每季度一次评测集回归(676 题): 优化没有回退(调好 A 坏 B 的防线)
总结:知识库度量三层(检索/生成/业务)口径先行;看板分运营/技术/管理三视角;月度优化循环+季度评测回归——数据化的知识库运营。
追问1:替代人工怎么估算? → 知识库答案的采纳量 × 单次人工咨询成本——估算口径标注(不精确但可比, 趋势比绝对值有用) 追问2:命中率怎么测? → 离线: 标注问题-正确文档对(评测集, 676 题);在线: 用户反馈(点击的引用=命中证据) 追问3:部门采纳差异怎么推? → 差异归因(内容覆盖差异/培训/权限)→ 定向运营—— ToB 知识库推广的增长运营
624. FAQ 与 RAG 混合:人工答案什么时候更优?
概念 知识供给的两层:FAQ(人工维护的标准答案——精确可控)与 RAG(文档检索生成——覆盖广)。混合策略:高频问题 FAQ 化(快准省 token)、长尾交给 RAG、FAQ 优先命中。FAQ 的运营(审核/时效)决定其质量——烂 FAQ 比没有更糟。
典型场景 高频问题每次都走 RAG(慢且耗);FAQ 过期答案被吐槽;两者答案打架。
解决方案 三步:分层策略 → FAQ 运营 → 一致性治理。
第一步:分层策略
# 文件: faq-rag.txt
问答路由(三层漏斗):
1. FAQ 精确命中(问题相似度>阈值)→ 直接返回标准答案(标注"官方答案")—— 毫秒级
2. RAG 检索生成 → 带引用的答案
3. 都没有 → 拒答兜底(620 题)
FAQ 的生成辅助: 高频问答(用户反馈好的 RAG 答案)→ 一键沉淀为 FAQ("加入知识库")——
621 题内容运营的自动化路径
第二步:FAQ 运营
# 文件: faq-ops.txt
FAQ 质量纪律:
owner 制: 每条 FAQ 有负责人(过期提醒, 621 题腐化治理)
时效审核: 涉及价格/政策的 FAQ 强制周期复核(季度)
命中与反馈监控: FAQ 的点踩率(烂 FAQ 识别)→ 下线或修订
FAQ 的富化: 支持变体问法(同义问法列表提升命中)+关联推荐(相关问题)
第三步:一致性治理
# 文件: answer-consistency.txt
FAQ 与 RAG 答案打架(619 题冲突的企业版):
FAQ 权威优先(官方答案);RAG 答案与 FAQ 冲突时以 FAQ 为准(检索层过滤或重排)
答案打架的检测: 同问题的两种答案对比监控(差异大的问题清单→ 知识治理)
版本一致性: 政策变更时的全链路更新(FAQ+源文档同步)—— 变更工单覆盖两类知识源
总结:FAQ 与 RAG 三层漏斗(FAQ 精确命中→RAG 生成→拒答);FAQ 要 owner 与时效运营(烂 FAQ 及时下线);一致性以 FAQ 为权威、打架检测进治理清单。
追问1:FAQ 的命中率怎么提升? → 问法变体扩充+语义匹配(嵌入相似度而非关键词);用户改写问题的记录回流(真实问法库) 追问2:FAQ 也要过审核吗? → 内容审核(550 题)适用(人工内容也会有错);发布走审核流(知识库的合规发布制) 追问3:客服话术和 FAQ 是一回事吗? → 客服话术(内部)可同步为 FAQ(对外)—— 一份知识两处消费(660 题 AI 客服的知识源联动)
625. 增量更新与失效:变更检测怎么做到分块级?
概念 文档更新的最小代价处理:文档级重解析(简单粗暴——重复成本)vs 分块级增量(hash 对比: 变化的块重新嵌入, 未变的保留——省成本且引用稳定)。失效处理:旧块的引用兼容(历史答案引用旧版本)。
典型场景 文档改了一段,全部重新嵌入(成本浪费);更新后历史会话的引用失效;并发更新的版本竞争。
解决方案 三步:分块级增量 → 引用兼容 → 并发与对账。
第一步:分块级增量
# 文件: chunk-increment.txt
增量算法:
新版解析 → 与旧版同策略分块 → 块级 hash 对比
新增块: 嵌入入库;修改块: 重新嵌入(旧块标记废弃);删除块: 标记失效;未变块: 复用(不动)
工程收益: 改 1 段的文档只重嵌 1~2 块(成本降 90%+);引用稳定(未变块的 chunk id 不变——
历史引用仍有效, 第二步的前提)
第二步:引用兼容
# 文件: citation-compat.txt
历史会话引用了旧版本块:
块废弃≠删除: 旧块保留只读(被历史引用可达)—— "该内容已更新, 查看新版"(跳转新块)
大改文档(结构变化>50%): 整文档版本化(旧版快照+新版)—— 引用按文档版本路由
答案的时效标注: 617 题引用展示带版本时间—— 用户知道答案基于哪版知识
第三步:并发与对账
# 文件: sync-concurrent.txt
并发更新(同一文档两处编辑):
源系统天然有版本(飞书版本号)—— 同步按版本排序应用(旧版本事件丢弃)
版本乱序防御: 同步任务带版本号, 落库时校验单调(280 题幂等+版本的管道版)
对账(616 题日对账的细化): 抽样块内容 vs 源文档对应段(检测静默失效—— 同步成功但内容错位)
总结:增量做到分块级(hash 对比: 变更块重嵌、未变复用);旧块只读保留给历史引用、大改走文档版本化;并发按版本单调应用+抽样对账。
追问1:分块策略变更(调 chunk 大小)怎么办? → 全量重嵌(策略变了 hash 全变):错峰跑(616 题重同步);评测对比新旧策略(676 题回归) 追问2:嵌入模型升级的迁移? → 双索引并行+灰度切流(04 题库的换 embedding 方案)—— 与增量更新是两件事, 分开管理 追问3:失效块的存储怎么清理? → 被引用计数归零+超期(90 天)后物理删—— 引用兼容与存储成本的平衡
626. 知识分发:个人、团队、公共库的产品分层?
概念 知识库的三级分发:个人库(私有工作区)、团队库(协作共享——618 题权限模型)、公共库(全公司/全平台——官方内容)。分层的运营含义:每层的建设责任(个人自建/团队共建/官方维护)与检索权重(公共权威优先, 619 题)。
典型场景 个人知识想分享给团队;团队库变垃圾场;公共库内容老化。
解决方案 三步:三层模型 → 库的流转 → 治理分工。
第一步:三层模型
# 文件: kb-tiers.txt
个人库: 默认私有;容量小(622 题配额低);自由建
团队库: 成员共享;建库审批(ToB 治理);贡献规范(owner 审核—— 621 题修订控制)
公共库: 官方/全公司;内容权威(624 题 FAQ 优先级的顶层);变更走发布流程
检索默认范围: 个人+所在团队库+公共(619 题范围模型的三层落地)
第二步:库的流转
# 文件: kb-transfer.txt
个人→团队: "发布到团队库"(内容审核+owner 接收)—— 个人知识的组织化沉淀路径
团队→公共: 推荐+官方审核(优质内容上升)—— 内容的晋升通道(激励贡献者, 621 题专家网络)
库的归档: 不活跃团队库归档(只读)—— 组织调整后的知识处置(别删, 归档可查)
跨库复制: 引用优先于复制(同一文档被多库引用—— 单一事实源;复制是版本失控之源)
第三步:治理分工
# 文件: kb-governance.txt
三层治理责任:
个人: 自己治理(无外部约束)
团队: 库 owner(内容质量/权限管理)—— 团队知识官角色
公共: 平台知识运营团队(621 题运营体系)—— 发布审核+时效维护
度量分层: 团队库健康度(部门排名—— 竞争激励)、公共库覆盖率(官方责任)
总结:知识库三级分发(个人自由/团队协作/公共权威)配流转通道(发布到团队/晋升公共);引用优先于复制保持单一事实源;每层有明确治理责任(自己/owner/官方运营)。
追问1:临时项目库(项目结束处置)? → 项目库到期归档(只读保留)+核心内容晋升团队库——项目知识的沉淀流程(组织记忆) 追问2:跨团队共享库? → 多团队库(联合 owner)或公共库分区—— 组织结构的映射, 权限模型要支持(618 题模型的扩展) 追问3:个人库离职怎么办? → 个人库数据属个人(573 题导出后删除);企业资产(工作产出)的归属条款(入职协议)—— 法务清晰比技术纠结重要
627. 移动端与离线:RAG 的端侧约束怎么应对?
概念 移动端的 RAG 约束:网络(弱网下的流式体验)、输入(移动键盘不利提问——语音/拍照输入的价值上升)、离线(完全离线的 RAG 不现实——降级为本地缓存的 FAQ)。设计:核心链路的移动适配与降级体验。
典型场景 地铁里流式输出断断续续;移动端提问体验差;客户演示要离线。
解决方案 三步:弱网体验 → 移动输入 → 离线降级。
第一步:弱网体验
# 文件: mobile-network.txt
弱网(地铁/电梯)的流式策略:
断点续传(602 题恢复机制的移动强化): 网络切换(WiFi↔蜂窝)不断流—— 会话层重连
生成与传输分离: 服务端生成完整答案(用户断网也不丢)—— 重连后一次性拉全
弱网模式: 自动降级(关流式为整体返回—— 弱网下流式反而更久, 重连成本高)
第二步:移动输入
# 文件: mobile-input.txt
移动输入三板斧:
语音输入(673 题移动强化): 按住说话—— 移动端的主输入方式之一
拍照提问(610 题模态): 拍卷子/拍屏幕直接问—— 移动场景的天然优势
历史快选: 常用问题/继续上次—— 减少移动打字(高频问题的快捷入口)
键盘适配: 输入框的体验(发送键位置/键盘弹起布局—— 01 批前端细节的移动 AI 版)
第三步:离线降级
# 文件: offline-rag.txt
离线的现实: RAG 依赖云端(检索+生成)—— 完全离线只有两条路:
本地缓存: 常见问题的答案缓存(FAQ 化, 624 题)—— 离线可查高频答案
端侧小模型: 本地小模型答通用问题(不含私有知识)—— 趋势但能力有限(493 题端侧推理)
产品话术: "离线模式下仅可查看收藏与常见问题"—— 诚实的降级(607 题话术原则)
收藏功能: 答案收藏(离线可读)—— 用户主动的离线准备
总结:移动 RAG=弱网断点续传与生成传输分离、语音拍照的输入替代、离线诚实降级(缓存 FAQ+收藏);端侧模型是趋势但当前定位补充。
追问1:移动端的流式渲染性能? → 长回答的渲染压力(虚拟列表/分段渲染, 01 题 40 系列移动版);低端机降级(关闭打字机动画) 追问2:小程序的 RAG 限制? → WebView 的 SSE 兼容性(小程序的流式方案受限—— 轮询或分段接口适配)+包体积(端侧能力不可用) 追问3:为什么说移动是 AI 功能的主战场? → 输入革命(语音/拍照降低提问门槛)+碎片场景(随时问)—— 移动端体验决定 AI 功能的留存(600 题入口形态的移动权重)
三、生成类功能(628–639)
628. 文案生成:模板、自由度与品牌语气怎么平衡?
概念 文案生成功能的三档自由度:填空式(表单参数→标准模板生成——可控性最高)、引导式(要点输入→结构化生成)、自由式(一句话任意生成)。品牌语气(品牌词库/风格约束)通过 prompt 与后校验双保险注入(605 题提示词资产的应用场景)。
典型场景 营销文案要过品牌审核;生成太模板化没创意;完全自由又跑偏。
解决方案 三步:自由度分档 → 品牌约束 → 人工协作流。
第一步:自由度分档
# 文件: copy-gen-modes.txt
三档设计(按使用场景):
填空式(运营批量): 卖点/价格/期限表单 → 生成(高一致, 低创意)—— 批量物料
引导式(主流): 输入要点(产品/受众/风格)→ 生成多版候选
自由式(创意): 一句话起头 → 生成+多轮修改
同一功能三模式入口(按用户能力自适应: 新手填空/熟手自由)
第二步:品牌约束
# 文件: brand-voice.txt
品牌语气工程:
语气库: 品牌词表(必用词/禁用词/语气描述)注入 prompt(605 题人格段的企业版)
后校验: 禁用词/合规词(广告法极限词"最好/第一"—— 自动检测替换建议, 551 题词库的营销版)
few-shot: 品牌历史优秀文案作为示例(322 题提示词工程的落地)—— 风格迁移的最有效手段
第三步:人工协作流
# 文件: copy-workflow.txt
生成不是替代是协作:
多版本候选(3~5 版)+一键变体("更活泼些/更短些"的迭代指令, 603 题修正)
编辑器集成: 生成结果进富文本编辑器可改(585 题编辑器的 AI 插件)
审核流: 生成→人工确认→发布(营销物料的合规审核, 550 题先审后发的适用场景)
资产沉淀: 采纳的文案进品牌语料库(few-shot 越来越准—— 正反馈飞轮)
总结:文案生成按用户能力分三档自由度;品牌语气靠语气库注入+合规词校验+优秀文案 few-shot;生成与人工协作(多版本+可编辑+审核流),采纳文案回流语料。
追问1:广告法合规词怎么防? → 禁用词库(极限词表)生成后检测+替换建议;法务审核关键词库定期更新(551 题词库运营同源) 追问2:生成的原创性(查重)? → 生成内容的查重(与训练常识的雷同)—— 商用场景抽检;引用检测(明显背诵的文案改写) 追问3:多语言文案生成? → 语气库多语言版本(直译丢语气, 605 题多语言提示词);本地化而非翻译(文化适配的提示词约束)
629. 表单智能填充:AI 预填怎么做到又快又敢用?
概念 表单填充的两形态:建议式(输入中联想/一键填充——用户确认)与自动式(识别后直接填——免确认但错了尴尬)。置信度决定形态:高置信自动填(可撤销)、低置信建议(用户选)。识别源:文档(上传简历填表单)/历史(常用值)/上下文(会话信息)。
典型场景 拍身份证自动填表;历史地址联想;自动填错用户没发现(资损)。
解决方案 三步:填充策略 → 置信与确认 → 错误兜底。
第一步:填充策略
# 文件: form-fill.txt
三源填充:
文档抽取: 上传文件(简历/证照)→ 结构化抽取(636 题)→ 映射表单字段
历史值: 用户历史的地址/常用值(自动补全—— 浏览器 autofill 的产品化)
上下文: 会话/页面上下文(从聊天里提取的信息填工单)
字段特性: 高确定性字段(身份证号校验位)自动;自由字段(备注)不自动
第二步:置信与确认
# 文件: fill-confidence.txt
置信分级交互:
高置信+可校验(格式合法): 自动填+字段高亮("AI 填充, 请核对")—— 可一键清除
中置信: 联想列表(用户点选)—— 自动补全的形态
低置信: 不猜(空着让用户填)—— 错误填充的清理成本 > 填充收益
抽取可视化: 文档抽取的字段来源高亮(点字段看原文出处—— 617 题引用溯源的表单版)
第三步:错误兜底
# 文件: fill-error.txt
错误填充的防线:
提交前校验: 必填/格式校验兜底(填充值也要过校验)
高危字段(金额/证件)永不自动: 仅建议—— 资损与合规红线
修正回流: 用户修正的填充 → 抽取模型的负样本(611 题修正信号)—— 越用越准
总结:表单填充三源(文档/历史/上下文)按字段特性分形态;置信分级(高自动+可撤销、中联想、低不猜);高危字段只建议;修正信号回流模型。
追问1:填充的隐私(扫描证件)? → 证件影像即用即弃(不落盘或加密短存——693 题隐私);字段级别最小抽取(只填表单要的) 追问2:为什么自动填充常被吐槽? → 错误填充没被发现就提交(资损)或清理麻烦—— 自动化收益 < 错误成本的场景要保守(表单越重要越建议式) 追问3:批量表单(后台录入 100 条)? → 批量抽取任务(531 题任务化)+错误行清单(566 题导入错误报告同款交互)—— AI 填充的批量版
630. 摘要功能:长文、会议与分层的摘要策略?
概念 摘要的场景分化:文章摘要(一篇长文的要点)、会议摘要(多源:录音转写+聊天记录)、层级摘要(目录→段落到全文的下钻)。设计核心:摘要的”用途”决定形态(快速判断要不要读 vs 替代阅读 vs 存档纪要)。
典型场景 会议纪要自动生成;论文速读;摘要丢关键信息被投诉。
解决方案 三步:场景形态 → 分层摘要 → 关键信息保全。
第一步:场景形态
# 文件: summary-scenarios.txt
按用途定形态:
判断型(要不要读): 一句话+三个要点(30 秒可读)—— 摘要的可摘要(TL;DR)
替代型(不用读原文): 结构化摘要(章节要点/数据/结论)—— 要全但不啰嗦
纪要型(会议): 结论/待办/责任人 结构化输出(会议纪要模板—— 待办可转任务系统)
用户可选摘要粒度(一段话/详细/极简)—— 同一引擎不同 prompt(606 题分级)
第二步:分层摘要
# 文件: summary-hierarchy.txt
长文档的分层策略(323 题上下文的摘要应用):
超长文: 分段摘要→ 段摘的摘要(层级压缩—— 事实细节逐层丢失的可控)
下钻交互: 摘要的每个要点可展开对应原文段(617 题锚定的摘要版)——
摘要是导航不是替代(深读者随时回原文)
多文档摘要(主题汇总): 多篇相关的合并摘要(带各篇来源标识)
第三步:关键信息保全
# 文件: summary-fidelity.txt
摘要丢关键信息的治理:
要素约束: 场景化的"必保要素"(合同摘要必须有: 金额/期限/违约条款—— prompt 显式约束)
数字保真: 摘要中的数字与原文比对(后校验: 数字是最容易错的, 589 题精度思想)
评测: 摘要质量评测集(要点覆盖率/无幻觉, 676 题)—— 摘要功能的回归防线
免责边界: 摘要不能替代原文的场景声明(法律文档"仅供参考, 以原文为准")
总结:摘要按用途定形态(判断型/替代型/纪要型+粒度可选);长文分层压缩+要点可下钻原文;必保要素约束与数字校验防丢关键信息;法律场景免责明示。
追问1:会议摘要的转写预处理? → 说话人分离(谁说的)+口头语清理+时间轴——转写质量决定纪要质量(673 题 ASR 的下游) 追问2:摘要能带立场吗? → 事实性摘要(中性)默认;立场分析(利弊对比)是另一功能—— 分开避免”摘要夹带观点”的信任问题 追问3:实时摘要(边读边出)? → 流式的分段摘要(602 题流式)—— 长文的渐进摘要(读完一段出一段);全篇摘要完成后重排
631. 翻译功能:机器翻译的产品化怎么做?
概念 翻译的产品层次:划词翻译(轻量)、文档翻译(整篇)、双语对照(阅读辅助);质量策略:通用模型 vs 领域定制(术语库);交互:译文与原文的切换对照(校对场景刚需)。
典型场景 外文文献阅读;产品出海的多语言内容;专业术语翻译不准。
解决方案 三步:产品形态 → 术语与领域 → 对照体验。
第一步:产品形态
# 文件: translate-forms.txt
三形态:
划词/段落: 即时翻译(悬浮/侧栏)—— 阅读辅助
文档翻译: 整篇译文(保留排版)—— 格式还原是难点(Word 译文回填)
双语对照: 逐段对照(学术阅读)—— 段落对齐(原文段-译文段映射)
场景联动: 628 题多语言文案(生成而非翻译—— 创作与转译的边界)
第二步:术语与领域
# 文件: translate-domain.txt
术语库: 专业领域(法律/医学/产品名)的自定义术语表—— 翻译时术语强制(术语表注入 prompt)
领域路由: 文档类型识别(合同/论文)→ 领域 prompt(语气与句式的领域差异)
反馈修正: 译文的修改回流(用户改了术语→ 术语库建议, 611 题修正信号)
质量期望: 文学翻译别指望(模型弱项);技术文档/商务沟通是甜区—— 场景话术管理预期
第三步:对照体验
# 文件: translate-ux.txt
对照交互(校对与学习场景):
段落级对照(上下或左右)+点击段落跳对应
术语高亮: 术语表命中的词高亮(悬停看原文)—— 专业用户的信任构建
译文编辑: 人工润色(协作翻译流: 机翻初稿+人工审校—— 翻译公司的 AI 工作流)
回退: 用原文段一键重新翻译(单段重试, 603 题重新生成的段落版)
总结:翻译三形态(划词/文档/对照)按场景;术语库注入与领域路由提专业质量、修正回流;对照与术语高亮服务校对场景、机翻+人审的工作流。
追问1:翻译质量怎么评? → 人工 BLEU 局限:回译一致性(译回去的意思不变)+抽检;用户采纳率(不重译=可用, 611 题隐式信号) 追问2:实时对话翻译? → 语音翻译链路(ASR→翻译→TTS, 673 题语音叠加)—— 延迟与轮次管理是难点(国际合作场景) 追问3:出海产品的 UI 翻译? → i18n 资源文件(590 题时区/592 题主题的国际化位)+AI 辅助翻译工作流(机器初翻+人审)—— 别机翻直上 UI
632. 代码生成与补全:IDE 集成的功能策略?
概念 代码 AI 三形态:对话式(聊天问代码)、补全(行内 ghost text)、指令式(注释生成函数/选中重构)。功能策略:语言与框架的适配度差异、私有上下文(项目代码库检索——RAG 的代码版)、生成代码的信任与验证。
典型场景 补全建议不对味;生成的代码有安全漏洞;私有库代码怎么让 AI 知道。
解决方案 三步:三形态协同 → 项目上下文 → 信任与安全。
第一步:三形态协同
# 文件: code-ai-forms.txt
三形态分工:
补全(高频): 行内建议(Tab 接受)—— 快但短视(当前文件上下文)
指令式(中频): 注释→函数/选中→重构解释—— 半自动(用户意图明确)
对话(低频深任务): 架构讨论/跨文件改动/调试—— 面板形态(600 题侧边栏)
协同流: 对话生成→插入编辑器→补全微调—— 一个工作流三形态接力
第二步:项目上下文
# 文件: code-context.txt
私有上下文(RAG 的代码版):
代码库索引: 项目代码的嵌入检索(函数/类粒度)—— 补全与对话引用项目真实 API
上下文组装: 当前文件+相关文件(检索)+依赖类型(LSP)—— 送模型的上下文优先级
新鲜度: 文件保存即更新索引(625 题增量的代码版)—— 别建议已废弃的 API
第三步:信任与安全
# 文件: code-trust.txt
生成代码的信任分级:
自动采纳(补全): 低风险(单行/局部)—— 高频场景的零摩擦
审查后用(函数级): diff 视图(变更明确)—— 开发者审阅习惯的贴合
安全检测: 生成代码的安全扫描(常见漏洞模式: 注入/硬编码密钥—— 551 题词库的代码版)
测试配套: 生成的函数配套生成测试用例(信任的工程化: 测试过=可用)
总结:代码 AI 三形态接力(补全高频/指令中频/对话深任务);私有上下文靠代码库索引+文件保存增量;信任分级(补全自动/函数审查/安全扫描+测试配套)。
追问1:补全的延迟预算? → 行内补全 <300ms(打断心流即弃用):小模型+流式+上下文裁剪(487 题容量的代码版) 追问2:企业代码的安全(不出域)? → 自部署模型(04 题 366 自部署决策)或供应商的不训练协议+私有化网关(368 题)—— 代码是最敏感的 AI 输入 追问3:生成代码的版权? → 许可证污染风险(训练数据)—— 企业采购的关注点;供应商的 indemnity 条款(法律兜底)是选型因素
633. 图片生成:集成、审核与版权怎么管?
概念 图片生成的产品集成:文生图(提示词输入)、图生图(风格迁移/编辑)、场景化模板(营销海报生成器—— 模板+参数比自由生成可控)。治理三线:内容审核(552 题同款+提示词审核)、版权(训练数据与生成物的权属)、成本(按张计费的配额)。
典型场景 生成图片被用于侵权;名人肖像生成;成本按张爆炸。
解决方案 三步:产品形态 → 审核与红线 → 版权与成本。
第一步:产品形态
# 文件: image-gen-forms.txt
形态按可控性:
模板生成(营销场景): 品牌模板+参数(文案/配色)—— 可控性与品牌一致(628 题品牌约束的图片版)
自由生成(创意场景): 文生图+多张候选+变体迭代
图片编辑(实用场景): 抠图/扩图/局部重绘—— 比生成更高频的刚需
风格管理: 品牌风格预设(视觉规范注入—— 生成物的品牌一致性)
第二步:审核与红线
# 文件: image-moderation.txt
双重审核(输入+输出):
提示词审核: 违规意图前置拦截(551 题词库+语义—— "生成明星肖像"类)
生成图审核: 输出过鉴黄暴+特定人物识别(人脸合规—— 名人/真人肖像红线, 610 题同源)
红线清单产品化: 服务条款明确(肖像权/色情/暴力)—— 提示词的黑名单与教育性拦截话术
第三步:版权与成本
# 文件: image-copyright.txt
版权三问:
生成物权属: 平台条款明确(用户所有/授权使用)—— 法务定, 显式告知
商用风险: 风格模仿的边界("XX 画家风格"的侵权争议)—— 商用场景保守话术
训练数据合规: 供应商的版权承诺(选型考察)—— indemnity 条款(632 题代码同源)
成本: 按张计费进配额(613 题): 高分辨率/多候选消耗更高—— 系数计费
总结:图片生成按可控性分形态(模板>编辑>自由);双重审核(提示词+成品)+肖像红线;版权权属显式条款+商用保守+供应商 indemnity;按张系数计费。
追问1:生成的图片能唯一吗? → 模型随机性: 同提示词多结果;seed 固定可复现(调试用)—— 商用场景的”重生成一致性”预期管理 追问2:图片生成和 523 题图片管线的关系? → 生成图也进内容管线(审核+存储+分发): AI 生成内容标识(697 题)在图片场景的落地(EXIF/水印标识) 追问3:视频生成什么时候用? → 成本与质量仍高: 营销短视频(模板化)先行;UGC 视频生成等技术与成本到位—— 按场景成熟度渐进
634. 标题与标签自动生成:轻量 AI 的批量化怎么做?
概念 轻量生成(标题/标签/摘要一句话)是 AI 功能的“批量流水线”:大批量内容(商品/文章)的自动化处理——异步任务化(531 题)、成本控制(小模型,606 题分级)、质量抽检。与交互式生成(用户在场)的工程形态完全不同。
典型场景 百万商品的标签自动化;生成质量参差没人发现;批量任务成本失控。
解决方案 三步:批量管道 → 质量抽检 → 成本治理。
第一步:批量管道
# 文件: bulk-lightweight.txt
批量生成管道(531 题任务化的 AI 版):
任务队列(分批)+小模型(606 题轻模型路由—— 标题标签用不着旗舰)
失败重试与死信(个别内容生成失败不阻塞批次)
幂等: 同内容 hash 的结果缓存(531 题产物缓存)—— 重复跑不重复计费
增量触发: 新内容入库自动生成(事件驱动, 614 题同步管道同款)
第二步:质量抽检
# 文件: bulk-quality.txt
批量质量治理(没有用户在场的质量防线):
规则校验: 标签在受控词表内/标题长度/敏感词(551 题)—— 自动拦截
抽样人审: 批次抽 1% 人工(质量分)—— 低于阈值的批次重跑
反馈回流: 标签被人工修改的比例(611 题修正信号)—— 模型/prompt 迭代依据
第三步:成本治理
# 文件: bulk-cost.txt
成本控制三招:
模型分级: 轻任务轻模型(标题生成成本可降 90%)
缓存与增量: 只生成新内容/变更内容(625 题增量思想)
预算熔断: 批量任务的 token 预算上限(超限暂停+告警, 563 题预算熔断同款)
ROI 核算: 自动标签的收益(人工标注成本×量)vs API 成本——691 题成本归因的批处理版
总结:轻量生成是批处理工程:任务化+轻模型+结果缓存;质量靠规则校验+抽样人审+修正回流;成本靠分级/增量/预算熔断,ROI 明确才有批量化的意义。
追问1:标签生成的词表怎么定? → 业务标签体系(受控词表—— 575 题画像标签的一致性):生成从词表选(约束解码, 补充问题 9)而不是自由生成 追问2:为什么不用传统 NLP(不用大模型)? → 短文本分类/关键词提取的传统方案更便宜—— 大模型的场景是不可枚举的生成(标题的创意性);能用传统别上大模型(成本纪律) 追问3:批量生成的时机(实时 or 夜间)? → 非紧急走夜间错峰(492 题填谷);实时性要求(新闻标签)走流式—— 按业务时效定批次策略
635. 报告撰写:长文档生成的结构化策略?
概念 长文档生成(报告/方案)与短生成的差异:结构先行(大纲→分章→成文的多阶段)、数据引用(图表/数字的真实性——不是编的)、一致性(章节间口径统一)。工程:大纲确认的交互流(人在环)、分章生成与汇总。
典型场景 生成到后面忘了前面的设定;数据是编造的;结构混乱不可用。
解决方案 三步:多阶段生成 → 数据真实性 → 一致性保障。
第一步:多阶段生成
# 文件: report-gen.txt
三阶段(人在环的生成流):
1) 大纲生成: 输入需求 → 大纲(用户可编辑调整—— 结构确认后再写, 避免全篇跑偏)
2) 分章生成: 按大纲逐章(每章带全篇上下文摘要—— 前后衔接)+引用资料(RAG, 615 题)
3) 汇总润色: 章节拼接+过渡+摘要/结论—— 全文一致性检查(第三步)
交互: 阶段产物可编辑(大纲改了重生成受影响章节—— 增量生成, 603 题编辑分叉的文档版)
第二步:数据真实性
# 文件: report-data.txt
数据的两条铁律:
事实数据必须来自输入: 报告里的数字/图表引用真实数据源(用户上传的数据/知识库)
—— prompt 约束"仅使用提供的资料中的数据"+后校验(数字与来源比对, 630 题数字保真)
无数据的部分明示: "[此处需要补充 XX 数据]"占位—— 模板化留白优于编造
图表: 数据图表由结构化数据生成(ECharts 渲染, 570 题)—— AI 出图表配置不出图片(数据可溯)
第三步:一致性保障
# 文件: report-consistency.txt
长文一致性的工程手段:
全局上下文: 分章生成时携带"文档要点卡"(630 题分层摘要)—— 术语/口径/人物设定一致
一致性检查: 成文后的自动检查(术语统一/前后矛盾检测—— LLM 自审或规则)
版本迭代: 用户修改后的一致性维护(改了 A 章, B 章引用处提示更新—— 文档级依赖追踪)
总结:报告生成=大纲确认→分章(带全局要点卡)→汇总的三阶段人在环流;数据铁律是只用输入资料的真实数据(留白优于编造);一致性靠要点卡+自审+修改联动。
追问1:为什么大纲确认这么重要? → 结构错误的返工成本最高(全篇重写);大纲是用户意图与生成能力对齐的最便宜时机—— 产品设计前置确认 追问2:生成的报告格式(Word/PPT)? → 结构化产物→格式渲染器(Markdown→docx 模板):AI 生成内容+模板引擎排版(524 题预览转换的逆向)—— 排版交给确定性工具 追问3:报告的合规(对外文件)? → 生成报告走审核流(法务/业务确认, 550 题)—— AI 起草+人签发;697 题标识(重要文件的 AI 参与声明)
636. 结构化抽取:简历、发票、工单的 AI 化?
概念 结构化抽取(文档→字段)的 AI 化:与传统 OCR/模板抽取对比(AI 处理非结构化与格式多样)、schema 驱动(目标字段定义)、置信度与人工复核流水线。场景:简历解析、发票字段、工单分类(进阶到 660 题客服的工单自动分类)。
典型场景 简历解析准确率不稳;发票字段抽取错误影响报销;异构格式(千种发票版式)。
解决方案 三步:技术选型 → 抽取管道 → 复核流。
第一步:技术选型
# 文件: extraction-choice.txt
抽取三路线:
模板/规则: 固定版式(自家发票)—— 最便宜最稳, 能用别换
传统 OCR+NLP: 印刷体+规则字段(地址/金额)—— 成熟管线
LLM 抽取: 异构版式(千种发票/任意简历)—— 泛化能力的甜区;结构化输出约束(补充问题 9 的 JSON schema)
组合: LLM 兜底非标件(80% 标准件走便宜管线+20% 非标走 LLM—— 成本与泛化平衡, 606 题分级)
第二步:抽取管道
# 文件: extraction-pipeline.txt
管道(615 题解析+本题抽取的接力):
解析(OCR/文档解析)→ LLM 抽取(schema 约束的字段+置信度自评)→ 字段校验(格式/枚举/交叉验证)
校验规则: 身份证校验位/金额合计=明细和/日期逻辑—— 规则兜底 AI(确定性校验永远便宜)
缓存: 同文档重复抽取命中缓存(531 题同源)
第三步:复核流
# 文件: extraction-review.txt
置信分流:
高置信+校验通过: 直接入库(自动化)
低置信/校验失败: 人工复核队列(字段级标注—— 只看可疑字段不看全文档)
复核修正: 修正数据回流(微调样本或 few-shot 库—— 越用越准的飞轮, 611 题同源)
准确率看板: 字段级准确率(哪些字段易错)+复核率趋势(自动化率的增长曲线)
总结:抽取按版式分路线(规则/传统/LLM 兜底非标);schema 约束+确定性校验兜底;置信分流(自动入库+人工只看可疑字段);修正回流驱动准确率爬坡。
追问1:抽取的 schema 怎么管理? → 字段字典(名称/类型/校验规则)配置化(567 题字段映射的抽取版)—— 新增字段不改代码 追问2:为什么 LLM 抽取还有幻觉? → 字段不存在时编造(文档没有手机号却填了)——prompt 约束”缺失返回 null”+校验兜底;置信度自评字段(模型说”我不确定”) 追问3:批量抽取的极限吞吐? → 并发任务池+异步(566 题导入的抽取版);供应商限流是天花板(606 题多供应商分摊)—— SLA 与批量窗口设计
637. 智能审阅:合同、代码 Review 的 AI 化策略?
概念 审阅类功能(合同审查/代码 Review/文章校对)的共同模式:检查项清单化(审什么显式定义)、发现分级(必须改/建议改/提示)、AI 建议+人决策(签发权在人)。与生成不同:审阅是”找问题”——召回率优先(漏了致命问题 > 误报)。
典型场景 AI 审合同漏了关键风险;代码 Review 建议太吵(全是风格问题);审阅结论的责任归属。
解决方案 三步:检查项工程 → 分级与降噪 → 责任边界。
第一步:检查项工程
# 文件: review-checklist.txt
审什么的显式化(审阅的产品需求):
合同审: 风险条款清单(付款条件/违约/知识产权/管辖)—— 法务定检查项, AI 逐项核
代码 Review: 安全(注入/越权)/逻辑(空指针/边界)/风格(lint 已管—— AI 别重复)
校对: 错别字/数字/术语一致性—— 分层检查项
检查项配置化: 清单可维护(法务更新检查项不用改代码, 596 题配置化)—— 审阅规则是活资产
第二步:分级与降噪
# 文件: review-noise.txt
发现分级(降噪的核心):
Blocker(必须处理): 安全漏洞/致命条款—— 醒目+阻断流(不过审不能过)
Warning(建议): 潜在风险—— 列出待决策
Info(提示): 风格/优化—— 折叠(默认收起)
降噪纪律: 宁缺勿滥(十条真问题 > 五十条水建议)—— 用户对噪音的容忍度极低(一次性弃用)
精准定位: 每条发现锚定位置(合同第 X 条/代码第 N 行)—— 可跳转可核验(617 题锚定同源)
第三步:责任边界
# 文件: review-liability.txt
责任的产品声明(审阅类功能的合规底线):
AI 辅助决策, 人签发: "AI 审阅建议不构成法律意见"(合同场景的免责)—— 人最终确认的流程强制
漏审的责任: 条款明确(AI 辅助工具的责任边界)—— 法务条款前置
审计留痕: AI 发现了什么+人怎么处理(采纳/忽略+理由)—— 521 题体系(事后追溯)
总结:审阅功能=检查项清单化(领域专家定义、配置可维护)+发现三级降噪(锚定位置)+人签发责任边界(免责条款+审计留痕);召回优先但噪音控制决定存活。
追问1:审阅的召回率怎么验证? → 测试集(已知问题的合同/带漏洞的代码—— 676 题评测的审阅版);红队(专门构造的疑难案例) 追问2:审阅建议的采纳率为什么低? → 建议)不够准/表述不可操作(“建议优化此条款”→ 改成什么?)—— 建议必须带改法(具体修改建议) 追问3:审阅和生成(635 题)能组合吗? → 生成→自审的流水线(生成报告→AI 按检查项自审→修正):自审+他审(独立模型交叉审)—— 长文质量的组合拳
638. 多版本生成:候选集与选择体验怎么设计?
概念 生成的“多版本”模式:一次任务产 N 个候选(风格/侧重不同)、用户选择或组合。适用:创意类(文案/设计)收益高;事实类(摘要/抽取)收益低(该对就对, 不需要选)。工程:并行生成(N 倍成本)+多样性控制(不同温度/不同 prompt 变体)。
典型场景 用户说”都不满意”重生成十次;多版本成本翻倍;选了一版其他白生成(浪费感)。
解决方案 三步:适用判断 → 多样性工程 → 选择体验。
第一步:适用判断
# 文件: multiversion-when.txt
适合多版本的场景判据:
主观偏好(文案/命名/设计)—— 没有"对错"只有"喜欢" → 多版本价值高
客观正确(抽取/摘要要点)—— 有标准答案 → 多版本是浪费(该修就修, 603 题重新生成)
中间态(代码实现): 2~3 版方案对比(思路差异)—— 工程选择的辅助
第二步:多样性工程
# 文件: diversity-eng.txt
多样性的技术手段:
prompt 变体: N 版用不同风格指令(活泼/专业/极简—— 605 题人格矩阵)
采样参数: 不同温度(高=发散低=保守)
模型差异: 候选用不同模型(606 题分级的横向应用)—— 差异化最大但成本结构不同
评估多样性: 候选间相似度监控(太像=白生成;太散=质量崩)—— 多样性-质量平衡调参
第三步:选择体验
# 文件: multiversion-ux.txt
选择交互:
并排对比(卡片流)或轮播(603 题版本切换)
组合编辑: 取 A 的开头+B 的结尾(片段级采纳—— 编辑器集成)
选择的反馈: 选中的原因可标注("选 B 因为更简短"—— 偏好学习信号, 603 题版本选择)
成本透明: "生成 3 个版本(消耗 3 倍额度)"—— 显式告知(613 题计费透明)
总结:多版本适合主观偏好类(创意)不适合客观类;多样性靠 prompt 变体/温度/模型差异并监控相似度;体验做并排+片段组合采纳+偏好反馈;成本显式告知。
追问1:为什么温度不是越高越好? → 高温=发散=质量方差大(好候选与烂候选并存):多样性参数要配合质量过滤(候选先过质量线再展示) 追问2:选完的候选怎么影响下次? → 偏好学习: 选择历史进用户偏好(下次默认先生成该风格—— 639 题个性化生成的输入) 追问3:多版本和 A/B 的关系? → 多版本是”同时给用户选”(选择权在用户);A/B 是”平台分流量验证”(576 题)—— 都能学习偏好, 机制不同
639. 个性化生成:用户偏好怎么进生成?
概念 个性化生成=用户偏好(风格/习惯/领域)注入生成:显式偏好(用户设置的”我偏好简洁中文”)、隐式偏好(历史选择的统计—— 638 题选择信号)、领域上下文(用户的专业领域词表)。边界:个性化不能越权改任务要求(用户要正式的别自作主张活泼)。
典型场景 每次都要重复说”要简短”;AI 语气不合用户口味;个性化产出”过拟合”(什么都要加上偏好)。
解决方案 三步:偏好来源 → 注入机制 → 边界与控制。
第一步:偏好来源
# 文件: personalization-src.txt
三层偏好(补充问题 6 记忆档位的应用):
显式设置: "AI 偏好"面板(风格/语言/称呼—— 用户主动声明)
隐式学习: 历史采纳统计(总选简短的→默认简短;638 题选择信号)
领域上下文: 用户画像(575 题)的领域标签(程序员→代码示例多)
第二步:注入机制
# 文件: personalization-inject.txt
注入=偏好进系统提示词的"用户层"(605 题分层):
system prompt = 平台层(安全边界, 不可覆盖) + 用户层(个性化偏好)
偏好摘要: 偏好压缩成一句话("该用户偏好简短技术性回答")—— 控制注入成本
生效时机: 偏好变更下次生成生效(缓存失效, 518 题同源)
第三步:边界与控制
# 文件: personalization-limit.txt
个性化的三条边界:
1) 任务要求 > 偏好: 本次指令("写正式邮件")覆盖默认偏好—— 明确优先级
2) 偏好可见可改: 偏好面板(用户看 AI"以为的我"—— 修正入口, 601 题记忆管理同源)
3) 偏好不越安全线: 个性化不能放松安全与合规边界(平台层不可覆盖)
隐私: 隐式偏好的采集声明(572 题合规)+跨设备同步的账号级偏好
总结:个性化生成三层来源(显式设置/隐式学习/领域画像),注入系统提示词的用户层(平台层安全优先);边界三律(任务覆盖偏好、偏好可查看修正、不越安全线)。
追问1:隐式偏好的冷启动? → 前几次通用生成+选择学习(快速收敛 3~5 次);显式设置引导(“选择你喜欢的风格”onboarding) 追问2:个性化会不会造成茧房(风格固化)? → 风格茧房无害(用户舒服), 内容茧房才是问题(信息面)—— 生成场景主要是风格个性化, 边界天然安全 追问3:多人共用的账号(企业号)偏好怎么办? → 偏好挂用户不挂账号(成员各自);共用场景关闭隐式学习(混杂信号污染)—— 626 题团队场景的个性化边界
四、Agent 与自动化(640–651)
本章与 04 批 Agent 章(352~363 题,工程机制)互补:那批讲”怎么实现”,本章讲”Agent 作为产品功能的边界、权限、体验与生态”。
640. Agent 功能边界:能力声明怎么管理用户预期?
概念 Agent 产品的第一课:能力声明(能干什么)与边界声明(不干什么)同样重要——用户的过度期待(“AI 能帮我做任何事”)是失望的根源。边界三层:能力边界(技术上做不到)、安全边界(策略上不许做)、责任边界(做了但不担责)。
典型场景 用户让 Agent 做能力外的事反复失败;营销夸大引发预期落差;“为什么它不帮我订票”的客诉。
解决方案 三步:边界定义 → 预期管理 → 越界请求的应对。
第一步:边界定义
# 文件: agent-boundary.txt
三层边界(352 题"什么任务适合 Agent 化"的产品化):
能力边界: 当前工具集与模型能力决定(没接日历工具就不能约会议—— 明示而非硬试)
安全边界: 资金类只读、对外发送需确认、不可逆操作黑名单(641 题权限分级)
责任边界: AI 建议与执行的免责(AI 执行的购买, 责任条款—— 法务前置)
能力清单产品化: 帮助中心的功能矩阵(Agent 能做的 N 件事—— 枚举式而非"智能助手"的模糊承诺)
第二步:预期管理
# 文件: agent-expectation.txt
预期管理的触点:
首次使用: 能力演示(onboarding 展示 3 个真实场景—— 而不是功能列表)
输入引导: 智能建议(基于能力清单的问题推荐—— 用户知道问什么)
失败教育: 做不到时的解释话术("我目前不能 X, 但可以 Y"—— 608 题窄化拒绝的 Agent 版)
营销纪律: 宣传口径与真实能力的差距=差评率(产品文案过法务与产品双审)
第三步:越界请求的应对
# 文件: agent-offroad.txt
用户要能力外的事:
诚实+替代: "不能直接改你的银行收款人, 可以帮你准备好修改申请的资料"(能力替代路径)
需求收集: 越界高频请求进功能规划("30% 用户要 X"—— 620 题无答案清单的 Agent 版)
安全越界(违法/高危): 明确拒绝+记录(高频恶意请求的风控信号, 554 题同源)
总结:Agent 边界三层(能力/安全/责任)显式声明,能力清单枚举式产品化;预期管理贯穿首次使用、输入引导、失败话术;越界请求诚实给替代、高频越界进规划。
追问1:能力边界要写得多细? → 用户视角的场景化(“能查订单、能退款”—— 而非技术视角“支持 function calling”)——帮助中心按用户任务组织 追问2:Agent 失败率高怎么上线? → 窄场景上线(单一任务做稳—— 深度优先)再扩:全能 Agent 的口碑毁在第一次离谱失败 追问3:边界收紧与放宽的节奏? → 收紧快(安全问题立即)、放宽慢(灰度验证新能力, 594 题阶梯)—— 不对称节奏是安全产品的通用律
641. 工具权限分级:Agent 能动什么不能动什么?
概念 Agent 的权限模型(353 题工具设计的权限面):工具按风险分级——只读(查询类,自动执行)、低危写(可逆操作:草稿创建,自动+记录)、高危写(不可逆/资金/对外:必须确认,642 题)、禁止(黑名单工具)。授权的主体:用户级(用户给 Agent 授权用某工具)与应用级(平台给功能配工具集)。
典型场景 Agent 误删数据;用户不知道 Agent 能花他的钱;权限粒度太粗(一授权全开)。
解决方案 三步:分级模型 → 授权流 → 运行时控制。
第一步:分级模型
# 文件: tool-risk-tiers.txt
四级工具分级:
L0 只读: 查订单/查日程—— 自动执行(快)
L1 低危写: 创建草稿/保存笔记—— 自动+事后可撤销(撤销窗口)
L2 高危写: 发送邮件/提交表单/资金操作—— 逐次确认(642 题)或白名单自动化
L3 禁止: 删除数据/改密码/转账收款人—— 平台级黑名单(不提供工具而非提示禁止)
分级是产品决策+安全评审(新工具上线过分级评审—— 类似代码 review 的权限位)
第二步:授权流
# 文件: tool-consent.txt
用户授权(工具的 OAuth/权限):
授权粒度: 按工具+按范围(邮件:只读 vs 可发送;日历:只读 vs 可写)—— 最小授权
授权体验: 授权页明示后果("允许后, AI 可以代表你发送邮件—— 发送前会请求确认"——
与 L2 确认流的呼应, 预期一致)
撤权: 授权管理页(随时撤—— 已授权工具列表+一键撤销, 507 题登出思想的工具版)
授权过期: 定期重授权(年度)或长时间未用自动过期(权限的保鲜)
第三步:运行时控制
# 文件: tool-runtime.txt
运行时的三层闸:
调用前: 权限校验(用户授权了吗+本次任务允许吗—— 会话级工具开关)
调用中: 高危的确认卡(642 题)/参数脱敏展示(密码类参数不回显)
调用后: 审计记录(什么工具+参数+结果—— 649 题审计的产品数据源)
异常调用检测: 短时间高频高危请求(Agent 陷入循环确认)—— 熔断+人工介入(284 题思想)
总结:工具四级分级(L0 自动到 L3 禁止)是产品与安全共审的决策;授权要粒度(工具×范围)、可撤、会过期;运行时三层闸(前校验/中确认/后审计)+循环熔断。
追问1:为什么 L3 用”不提供工具”而不是”提示禁止”? → 模型对指令的服从不是 100%(提示是软约束, 324 题同源)——架构上不给能力才是硬边界 追问2:企业场景的工具权限谁批? → 个人授权(个人邮箱)+管理员策略(企业数据类工具管理员配白名单—— 组织策略覆盖个人授权) 追问3:工具权限与 520 题三门的合并判定? → Agent 入口完整链: 开关(功能在吗)→权限(用户能用吗)→工具分级(这次执行能到哪层)—— 三层串联各司其职
642. 高危确认:确认流怎么设计不流于形式?
概念 高危操作确认(HITL)的产品悖论:确认太多→用户无脑点确认(形式化);确认太少→高危直发(风险)。设计核心:确认的分级(逐次确认/会话级白名单/规则免确认)、确认卡的信息密度(让用户 3 秒能判断)。355 题讲机制不流于形式,379 题讲前端确认 UI——本题讲产品决策层。
典型场景 用户抱怨每步都要点确认;确认疲劳后误确认造成损失;“AI 替我发了邮件”的纠纷。
解决方案 三步:确认分级 → 确认卡设计 → 确认疲劳治理。
第一步:确认分级
# 文件: confirm-tiers.txt
确认的三档(风险×频次定):
逐次确认(默认高危): 每次执行前确认—— 低频高危(退款/删除)
会话白名单: 本次会话内同类操作免确认("本会话内都允许发送")—— 高频中危
规则免确认: 用户预设规则("50 元以下的自动购买")—— 常规化的自动化
升级触发: 免确认区间外的操作自动回到逐次(金额超限/对象变化)—— 免确认是有边界的信任
第二步:确认卡设计
# 文件: confirm-card.txt
确认卡信息密度(379 题操作卡的产品要求):
三秒可判: 动作+对象+关键参数(给 zhangsan@ 发送"XX 报告"—— 一眼看懂要干什么)
风险显性: 不可逆标识/金额红色/影响范围(将通知全部 20 名成员)
可检查: 参数可改(确认前微调—— 减少取消重来)/可看详情(收起的长参数)
防误触: 大额的二次确认(输入金额数字确认—— 支付级风控的移植)
第三步:确认疲劳治理
# 文件: confirm-fatigue.txt
疲劳监测与治理:
指标: 确认通过率(接近 100%=无脑点, 形式化警报)+确认停留时长(过短=没看)
治理: 高通过率的确认类降档(它已经不需要逐次)/关键确认强化(真正的危险升级交互)
教育: 误确认的复盘提示("上次你在 2 秒内确认了删除操作——建议关注确认内容")
误确认的救济: 撤销窗口(高危操作执行后 X 分钟可撤—— 技术可逆性决定窗口)
总结:确认三档(逐次/会话白名单/规则免确认)按风险频次分配;确认卡三秒可判+参数可改+大额二次;确认通过率与停留时长监控疲劳,误确认靠撤销窗口救济。
追问1:免确认规则的边界怎么防套用? → 规则匹配的严格性(金额边界/对象范围精确);边界外升级确认—— 别让”50 元以下自动买”变成”每次都买 49.9” 追问2:确认的责任转移? → 确认后的执行=用户授权(条款明确);但平台要证明”确认卡信息充分”(纠纷时确认记录+内容审计是证据, 649 题) 追问3:紧急场景的免确认? → 紧急预案类(故障处理的 Agent)预先授权(值班经理批的 runbook 内免确认)—— 授权的批量化与场景绑定
643. 长任务进度:Agent 干活时用户看什么?
概念 Agent 任务从秒级(问答)到分钟/小时级(调研/批量处理)——长任务的体验三件:进度可见(当前步骤/整体进展)、可干预(暂停/取消/追问)、完成通知(结果推送)。602 题流式体验的任务版:从”流式文字”到”流式步骤”。
典型场景 Agent 跑 20 分钟用户不知道死没死;中途想补充要求;做完没通知错过时效。
解决方案 三步:进度模型 → 干预交互 → 完成通知。
第一步:进度模型
# 文件: agent-progress.txt
进度展示两层:
步骤流: 任务分解的可视化(计划 N 步→当前第 3 步: 检索资料)—— 步骤即流式(357 题编排的展示面)
整体进度: 已知总步(百分比)vs 未知(阶段名"调研中"+已耗时)——
诚实原则: 不确定的别放假进度条(602 题同源)
实时产物: 中间结果流式展示(检索到的资料卡/写的草稿段)—— 用户看着它长大(信任感)
第二步:干预交互
# 文件: agent-interrupt.txt
中途干预三动作:
追加指令: "顺便也查一下 XX"(Agent 在下一步吸收—— 指令队列)
暂停: 保留现场(可恢复—— 358 题 checkpoint 的产品面)
取消: 立即停+保留已完成部分(部分结果可取—— 别全丢)
修改的代价展示: 追加指令可能重跑部分步骤("这将重新执行第 3 步之后")—— 干预的透明
第三步:完成通知
# 文件: agent-notify.txt
完成通知(532 题渠道体系):
推送: 任务完成/失败/需确认(高危卡推送—— Agent 的确认请求可异步: "任务需要你确认")
结果页: 任务的完整档案(步骤回放+产物+引用—— 649 题审计的用户视图)
时效敏感任务: 预计时长告知("约需 15 分钟")—— 用户决定等还是离开
失败通知: 原因+已完成部分+重试入口(607 题话术的任务版)
总结:长任务体验=步骤流+诚实进度+实时产物;干预三动作(追加/暂停/取消)带代价透明;完成与确认请求走通知体系,结果页是步骤与产物的完整档案。
追问1:任务要跑多久该异步化? → >30 秒的任务必须可离开(异步+通知);<5 秒可同步等待—— 30s~5min 的中间态: 前台可等+可离开(双模式) 追问2:多任务并行(用户开 3 个 Agent)? → 任务列表管理(状态/优先级)—— Agent 任务的”下载管理器”交互范式;并发上限(成本与混乱度) 追问3:Agent 之间的任务怎么协作展示? → 母任务+子任务树(357 题多 Agent 编排的可视化)—— 用户看总进度不迷失在子任务
644. Agent 失败:补偿与重试的用户体验?
概念 Agent 任务失败的产品分级:步骤失败(单工具调用挂——重试或跳过)、任务失败(整体未达成——部分成果交付)、方向失败(做完了但不是用户要的——结果不符)。三类失败的用户处理完全不同;358 题讲技术恢复——本题讲失败的产品语义。
典型场景 工具 API 挂了任务卡死;跑了 20 分钟结果全废;结果与要求不符谁负责。
解决方案 三步:失败分级处理 → 部分交付 → 责任与补偿。
第一步:失败分级处理
# 文件: agent-failure.txt
三级失败的应对:
步骤失败: 自动重试(退避, 126 题)→ 重试耗尽: 可跳过(标注"此步未完成")或换路径(Agent 自主绕行)——
绕行决策的展示("资料源 A 失败, 已改用 B")
任务失败: 明确失败+已完成部分交付(部分价值) +原因人话(607 题话术)
方向失败(做错方向): 尽早检查点(大纲/中间产物的确认—— 635 题阶段确认的 Agent 版)防"跑偏 20 分钟"
第二步:部分交付
# 文件: partial-delivery.txt
部分成果的交付设计:
明细: 完成 3/5 步, 已产出: [资料汇总]—— 失败不是全无
续跑: 修复后"从第 4 步继续"(358 题 checkpoint 的体验面)—— 重跑成本最小化
折扣语义: 按任务计费的功能对失败任务的计费豁免/部分计费(613 题计费与失败的口径)
第三步:责任与补偿
# 文件: agent-liability.txt
责任边界(640 题责任边界的失败场景):
工具故障(平台侧): 全责—— 补偿(额度返还)+致歉话术
指令模糊(用户侧): 引导补全("下次可以说明 XX, 效果更好")—— 教育而非责怪
模型能力: 平台持续改进(失败样本进评测, 676 题回流)—— 话术不甩锅给模型
已成危害的救济: Agent 误操作(误发邮件)—— 撤回通道(邮件撤回/公告澄清)+补偿(642 题撤销窗口的失败版)
总结:Agent 失败三级分治(步骤失败自动绕行、任务失败部分交付、方向失败检查点前置防跑偏);部分成果交付+断点续跑+失败计费豁免;责任按成因分(工具故障平台兜底、指令模糊做教育)。
追问1:怎么判断”方向失败”尽早? → 中间产物的强制确认点(长任务每 3~5 步一个轻确认)—— 信任建立后减少(642 题疲劳治理的平衡) 追问2:Agent 重试的风暴风险? → 重试的总量限制(单任务 token/次数上限)—— 失败循环的熔断(358 题 stall 思想);超限停+人工 追问3:失败样本怎么变成改进? → 失败任务的结构化归档(指令/步骤/失败点)→ 周评审分类(工具问题/提示问题/能力问题)—— 676 题评测集的最大来源
645. 定时与触发型 Agent:自动化订阅怎么做?
概念 Agent 的无人工形态:定时型(每天早上的日报 Agent)、事件触发型(有新邮件时摘要)、条件触发型(库存低于 X 时提醒)。产品化=自动化订阅:用户配置”何时+做什么+结果给谁”——本质是把 Agent 从对话变服务。
典型场景 “每天 9 点给我行业新闻摘要”;监控类自动预警;配置复杂没人会用。
解决方案 三步:订阅模型 → 配置体验 → 运行治理。
第一步:订阅模型
# 文件: agent-subscription.txt
订阅三元组: 触发(定时 cron/事件 webhook/条件阈值)+ 任务(Agent 的指令模板)+ 交付(通知渠道/报告格式)
模板化起步: 预置订阅模板(每日摘要/竞品监控/账单提醒)—— 用户改参数, 别从零配
自由化进阶: 自然语言配置("每天早上把飞书未读重点发我"—— 模板生成器: LLM 把口语转订阅配置)
第二步:配置体验
# 文件: subscription-ux.txt
配置三步走(向导式): 选触发→确认任务描述(预览将执行的指令)→选交付渠道
试运行: 立即跑一次看结果(配置正确性的验证—— 566 题导入预览的同款思想)
生效确认: 首次正式运行后收集反馈(结果符合预期吗)—— 订阅的留存起点
第三步:运行治理
# 文件: subscription-gov.txt
运行治理:
失败处理: 连续失败 N 次自动暂停+通知(别天天发失败邮件—— 607 题话术)
成本治理: 订阅的 token 预算(高频订阅的成本可见—— 613 题配额的订阅维度)
生命周期: 长期无互动的订阅提醒(结果没人看=订阅债—— 621 题知识腐化的订阅版)
空结果处理: 无事发生时要不要通知("今日无异常"vs 静默)—— 按订阅类型配(监控类要心跳)
总结:定时/触发型 Agent=订阅三元组(触发/任务/交付)模板化配置;试运行验证+首次反馈;治理靠失败自动暂停、成本可见、沉默订阅清理。
追问1:订阅和定时任务(426 题)的区别? → 订阅面向用户配置(自然语言+模板), 任务面向工程定义——同一调度基建(426 题), 不同配置面与治理 追问2:订阅结果的个性化演化? → 反馈学习(结果常被忽略→精简;常点开→加深)—— 639 题个性化生成的订阅版 追问3:多订阅的打扰总控? → 订阅聚合(多个订阅的结果合并晨报)+总频控(534 题触达时机的订阅应用)
646. 外部服务集成:邮件、日程 Agent 的授权与安全?
概念 邮件/日程/文档等个人服务的 Agent 集成:OAuth 授权(用户给 Agent 代理权)、权限范围最小化(邮箱只读 vs 可发)、代理行为的标识(AI 代发的邮件要不要标注)。核心风险:代理权的滥用面(授权后 Agent 是”半个你”)。
典型场景 Agent 读隐私邮件;AI 代发邮件被收件方质疑;授权后忘了撤。
解决方案 三步:授权设计 → 代理标识 → 隐私边界。
第一步:授权设计
# 文件: oauth-agent.txt
OAuth 集成的权限纪律(641 题授权流的具体化):
scope 最小化: 只要读就别申请写(邮件 readonly scope)—— 供应商 scope 支持度是选型因素
分级开通: 先只读集成(摘要/检索)跑顺, 再开写权限(用户主动升级)
授权审计: 授权/使用/撤销全程记录(什么时间 AI 用你的邮箱做了什么—— 649 题审计)
第二步:代理标识
# 文件: agent-identity.txt
AI 代理行为的标识(透明性):
发送类: 邮件可标注"由 AI 助手代发"(用户可选—— 平台默认开, 声誉与合规的平衡)
日历类: AI 创建的事件带来源标识(事件描述注明)
聊天类: AI 代回的消息标识(IM 集成的机器人身份—— 别冒充本人)
697 题内容标识的代理行为版: 标识的本质是"收件方的知情权"
第三步:隐私边界
# 文件: privacy-agent.txt
隐私的分级处理:
敏感内容过滤: 邮件摘要跳过敏感类(银行/医疗—— 关键词规则过滤, 标注"已跳过 N 封敏感邮件")
数据留存: 代理读取的内容留存策略(摘要留存 vs 原文即用即弃—— 693 题隐私体系)
撤权的数据处理: 撤销授权后已缓存内容删除(隐私政策承诺)
总结:外部服务集成的三条命:scope 最小化+分级开通、代理行为标识(代发/代建/代回透明)、隐私分级(敏感过滤+留存策略+撤权清理)。
追问1:供应商没有细粒度 scope 怎么办? → 全量 scope 的授权要用户强确认+使用面自律(只读操作);推动供应商(需求提给 Gmail/飞书—— 生态成熟度问题) 追问2:多服务的聚合 Agent(一个入口管所有)? → 授权栈管理页(所有已授权服务的总览—— 641 题授权管理的聚合版);每服务的最后使用时间(闲置授权提醒撤) 追问3:企业服务的集成谁授权? → 个人邮箱个人授;企业邮箱/共享日历=管理员授权(组织策略, 641 题企业版)—— 数据归属决定授权主体
647. 浏览器操作 Agent:能力与风险的边界?
概念 浏览器/桌面操作 Agent(Computer Use 类):模拟人的点击输入完成网页任务(下单/填表/比价)。能力价值:长尾网站没有 API 也能自动化;风险面:误操作(点错按钮)、安全(支付页面)、对抗(网站反爬/验证码)。
典型场景 让 Agent 帮忙在网站下单;操作过程录屏争议;网站改版后操作失效。
解决方案 三步:适用边界 → 执行防护 → 变化适应。
第一步:适用边界
# 文件: browser-agent-scope.txt
适合的(当前技术):
信息类任务: 比价/查票/资料收集(只读操作)—— 安全且有价值
半自动: 表单填写(Agent 填+人确认提交)—— 高危动作留给人
不适合(当前):
全自动支付/删除类(误操作代价高)、强对抗站点(验证码频繁)、高频任务(RPA 更稳, 651 题边界)
产品形态: "演示模式"(逐步展示操作—— 用户看着它点)起步建立信任
第二步:执行防护
# 文件: browser-guard.txt
执行防护四层:
域名白名单: 用户授权的站点才可操作(别让它乱逛—— 641 题工具分级的域名版)
操作黑名单: 支付/删除/发送按钮永不自动点(元素级识别: 金额输入框/危险按钮)
操作审计: 截图或录屏存档(干了什么可回看—— 纠纷证据与调试)
人工接管: 随时暂停→切换人工模式(用户接着操作—— 中断的无缝)
第三步:变化适应
# 文件: browser-fragile.txt
网站改版的脆弱性:
失败检测: 操作后验证(点了购买要看到购物车变化—— 结果断言)
自愈尝试: 换路径重试(按钮找不到了找替代入口)—— 有限重试后求助人工
沉淀: 成功操作路径的保存(常用站点的操作模板)—— 下次优先模板+变化检测
总结:浏览器 Agent 从只读信息任务与半自动表单起步;防护四层(域名白名单/操作黑名单/录屏审计/人工接管);对网站变化做结果断言+有限自愈+操作模板沉淀。
追问1:和 RPA 的区别? → RPA 是确定性脚本(稳定场景的工业化), 浏览器 Agent 是泛化能力(没见过的页面也能试)—— 高频稳定流程 RPA, 长尾灵活任务 Agent 追问2:验证码怎么办? → 转人工(用户过码—— Agent 等待)—— 别尝试绕过(绕验证码=攻击工具, 法律红线);部分站点可申请 API 权限替代爬操作 追问3:桌面操作(本地软件)的风险差异? → 影响面更大(本地文件/系统设置):沙箱执行(受限环境)与操作白名单更严格—— 桌面 Agent 的安全成本高一档
648. 内部工具 Agent:工单、运维、报表的落地策略?
概念 面向内部的 Agent(员工用):工单处理 Agent(分类/起草回复)、运维 Agent(查询诊断/执行预案)、报表 Agent(自然语言取数)。内部场景的特点:容错相对高(内部用户)、权限更敏感(内部数据)、价值在提效可量化(替代的人力工时)。
典型场景 客服团队要 AI 工单助手;运维值班要 AI 排障;取数需求排队想自助化。
解决方案 三步:场景优先级 → 权限与数据 → 价值度量。
第一步:场景优先级
# 文件: internal-agent-priority.txt
内部 Agent 的优先级判据(频率×耗时×容错):
工单分类/起草(660 题客服章的内部面): 高频+可审核(人发之前过目)—— 首选落地
运维查询类(只读): "帮我看看这个服务的日志/指标"—— 自然语言到查询(656 题取数同源)
报表取数: "上月华东区销售额"—— NL2SQL(严格只读+白名单表)
运维执行类(重启/扩容): 高危—— 预案绑定(runbook 内免确认, 642 题紧急授权)后才能做
第二步:权限与数据
# 文件: internal-agent-perm.txt
内部权限的特殊性:
员工身份继承: Agent 以员工身份查数据(你能看的它才能看—— 515 题数据权限的 Agent 透传)
数据不出域: 内部数据的模型选择(自部署或签数据协议—— 04 题 366 的内部数据版)
操作审计加倍: 内部 Agent 的执行记录进公司审计(合规要求比 C 端严—— 649 题审计的强化版)
第三步:价值度量
# 文件: internal-agent-value.txt
内部价值的量化(推广的弹药):
工时替代: 处理工单量×单件工时(623 题替代人工的内部版)
响应提速: 值班问题的处理时长对比(前后的 MTTR)
采纳率: 员工实际使用率(装了不用=零价值)—— 内部产品的留存同样真实
落地节奏: 一个团队试点(客服或运维)→ 数据说话→横向复制—— 内部推广与外部产品同逻辑
总结:内部 Agent 按频率×耗时×容错排优先级(查询与起草先行、执行类绑预案);权限继承员工身份、数据不出域、审计加倍;价值靠工时替代与采纳率量化,试点再复制。
追问1:NL2SQL 的幻觉风险? → 只读账户+白名单表+查询结果抽检;关键数字的双引擎验证(同一问题两个生成路径对比)—— 取数 Agent 的信任建立期要人审 追问2:内部 Agent 的错误谁兜底? → 流程定义: AI 起草人签发(责任在人);全自动场景的错误进内部事故流程(不是用户纠纷而是复盘)—— 内外部责任模型不同 追问3:员工会不会绕过用外部 AI? → 会(方便性压倒规定):堵不如疏(内部 Agent 体验做到不输外部+数据安全教育+DLP 监测外发—— 治理组合拳)
649. Agent 审计:执行记录怎么让用户与监管都信服?
概念 Agent 审计的双受众:用户(我授权的 AI 干了什么——信任)与监管/法务(出了事怎么追溯——合规)。审计内容:任务全档案(指令/计划/每步工具调用与参数/结果/确认记录)、留存策略、可导出。359 题讲可观测(技术指标)——本题讲审计的产品化。
典型场景 “AI 刚才把我的邮件发给了谁”;纠纷时拿不出执行记录;监管检查 Agent 行为合规性。
解决方案 三步:档案模型 → 用户视图 → 合规视图。
第一步:档案模型
# 文件: agent-audit-model.txt
任务档案(一次 Agent 任务的完整记录):
指令(用户原话+上下文)/ 执行计划与实际步骤流 / 每步: 工具+参数+结果摘要+耗时
确认记录: 哪些步骤经用户确认(确认卡快照—— 642 题纠纷时的证据)
最终产物与引用(617 题溯源)
存储: 结构化入库(可检索)+留存策略(默认 90 天, 合规场景更长—— 521 题留存纪律)
第二步:用户视图
# 文件: agent-audit-user.txt
用户的任务档案页:
时间线展示(步骤回放—— 像看录播);过滤高危动作(红色标出)
快速问答: "它碰我邮箱了吗"(工具维度的过滤视图)
导出: 任务档案导出(PDF/JSON—— 用户留证, 573 题数据权的 Agent 版)
隐私平衡: 档案里的敏感参数脱敏展示(密码类不回显, 641 题运行时控制的展示面)
第三步:合规视图
# 文件: agent-audit-compliance.txt
合规与法务的审计面:
检索: 按用户/时间/工具/结果(高危操作的全量检索—— 监管检查的响应能力)
不可抵赖: 档案的完整性(哈希链或签名—— 篡改可检测, 285 题链式思想)
定期报告: Agent 高危操作统计月报(合规自检的常态化)
事件响应: 出事时的取证包(相关任务档案一键导出—— 521 题审计的事件版)
总结:Agent 审计=任务全档案(指令/步骤/确认/产物)结构化留存;用户视图(时间线回放+工具过滤+导出留证)与合规视图(检索/防篡改/月报/取证包)双面;敏感参数展示脱敏。
追问1:档案的存储成本? → 步骤结果摘要化存(不是原始全量—— 大结果存引用);冷热分层(近期热存/历史归档, 526 题生命周期) 追问2:用户能删档案吗? → 与会话删除联动(604 题删除权的延伸);但已发生的高危操作记录按合规保留(匿名化处理)—— 删除权与审计义务的平衡 追问3:审计怎么防”Agent 自己改档案”? → 档案写入与 Agent 执行隔离(审计管道独立—— Agent 无档案写权限);哈希链校验(285 题同源)
650. Agent 还是工作流:产品功能怎么选形态?
概念 自动化任务的两种形态:工作流(确定性流程:步骤写死、分支明确——报表生成/审批流)与 Agent(自主决策:LLM 判断下一步——开放性任务)。判据:流程的确定性(能枚举步骤就工作流)+异常密度(异常多用 Agent 灵活应对,异常少工作流稳定)。387 题讲”确定编排别伪装 Agent”——本题是产品形态决策。
典型场景 团队”什么都要 Agent”;简单流程套 Agent 又慢又不稳;复杂决策硬写 if-else 维护爆炸。
解决方案 三步:判据矩阵 → 混合形态 → 演进路径。
第一步:判据矩阵
# 文件: agent-vs-flow.txt
两问定型:
流程能枚举吗? 能(步骤固定)→ 工作流; 不能(看情况决定下一步)→ Agent
异常路径多吗? 少(主干清晰)→ 工作流+人工异常; 多(长尾)→ Agent
例子: 每日报表(固定)→工作流; 客户咨询(开放)→Agent;
工单处理(主干固定+长尾)→混合: 工作流主干+Agent 兜底异常
第二步:混合形态
# 文件: agent-flow-hybrid.txt
主流是混合:
工作流为骨: 主干步骤固定(可测可审—— 473 题门禁友好)
Agent 为节点: 骨干中的智能节点(分类/抽取/生成—— 单步用 AI, 流程不用 AI 决策)
Agent 兜底: 工作流处理不了的转 Agent(灵活救援)或转人
产品表达: "自动化流程"(工作流)与"AI 助手"(Agent)是两个功能入口—— 用户按任务性质选
第三步:演进路径
# 文件: agent-flow-evolve.txt
演进双向:
工作流 → Agent: 流程的异常分支越积越多(维护爆炸)→ 异常段交给 Agent(逐步让渡)
Agent → 工作流: Agent 的决策路径稳定化(日志分析出高频模式)→ 固化为工作流(稳定性)
判据复检: 季度审视(这个 Agent 的步骤分布—— 90% 走同一路径就该固化成工作流)
总结:Agent vs 工作流的两问判据(流程可枚举?异常密度?);混合是主流(工作流为骨+Agent 节点+Agent 兜底);双向演进(异常多了让渡给 Agent、路径稳了固化成工作流)。
追问1:为什么”全 Agent”是反模式? → 不可测(每次路径不同—— 回归测试无从下手)+慢(每步 LLM 决策)+贵—— 确定性需求用确定性工具(Agent 是手段不是目的) 追问2:用户能自建工作流吗? → 自动化配置(645 题订阅是简化版);完整工作流编辑器是 ToB 高阶功能(可视化编排, 补充问题 8 的平台化路线) 追问3:Agent 的”自主性”怎么分级营销? → 诚实分级: L1 建议(人执行)/L2 半自动(人确认)/L3 自主(规则内)—— 自主性越高确认机制越重, 不是”全自动”一刀切
651. MCP 与工具生态:第三方工具的开放策略?
概念 MCP(354 题讲了协议)让 Agent 接入工具标准化;产品层的生态策略:自营工具(核心体验闭环)、第三方接入(生态扩展)、用户自建(高级用户的 webhook/自定义工具)。开放的三难:质量(第三方工具的可靠性)、安全(第三方工具的权限)、分成(生态商业模式)。
典型场景 要不要开放第三方工具接入;用户自建工具的需求;坏工具砸了平台口碑。
解决方案 三步:工具分层 → 接入治理 → 商业模式。
第一步:工具分层
# 文件: tool-ecosystem.txt
三层工具生态:
自营: 核心场景(搜索/日程/自家业务)—— 体验与质量的标杆
认证第三方: 平台审核上架(工具市场)—— 生态广度
用户自建: webhook/MCP server 自定义(开发者用户)—— 长尾需求出口
分层与 641 题权限联动: 第三方工具的默认权限更保守(信任梯度)
第二步:接入治理
# 文件: tool-governance.txt
工具市场治理(应用商店逻辑):
上架审核: 功能真实/安全扫描(工具行为与声明一致—— 353 题工具设计规范的强制版)
运行监控: 调用成功率/用户投诉率(差工具下架—— 应用商店的排名与淘汰)
权限声明: 工具声明的权限与实际行为比对(超范围调用检测—— 恶意工具识别)
用户评价: 工具的评分与评论(生态的口碑治理)
安全红线: 第三方工具的数据流(用户数据经第三方?—— 声明与脱敏策略, 693 题联动)
第三步:商业模式
# 文件: tool-business.txt
生态的商业设计:
免费+付费工具(工具订阅/按次分成)—— 应用商店模式
平台抽成与自营边界(自营别挤压生态—— 平台经济的经典矛盾, 政策合规敏感)
开发者激励(收入分成/流量扶持)—— 生态冷启动
总结:工具生态三层(自营标杆/认证第三方广度/自建长尾);治理走应用商店模式(审核/监控/下架/评价+数据流红线);商业设计平衡自营与生态。
追问1:用户自建工具的安全怎么管? → 自建工具仅自己可用(不进市场)+权限自担(明示风险)+平台检测异常行为(641 题运行时控制覆盖) 追问2:MCP 会统一工具生态吗? → 协议标准化在发生(354 题);但各平台的商店治理与商业规则仍是自己的—— 标准接口+平台生态并存(类比 App 与小程序) 追问3:工具的版本与兼容? → 工具 schema 变更的兼容责任(第三方改接口): 平台的版本协商机制+破坏性变更的过渡期—— 生态稳定性工程
五、搜索与推荐 AI 化(652–659)
652. 语义搜索:默认替换还是可选开关?
概念 语义搜索(向量检索)上产品的两种姿态:默认替换(搜索直接语义化——体验激进)、并列开关(用户可选”语义搜索”——保守)。决策依据:语义与关键词的效果对比(按 query 类型分)、成本(向量链路贵)、用户认知(搜不准时的归因)。542 题讲了混合架构——本题是产品姿态。
典型场景 语义搜索上线后精确搜索(型号)反而变差;用户不理解”语义搜索”是什么;成本翻倍。
解决方案 三步:姿态决策 → 混合的静默化 → 指标验证。
第一步:姿态决策
# 文件: semantic-posture.txt
默认混合(推荐): 底层 BM25+向量混合(542 题), 用户无感知——
精确 query(型号/名字)自动偏关键词, 口语 query 偏语义(query 分类路由, 04 题 367 同源)
显式开关的适用: B 端专业搜索(用户懂"精确匹配"的价值—— 法条检索要字面)
姿态判据: 用户群的专业度(大众=静默混合, 专业=可切换)
第二步:混合的静默化
# 文件: hybrid-silent.txt
静默混合的体验细节:
结果标识: 语义命中的结果标"相关"(不是完全匹配)—— 诚实的高亮(545 题同义高亮)
纠错提示: 语义匹配差异大时("没有精确匹配, 显示相关结果")—— 546 题空结果兜底联动
反馈回流: "这不是我要的"点击→ 该 query 下调语义权重(在线学习的产品入口)
第三步:指标验证
# 文件: semantic-metrics.txt
上线验证(576 题实验):
主指标: 搜索点击率/零结果率(语义应显著降零结果)
分层看: query 类型(口语类受益、精确类不降)—— 整体数字会掩盖精确类的退化
成本: 向量链路的单次检索成本×QPS—— 收益(转化)与成本的对账(691 题)
总结:语义搜索的默认姿态是“静默混合”(query 类型自动路由),显式开关留给专业场景;结果诚实标识+反馈回流调权;验证按 query 分层(口语受益、精确不退)。
追问1:语义搜索的延迟会变差吗? → 向量检索毫秒级但 embedding 编码 query 需要几十毫秒—— 整体 P99 可控(混合并行);用户感知差异主要在首屏而非慢 追问2:多语言混搜(中英混合query)? → 多语言 embedding 天然支持(补充问题 4)—— 语义搜索对混搜的提升比单语更明显(关键词分词无能为力的场景) 追问3:语义搜索的”错”更隐蔽怎么办? → 语义错(意思近但非所要)比关键词错更难归因—— 引用/命中文本的展示(它为什么出现)是调试位: 545 题摘要的语义版
653. 推荐冷启动:新用户与新物品怎么破?
概念 推荐系统(04 批 652 系的工程)的冷启动双难:新用户(无行为——用注册信息/热门/兴趣引导)与新物品(无交互——内容特征/流量扶持)。产品侧武器:显式兴趣选择(注册引导)、探索流量(新内容保底曝光)、跨域信号(同用户其他产品行为)。
典型场景 新用户首屏推荐不准(流失);新创作者内容没人看(供给流失);冷启动推荐全靠热门(马太)。
解决方案 三步:新用户策略 → 新物品策略 → 冷热过渡。
第一步:新用户策略
# 文件: cold-user.txt
新用户的信号采集与推荐:
显式: 注册兴趣选择(标签选择页—— 575 题画像的冷启动采集)+首刷行为(前 20 刷的点击即信号)
隐式: 安装来源渠道(渠道包预置兴趣)、设备与地域粗特征
兜底: 热门+多样(冷启动期推多样内容—— 快速试探兴趣: 前几刷刻意多样性)
体验节奏: 首次打开 3~5 刷内完成兴趣校准(明显变准)—— 冷启动窗口的用户留存是生死线
第二步:新物品策略
# 文件: cold-item.txt
新物品(内容/商品)的曝光机会:
内容特征: embedding(标题/图/类目)进召回(新物品靠内容相似找受众—— 不依赖行为)
流量扶持: 保底曝光池(新内容前 N 次曝光保障)—— 供给侧公平(544 题新品保护的推荐版)
快速试探: 小流量多路试(不同人群各试一点, 数据快速积累)
创作者冷启动: 新号扶持期(与平台供给策略挂钩—— 内容生态的健康投资)
第三步:冷热过渡
# 文件: cold-warm.txt
冷启动到个性化的过渡:
置信度切换: 行为量<阈值用规则(热门+兴趣标签), >阈值切模型(平滑过渡不是跳变)
探索与利用平衡: 老用户也要探索(ε-greedy/多样性配额—— 推荐不陷入茧房, 655 题)
兴趣漂移: 季节性/阶段性的兴趣变化(近期行为加权)—— 冷启动机制其实是终身在跑(新兴趣=局部冷启动)
总结:冷启动双线:新用户靠显式选择+多样试探快速校准、新物品靠内容特征+保底曝光;置信度平滑过渡;探索机制让“局部冷启动”终身有效。
追问1:注册兴趣选择页有用吗? → 有但有限(用户选的与实际行为偏差大):它给的是安全底线(不推反感的), 真实兴趣靠行为—— 引导页轻量(3 选 1 组)别做成问卷 追问2:跨域推荐(集团数据)合规吗? → 要用户授权(数据共享的合规框架—— 693 题联动);无授权不可默认打通(个保法红线) 追问3:冷启动推荐的评价? → 分群评价(新用户 CTR 单独看—— 整体 CTR 会被老用户淹没);冷启动窗口的留存(次日/7 日)是北极星
654. 推荐解释性:“为什么推荐给我”要不要做?
概念 推荐解释的形态:标签式(“因你看过 X”)、社交式(“好友也在看”)、透明式(“根据你的浏览历史”)。价值:信任与可控感(用户理解→可接受)与点击提升(解释即卖点);成本:解释的真实性(编的解释被识破=反噬)。
典型场景 用户觉得”被监视”(推荐太准的恐怖谷);解释文案千篇一律没感觉;要不要做”减少此类推荐”。
解决方案 三步:解释生成 → 可控性入口 → 恐怖谷治理。
第一步:解释生成
# 文件: rec-explain.txt
解释的真实性纪律:
基于真实信号: 命中的召回理由(看了同类/搜过相关词)—— 别用模板编造("猜你喜欢"可以, "因你搜过X"必须真搜过)
粒度: 兴趣类目级("数码爱好者")vs 单条行为级("看过 iPhone 评测")——
类目级隐私舒适度高, 行为级解释力强;按场景配
可解释的工程: 召回路径透传(多路召回时记录命中路径—— 656 题多路的产品接口)
第二步:可控性入口
# 文件: rec-control.txt
"不感兴趣"与"减少此类":
负反馈入口: 每条推荐的"不感兴趣+原因"(内容差/看过了/不相关)—— 信号回流调权
管理页: "我的兴趣标签"(可增删—— 用户接管推荐的显式入口, 575 题画像的用户视图)
关闭推荐: 658 题隐私边界的入口(退回时间线/热度序)
第三步:恐怖谷治理
# 文件: uncanny-valley.txt
推荐"太准"的不适感:
敏感类目不推或弱推(健康/孕产/情感—— 精准推断这类信息=被监视感): 类目黑名单与模糊化
跨设备/线下行为的推荐慎用(刚聊完就推=窃听疑云): 高敏信号的延迟与稀释(不即时反映)
解释的尺度: 太详细("因为你昨天 23:15 搜索了 X")=惊悚—— 解释到类目不到行为明细
总结:推荐解释基于真实召回路径、类目级粒度更舒适;负反馈与兴趣管理页给用户接管权;敏感类目与高敏信号治理“恐怖谷”——准是能力,不吓人是分寸。
追问1:解释会降低点击吗? → 个别场景(解释太弱):“推荐”两字也零信息;好解释(相关卖点)提升点击—— 解释是文案位不是免责声明 追问2:监管对推荐透明的 要求? → 算法推荐规定:提供不针对个人特征的选项(658 题关闭权)+算法基本原理公示—— 合规是底线不是可选 追问3:解释的 A/B? → 解释形式实验(有无/粒度/文案风格)对点击与负反馈率的双指标—— 576 题框架直接套用
655. 热点与个性化:信息茧房怎么破?
概念 推荐的两股力量:个性化(投其所好——粘性)与多样性与热点(公共视野——生态健康)。茧房的解法不是“少个性化”而是:多样性配额(推荐流强制混入异质内容)、热点保底(公共事件不缺席)、破茧入口(主动探索的产品位)。
典型场景 推荐流越刷越窄;重大公共事件用户不知道(平台责任);创作者觉得”小众内容没活路”。
解决方案 三步:多样性工程 → 热点机制 → 破茧产品位。
第一步:多样性工程
# 文件: diversity-eng.txt
多样性的工程手段:
类目配额: 单刷(一屏)类目分散(同为视频类不超 60%)—— 打散规则(MMR/DPP 类算法)
探索流量: ε-greedy(小比例随机探索)+新类目试探(653 题探索的常态化)
兴趣边界外推: 相邻兴趣扩展(喜欢篮球→体育新闻, 不止篮球集锦)—— 兴趣图谱的邻域推荐
度量: 类目熵(用户的推荐流多样性)与用户长期留存的平衡实验—— 茧房假设的数据验证
第二步:热点机制
# 文件: trending-mix.txt
热点混入的产品位:
热点卡(固定坑位): 热点事件卡(可关闭"暂时减少热点")—— 公共视野的保底
重大事件的强触达: 公共安全类(灾害/疫情)突破个性化直推—— 平台责任的例外通道(带审核)
热点的解释: 热点卡标"大家都在看"(非个性化标识—— 654 题解释的热点版)
第三步:破茧产品位
# 文件: bubble-break.txt
主动破茧的入口:
频道/话题页(用户主动换频道—— 被动流之外的主动探索)
"换一换"刷新(推荐不满意的重摇—— 探索的产品化)
搜索(用户意图的终极表达—— 搜索与推荐的分流互补, 542/652 题体系)
总结:反茧房三件:多样性工程(类目配额+探索流量+邻域外推)、热点保底(热点坑位+公共事件例外)、破茧入口(频道/重摇/搜索);茧房治理用多样性熵与长期留存双指标验证。
追问1:多样性会不会伤短期指标? → 会(点击率降)—— 但长期留存与生态健康是更大目标;A/B 要跑长周期(短期点击的假胜利, 576 题时长) 追问2:热点怎么识别与审核? → 热点信号(突发搜索/发布量)+内容审核(热点的谣言风险高—— 550 题审核的热点优先级);运营的置顶与压制通道(544 题干预位) 追问3:创作者生态的公平? → 流量分布监控(头部集中度趋势—— 马太化的预警);新创作者扶持位(653 题新物品策略的创作者版)
656. 多路召回:产品可配置的推荐策略怎么做?
概念 推荐的多路召回(协同过滤/内容相似/热门/关注关系/搜索意图延续)是工程标配;产品侧的问题是:多路的配比谁能调(算法团队调参 vs 产品/运营可配置)、场景差异(首页/搜索后/详情页的推荐目的不同配比不同)。
典型场景 运营想“大促期间热门权重高一点”;首页与商品详情的推荐用同一套;调参依赖算法排期。
解决方案 三步:场景化配比 → 配置分层 → 效果归因。
第一步:场景化配比
# 文件: recall-scenes.txt
场景×目的×配比:
首页信息流: 发现(兴趣探索)—— 个性化为主+多样性配额
搜索结果页: 延续(意图相关)—— 搜索意图召回为主(搜手机别推衣服)
详情页相关: 关联(同需求)—— 内容相似+互补(买了手机推壳)—— i2i 的场景化
购物车/结算: 转化(凑单)—— 互补与优惠敏感
每个场景独立配比(同一个模型不同召回配比—— 产品定义场景目的)
第二步:配置分层
# 文件: recall-config.txt
配比配置的三层:
算法层(默认): 模型自动(在线学习的动态配比)—— 基线
运营层(临时): 活动期间的场景覆盖(大促: 热门+活动商品加权的临时配比, 到期自动恢复)——
596 题配置下发的推荐版(带生效时间)
策略层(长期): 产品的长期策略(新用户体验的探索加权, 653 题联动)
配置的审计与回滚: 配比变更影响流量巨大—— 变更留痕+可回滚(521/469 题纪律)
第三步:效果归因
# 文件: recall-attribution.txt
多路效果的归因(调参的依据):
召回路径埋点: 每次曝光记录命中路径(654 题解释的数据源)—— 各路的 CTR/转化单独可看
分层实验: 配比调整走实验(576 题)—— 运营配置也要实验(别拍脑袋配)
长期监控: 各路贡献趋势(某路持续走弱=该模型该训了—— 工程信号)
总结:多路召回按场景配比(首页发现/搜索延续/详情关联/结算转化各得其所);配置三层(算法自动/运营临时覆盖/产品长期策略)带审计回滚;召回路径埋点支撑归因与实验。
追问1:运营配比的边界? → 临时性(活动期)可运营调;结构性(长期配比)归算法团队—— 边界写进治理规则(避免外行调参事故) 追问2:冷启动场景的配比特殊化? → 新用户探索加权(653 题)是配比的特殊档—— 用户分层×场景的二维配置 追问3:为什么不能用一个“终极模型”替代多路? → 多路是工程妥协也是价值(可解释/可干预/可降级—— 某路挂了其他兜底);端到端模型的不可控性在产品场景是劣势
657. 推荐位管理:坑位、实验与效果怎么做?
概念 推荐位(Feed/猜你喜欢/看完再看)是产品资产:坑位的库存管理(哪些内容类型能进)、实验体系(每个坑位的策略可实验)、效果核算(坑位的 CTR/转化/商业价值)。运营视角:推荐位是”流量分配的权力”——治理透明化。
典型场景 推荐位被商业化挤占(用户体验降);同一坑位多策略打架;推荐位的效果没人说得清。
解决方案 三步:坑位治理 → 实验体系 → 效果核算。
第一步:坑位治理
# 文件: slot-gov.txt
坑位的库存与规则:
类型配额: 坑位内容构成(自然推荐 70%+运营位 20%+商业 10%—— 产品策略显式化)
运营位: 人工干预(活动/公告)的固定配额(544 题干预位的推荐版)—— 有配额就有节制
坑位文档: 每个推荐位的定义(场景/目的/当前策略/负责人)—— 推荐资产的可管理化
第二步:实验体系
# 文件: slot-experiment.txt
坑位的实验纪律:
单坑位实验: 策略变更按坑位实验(别全局动)—— 576 题框架
正交分层: 同用户多坑位实验的分层正交(坑位间不互相污染—— 实验平台能力)
灰度周期: 推荐策略的长周期观察(短期点击≠长期价值, 655 题教训)
第三步:效果核算
# 文件: slot-value.txt
坑位价值核算:
用户体验指标: CTR/停留/负反馈率(每个坑位独立)
商业指标: 商业坑位的 eCPM 与用户伤害(LTV 损失)的对账—— 商业化流量定价的依据
季度复盘: 坑位清单的效果与去留(低价值坑位下线—— 推荐位的断舍离, 570 题看板债同源)
总结:推荐位按资产治理:类型配额显式化(自然/运营/商业)、运营位有节制、坑位文档化;实验按坑位+正交分层+长周期;价值双账(体验与商业)季度复盘。
追问1:商业与自然的混排怎么定? → 混排的目标函数(体验约束下的收益最大化):eCPM 与体验分的联合排序+商业密度上限(每刷广告数的硬上限)—— 商业化产品的核心算法决策 追问2:坑位的空档(无内容可推)? → 召回兜底层(热门填充)—— 宁可推热门不空着;空档率监控(召回不足的信号) 追问3:新推荐位的冷启动策略? → 新坑位观察期(保守策略+高日志)→ 数据积累后放开—— 新坑位也是新“功能”(594 题灰度思想)
658. 个性化与隐私:推荐关闭权怎么落地?
概念 推荐的隐私权产品面(693 题合规的推荐场景):关闭权(法规要求:提供非个性化选项)、透明度(为什么推这个, 654 题)、数据管理(行为数据的查看与删除)。落地姿态:关闭入口可达性(别藏)、关闭后的体验(热度序的产品价值)、重开的引导。
典型场景 用户找不到关闭推荐的入口;关闭后产品没法用(逼开);监管检查关闭权落实。
解决方案 三步:关闭权落地 → 关闭后体验 → 数据权联动。
第一步:关闭权落地
# 文件: rec-off.txt
关闭权的合规落地(算法推荐规定):
入口: 设置→隐私/推荐管理(两步可达—— 别藏三级以下);帮助中心的直达链接
粒度: 全部关闭 + 分类关闭(只关商品推荐保留内容推荐)—— 粒度体现尊重
生效: 即时生效(下次刷新)—— 关了还推=违规与差评双杀
第二步:关闭后体验
# 文件: rec-off-ux.txt
关闭后的推荐替代:
热度/时间序(公共序): 产品仍有内容可用(关闭≠空白)—— 关闭权不逼产品自杀
编辑选择(关注/订阅流): 用户主动订阅的内容源(600 题关注流的语义)—— 非算法的内容获取
重开引导: 自然时机提示(不用个性化也能用, 但个性化更准—— 用户自由选择)
第三步:数据权联动
# 文件: rec-data-rights.txt
行为数据的数据权(693 题联动):
查看: "用来推荐的数据"(兴趣标签视图, 654 题管理页)
删除: 行为数据删除(推荐重置—— 数据删了画像重建)
用途开关: "行为数据用于推荐改进"(训练用途的单独授权—— 与使用用途分开)
总结:推荐关闭权三律:入口两步可达、粒度可选、即时生效;关闭后给公共序(产品仍可用)与重开自由;数据权(查看/删除/用途授权)与关闭权联动落地。
追问1:关闭推荐的用户多吗? → 少(1~5%)但他们的差评影响大(隐私敏感用户的口碑传播);关闭率是产品“信任温度计”—— 突涨要查原因(恐怖谷事件? 654 题) 追问2:关闭权影响商业指标怎么办? → 商业指标让位于合规(没得选);产品设计最小化影响(关闭后公共序仍有商业位—— 商业与个性化解耦) 追问3:未成年人的推荐特殊化? → 未成年人模式(内容池限制+时长+商业关闭)—— 监管明确要求, 识别(实名+家长授权)是前提(699 题联动)
659. 推荐降级:AI 服务故障时的兜底?
概念 推荐链路(召回/排序的模型服务)故障的降级阶梯:模型服务挂→缓存结果(近期推荐快照)→规则推荐(热门+类目)→静态榜单。设计原则:推荐永远是“增强”不是“必需”——页面没有推荐也能用。284 题熔断思想的推荐产品版。
典型场景 向量库故障首页空白;模型服务超时拖垮页面;降级后体验断崖。
解决方案 三步:降级阶梯 → 降级体验 → 演练。
第一步:降级阶梯
# 文件: rec-degrade.txt
四级降级(逐级放弃智能):
L1 正常: 全链路(召回+精排)
L2 粗排降级: 精排模型挂→ 只召回(排序用简单分)—— 质量降但可用
L3 规则推荐: 召回也挂→ 热门+类目规则(缓存的热榜)
L4 静态兜底: 运营预置的兜底位(静态配置的榜单/精选)
自动切换: 依赖健康检查+熔断(284 题机制)自动降级, 恢复自动升级
第二步:降级体验
# 文件: degrade-ux.txt
降级期的体验设计:
用户无感为目标(L2/L3 质量降不是空白)—— 推荐列表的空态是事故
刷新建议: 降级期提示"推荐服务波动"(诚实但轻量—— 别恐慌性公告)
其他入口保活: 搜索/关注流不受影响(用户有替代路径, 542/655 题体系的价值)
第三步:演练
# 文件: degrade-drill.txt
降级的演练(299 题体系):
季度注入演练: 手动触发各级降级(验证切换与恢复)
指标确认: 降级期的页面可用性(错误率不升—— 降级的意义)
降级时长治理: 降级不是常态(降级超 X 分钟升级告警—— 模型服务要修)
总结:推荐降级四级阶梯(全链→粗排→规则→静态)自动切换;体验目标是无感(质量降不空白)、搜索关注流是替代路径;季度演练+降级超时升级。
追问1:降级的缓存推荐怎么保鲜? → 近期推荐快照(TTL 数小时)+热门榜(定时刷新)—— 冷缓存兜底与新鲜的平衡;全静态只是最后防线 追问2:降级期间的数据要标记吗? → 要(降级期数据不进训练/实验评估—— 否则污染模型与实验结论, 676 题数据治理) 追问3:部分降级(某一路召回挂)? → 单路熔断(该路 0 权重, 其余路补偿)—— 多路架构的韧性红利(656 题工程面的价值)
六、AI 客服与支持(660–667)
660. AI 客服与人工:分工边界怎么划?
概念 AI 客服的能力定位三档:全自助(AI 独立解决——FAQ/查询类)、AI 辅助人工(AI 起草、坐席发送——复杂问题)、人工为主(AI 旁路建议)。分界判据:问题的确定性(标准答案)×情绪敏感度(投诉要人)×风险等级(资金纠纷要人)。
典型场景 AI 客服答非所问激怒用户;人工成本没降;简单问题也转人工(效率双输)。
解决方案 三步:分工矩阵 → 转接设计(661 题) → 价值核算。
第一步:分工矩阵
# 文件: cs-ai-division.txt
问题×处理方式矩阵:
标准问题(查订单/政策咨询): AI 全自助—— 解决率主力
半标准(退换货申请): AI 引导+关键步骤人工审核(HITL, 642 题思想)
情绪/纠纷(投诉/赔偿): 直接人工(情绪识别触发, 667 题)—— AI 处理情绪是火上浇油
风险类(资金争议/法律): 人工+AI 辅助(检索政策依据给坐席—— 663 题座席助手)
第二步:转接设计
# 文件: cs-transfer-design.txt
转人工的三通道(661 题详述):
用户主动: "转人工"按钮(永远可见—— 别玩隐藏)
AI 识别: 解决不了(多轮无解/用户情绪)主动转—— 识别能力决定体验
坐席反向: 高价值用户/复杂工单人工优先接入
SLA 分层: VIP 直通人工(商业策略)/普通用户 AI 优先(人工排队与预期管理)
第三步:价值核算
# 文件: cs-ai-value.txt
AI 客服的价值账(648 题内部度量的客服版):
自助解决率: AI 独立关闭的会话占比(主力指标, 行业 40~70%)
人工节省: 转人工率下降×坐席成本
体验账: 满意度不降(CSAT 对比—— 效率不能牺牲体验)
负面清单: AI 强留用户(该转不转)的投诉—— 转接率与解决率的平衡比单纯解决率重要
总结:AI 客服按“确定性×情绪×风险”分工(标准自助、半标准混合、情绪风险人工);转人工三通道永远通畅;价值看自助解决率+人工节省+满意度不降的三角。
追问1:AI 客服的目标解决率? → 按业务定(电商 60%+/B 端技术支持 30%), 盲目追高(该转不转)伤体验—— 解决率与满意度的帕累托 追问2:夜间/高峰的 AI 策略? → 夜间全 AI(人工不在, AI+留言);高峰 AI 挡简单问题(人工排队缓解)—— AI 是弹性产能 追问3:AI 客服的知识从哪来? → 624 题 FAQ 体系+621 题知识运营—— 客服是知识库的最大消费场景(质量决定上限)
661. 转人工:时机、上下文与排队体验怎么做?
概念 转人工的三件产品事:时机(什么时候转——不该让用户求转)、上下文交接(AI 对话记录给坐席,用户别重述)、排队体验(等待的预期管理)。转接质量是 AI 客服的口碑生命线:一次糟糕转接抵消十次好的自助。
典型场景 转人工后重述问题(愤怒值顶点);排队 20 分钟无预期;坐席看到的与用户说的不一样。
解决方案 三步:转接时机 → 上下文交接 → 排队体验。
第一步:转接时机
# 文件: transfer-when.txt
转接触发信号:
用户显式: 转人工指令(第二次提"人工"直接转—— 第一次可温和确认"我帮不了吗")
AI 判定: 连续 2 轮未解决(意图识别失败)/用户情绪(667 题识别)/高危关键词(投诉/曝光)
主动权教育: AI 对话中的"转人工"入口常显(不是聊死才出现)
第二步:上下文交接
# 文件: transfer-context.txt
交接包(坐席端看到):
用户信息(会员等级/历史工单)+AI 对话摘要(AI 已确认的信息/已尝试的方案)+用户诉求预判
用户的"零重述"体验: 坐席开口第一句已带着上下文("您反馈的订单 XX 延迟问题…")
AI 摘要的质量要求: 关键事实准确(订单号/时间线—— 630 题纪要的转接版)
第三步:排队体验
# 文件: queue-ux.txt
排队的产品设计:
预期: 排队位置+预计等待("前方 3 人, 约 5 分钟")—— 未知等待感更长(心理学的产品应用)
保持: 等待期的留言(先说问题, 接通即处理)+异步化选项(留电话回拨—— 高峰的泄流)
超时: 等待超阈值的补偿姿态(优惠券/优先权—— 服务补救)
VIP/场景优先: 排队策略(付费用户优先—— 商业策略显式化, 别暗箱)
总结:转人工=时机(显式指令+AI 主动识别)、上下文零重述(交接包给坐席)、排队有预期(位置/时长/异步泄流/超时补救);转接体验是 AI 客服的口碑底线。
追问1:坐席端怎么展示 AI 对话? → 时间线折叠(AI 摘要置顶+原文可展开)—— 坐席 3 秒进入状态;别让坐席读 20 轮原文 追问2:转人工后的 AI 还在吗? → 旁路辅助(663 题座席助手: 人工对话中 AI 继续给建议)—— 转接不是 AI 退场是 AI 换岗 追问3:转接率多少健康? → 与解决率联看: 解决率 60%+转接率 30% 健康区间(业务差异大);转接率突升=AI 质量回退的警报(676 题护栏)
662. 工单自动分类与路由:AI 分诊怎么做?
概念 客服工单的 AI 分诊:意图分类(退款/咨询/故障)、优先级判定(情绪/ VIP/关键词)、路由(对应技能组)。636 题抽取的分类应用——本题的运营化:置信度分流(高置信自动路由/低置信人工分诊)、分类体系的管理(工单标签体系与知识库联动)。
典型场景 工单分错组来回踢;紧急工单被普通处理;分类体系越来越乱。
解决方案 三步:分诊管道 → 分类治理 → 效果度量。
第一步:分诊管道
# 文件: ticket-triage.txt
分诊管道:
输入: 工单文本+用户上下文(历史/会员)
分类: 意图(多标签)+紧急度+情绪—— 结构化输出(补充问题 9)
置信分流: 高置信→自动路由对应组;低置信→默认组+人工重分类(重分类结果回流训练)
优先级规则: 情绪激动/VIP/资金类升优先级(规则与模型结合—— 确定性规则兜底)
第二步:分类治理
# 文件: ticket-taxonomy.txt
分类体系治理(标签债的防治):
体系设计: 两级分类(大类-小类)封闭集合(受控词表, 634 题纪律)—— 别自由生长
变更流程: 新增/合并类的评审(运营+产品)+历史工单的重分类(体系变更的迁移)
与知识库联动: 分类×知识文档映射(624 题 FAQ 的分类索引)—— 分诊即知识路由
第三步:效果度量
# 文件: triage-metrics.txt
分诊效果:
准确率: 人工重分类率(被改组的比例)—— 越低越准
时效: 自动分诊的即时 vs 人工分诊的延迟(分诊提速是直接价值)
路由健康: 组间流转率(踢皮球指标—— 分错+职责不清双信号)
总结:工单分诊=结构化分类+置信分流(高自动低人工)+规则升优先;分类体系受控治理并与知识库联动;度量看重分类率、分诊时效、组间流转。
追问1:多语言工单? → 多语言分类模型(或先翻译后分类);小语种的兜底(通用组+人工)—— 出海客服的分诊注意 追问2:紧急工单漏判的代价? → 舆情级(故障批量投诉被普通处理)—— 突发量的聚类检测(同主题工单激增=事件信号, 553 题暴涨联动)自动升级 追问3:分诊能直接解决吗? → 分类+FAQ 命中(高置信)可自动回复(660 题自助)—— 分诊是入口, 解决看知识: 一条管道两段能力
663. 座席助手:人工坐席的 AI 辅助怎么做?
概念 座席助手(坐席 Copilot):对话中的实时建议(答案建议/政策检索/下一步动作)、会话后的辅助(摘要/工单填写/质检预打分)。设计核心:建议的呈现方式(不打断坐席节奏)+采纳机制(建议的信任建立)。
典型场景 坐席不看 AI 建议(不信);建议弹窗打断节奏;新人坐席与老坐席的需求差异。
解决方案 三步:实时建议 → 采纳与学习 → 会话后辅助。
第一步:实时建议
# 文件: copilot-suggest.txt
实时建议的形态(不打断原则):
侧栏卡片: 候选回复(2~3 条, 基于知识库检索生成)—— 坐席一键采用/编辑/忽略
上下文提示: 用户情绪/订单状态/适用政策(信息聚合—— 坐席的"第二块屏")
时机: 用户消息到达即更新(流式生成, 602 题技术);坐席打字时建议淡化(别抢戏)
第二步:采纳与学习
# 文件: copilot-adoption.txt
采纳飞轮:
采纳/编辑/忽略的埋点(611 题信号)—— 建议质量的数据
编辑 diff 学习: 坐席怎么改建议(改措辞=风格问题;改事实=知识问题)—— 分类优化
个人化: 老坐席(经验丰富建议精简)/新坐席(建议详细+话术引导)—— 分级辅助策略
信任建立: 建议带来源(政策文档链接, 617 题溯源)—— 坐席可核验才敢用
第三步:会话后辅助
# 文件: post-session.txt
会话后的自动化:
会话摘要(630 题纪要): 处理要点+待办(自动建工单跟进项)
工单自动填写: 分类/标签/处理记录的草稿化(坐席确认)
质检预审: 664 题质检的实时预打分(违规话术即时提醒—— 事中纠正优于事后处罚)
总结:座席助手=侧栏实时建议(可核验带来源)+采纳飞轮(编辑 diff 学习)+会话后自动化(摘要/工单/质检预审);不打断坐席节奏与分级辅助(新老差异)是体验关键。
追问1:建议的延迟要求? → 用户消息后 2s 内出建议(坐席回复前的窗口);检索类建议快(毫秒)、生成类分级(606 题轻模型优先建议场景) 追问2:坐席依赖 AI 会不会退化? → 会话质量监控(664 题):建议采纳率与独立处理能力的双看;新人培养期限制辅助(先学基本功)—— 组织管理的技术介入 追问3:座席助手的数据安全? → 客服对话是敏感数据(用户 PII):建议服务的脱敏(223 题)与不出域(648 题内部数据纪律)
664. 质检与满意度:客服质量的 AI 化怎么闭环?
概念 客服质检的 AI 化:全量质检(传统抽检 1%→AI 全量)、实时质检(事中违规提醒)、满意度归因(差评的自动原因分析)。552 题审核体系的客服内用——本题是质检业务闭环。
典型场景 抽检漏掉的服务事故;差评不知道差在哪;质检标准执行不一。
解决方案 三步:全量质检 → 实时提醒 → 归因闭环。
第一步:全量质检
# 文件: qc-ai.txt
质检模型维度:
合规线: 违禁话术(承诺过度/辱骂/泄露)—— 红线零容忍
流程线: 必要步骤(身份核实/结束语)—— SOP 检查
质量线: 问题解决度/态度分—— 主观维度的模型评分(与人工抽检对齐校准)
分数与人工仲裁: 低分会话人工复核(模型误判的纠偏, 557 题申诉同源)
第二步:实时提醒
# 文件: qc-realtime.txt
实时质检(663 题联动):
违规话术的即时提示(坐席侧边闪警—— 事中阻止优于事后扣分)
情绪预警: 用户愤怒升级时提示(主管介入的信号, 667 题)
第三步:归因闭环
# 文件: csat-analysis.txt
满意度(CSAT)的归因:
差评会话的自动归因(未解决/态度/流程慢—— 分类模型)—— 而不是只有分数
归因×环节定位(知识缺/AI 转接慢/坐席话术)—— 改进方向的分流(623 题知识库/AI/人工各归其位)
闭环: 差评→归因→改进项→复测(CSAT 是结果, 归因是价值)
总结:质检 AI 化三跳:抽检→全量(模型+人工仲裁低分)、事后→实时(违规即提醒)、分数→归因(差评定位到知识/流程/坐席的改进分流)。
追问1:质检模型的公平性? → 坐席申诉通道(误判纠正, 557 题同源)+模型偏见审计(方言/口音的 ASR 差异导致的评分偏差—— 技术偏差不转嫁考核) 追问2:质检结果用于绩效? → 谨慎(质检分与绩效强挂钩会催生话术表演):质检定位改进工具, 绩效用多维(解决率/满意度)—— 管理哲学的技术边界 追问3:语音客服的质检差异? → ASR 转写质量决定上限(382 题);情绪识别的语音信号(语速/音量—— 比文本情绪更准)
665. 知识沉淀:会话到知识库的闭环怎么做?
概念 客服会话是知识的金矿:高频问题进 FAQ(621 题运营)、好的坐席话术进知识库、未解决问题进内容缺口清单。闭环=会话→挖掘→知识→(下次)AI 用知识解决——客服系统的飞轮。
典型场景 同类问题每天人工答一百遍;好的处理经验随坐席离职流失;知识库与实际问答脱节。
解决方案 三步:挖掘管道 → 知识生产 → 飞轮验证。
第一步:挖掘管道
# 文件: kb-mining.txt
会话挖掘(周度自动化):
聚类: 未被 AI 解决转人工的问题聚类(620 题无答案清单的会话版)
提炼: 好会话(快速解决+满意)的坐席答案→ 候选 FAQ(脱敏后人工审核)
缺口: 高频无知识支撑的问题清单—— 内容生产的排期依据(621 题运营)
第二步:知识生产
# 文件: kb-production.txt
候选知识的流水线:
AI 起草(从会话提炼 FAQ 草稿)→ 人工审核(业务准确性, 624 题 owner 制)→ 发布(分级生效)
话术资产化: 优秀坐席的话术模板库(663 题建议的来源)—— 个人经验组织化
时效治理: 会话中出现的新政策/新问题→ 知识的及时更新(SLA: 新问题入库 ≤ 1 周)
第三步:飞轮验证
# 文件: kb-flywheel.txt
飞轮的度量(闭环是否转起来):
知识覆盖率: 高频问题的知识支撑率(应答有据)
自助解决率趋势(知识增长→解决率上升的因果验证, 660 题指标联动)
知识使用率: AI/坐席对知识的实际引用(死知识识别, 621 题腐化治理)
总结:知识闭环=会话挖掘(聚类/提炼/缺口)→知识生产(AI 起草+人工审核)→飞轮验证(覆盖率→解决率→使用率);客服系统从成本中心变知识资产的产出地。
追问1:会话数据用于知识的安全? → 用户 PII 的脱敏(进入知识库前清洗—— 693 题联动);会话数据的用途授权(服务改进的合规基础) 追问2:谁来审核候选知识? → 业务 owner(客服专家)轮值;审核量控制(AI 预筛: 只推高价值候选—— 别把审核变成负担) 追问3:多渠道会话(电话/在线/邮件)统一挖掘? → 统一转写(语音 ASR, 664 题前提)+统一工单模型(662 题分类体系)—— 全渠道的知识金矿
666. 多语言客服:出海的 AI 客服策略?
概念 多语言客服的三策略:AI 原生多语言(主流: 大模型天然多语——成本近乎零的跨越)、人工多语言团队(高价值/复杂场景)、翻译辅助(坐席+实时翻译的混合)。语言×时区×文化三维度:出海客服不只是翻译问题。
典型场景 小语种用户无人服务;时区覆盖成本;文化差异引发的沟通事故。
解决方案 三步:语言策略 → 时区与排班 → 文化本地化。
第一步:语言策略
# 文件: multilang-cs.txt
语言×场景的矩阵:
AI 客服: 全语言覆盖(大模型多语能力—— 主力, 质量按语言评测, 676 题分语言评测集)
人工: 核心语言(英语+当地大语种)本地团队;长尾语言走翻译辅助坐席
翻译辅助: 坐席中文×实时翻译(631 题对话翻译)—— 长尾语言的成本解
第二步:时区与排班
# 文件: timezone-cs.txt
时区覆盖:
跟日走: AI 7×24(时区无感)+人工核心时段(当地工作时间)
夜间兜底: AI+留言(次日人工优先处理—— 661 题排队的异步版)
节假日: 当地节日日历(别在对方国庆放假时只有 AI—— 文化事故的小型版本)
第三步:文化本地化
# 文件: culture-local.txt
文化的客服细节:
称谓与语气(德语区的正式称谓/日本的敬语—— 605 题提示词的本地化)
尺度(直接 vs 委婉的拒绝表达—— 拒答话术的文化调优, 608 题多语言版)
本地合规(消费者保护的当地法规—— 退换货政策的当地差异进知识库)
总结:多语言客服=AI 全语言+人工核心语言+翻译辅助长尾;时区跟日走(AI 无感+人工当地时段+异步兜底);文化本地化(称谓语气/拒绝尺度/当地合规)。
追问1:小语种的 AI 质量差怎么办? → 分语言评测暴露短板(676 题);小语种的回答保守化(复杂问题更早转人工—— 语言置信度进转接判定) 追问2:多语言的工单分诊? → 语言检测先行(路由到语言队列, 662 题的语言维度);多语言混说(用户中英混杂)的模型处理—— 大模型天然优势 追问3:本地团队 vs 中心团队? → 本地团队(文化贴近, 成本高)与中心团队(AI 辅助, 成本低)的组合: 高价值市场本地、长尾市场中心+翻译
667. 情绪识别与安抚:愤怒用户的处理策略?
概念 客服场景的情绪管理:识别(文本/语音的情绪信号)、响应(转人工/主管介入/安抚策略)、预防(情绪升级的实时提醒)。AI 的边界:情绪用户的 AI 对话是火上浇油——识别到强负面情绪应尽快转人,而不是 AI 安抚。
典型场景 用户连发三个”!!!”AI 还在标准话术;差评升级成舆情;坐席被骂情绪受损。
解决方案 三步:情绪识别 → 分级响应 → 坐席保护。
第一步:情绪识别
# 文件: emotion-detect.txt
识别信号(文本+语音):
文本: 感叹号/重复字/情绪词/辱骂词(规则)+语义情绪(模型)
语音: 语速加快/音量升高/打断(声学特征, 382 题管线)
行为: 连续否定/要求转人工/提及曝光投诉—— 行为比词面更准
分级: 轻度不满(AI 优化话术)→ 明显愤怒(转人工)→ 极端(主管+应急流程)
第二步:分级响应
# 文件: emotion-response.txt
响应分级:
轻度: AI 的共情话术调整(先致歉后解决—— 情绪优先于方案的话术策略)
中度: 转人工(661 题)+交接包含情绪标记(坐席有心理准备)
重度: 优先接入(插队)+主管可见+解决方案的授权升级(一线坐席的权限不够时快速放权)
舆情预警: 极端情绪+有传播力(大V/媒体提及)的会话自动升级公关流程(553 题联动的舆情位)
第三步:坐席保护
# 文件: agent-wellbeing.txt
坐席侧的情绪保护(557 题人审可持续的客服版):
辱骂过滤: 语音/文字的辱骂实时打码(坐席看到的过滤版—— 技术减伤)
强制休整: 连续高情绪会话后的短休(排班系统的规则)
申诉与复盘: 被骂不是坐席的错(文化);情绪事故的复盘指向流程而非个人
总结:情绪管理=识别(词面+声学+行为)→分级响应(AI 调话术/转人/主管+放权)→坐席保护(辱骂过滤/休整/文化);强负面情绪的第一策略是“尽快转人”。
追问1:AI 能安抚情绪吗? → 轻度可以(共情话术有效);强愤怒时 AI 的任何话术都像敷衍—— 情绪阈值以上的转人是铁律(别用 AI 省这点人力) 追问2:情绪识别的误报? → 感叹号不一定是愤怒(兴奋型用户);行为信号(要求转人工)比词面可靠—— 多信号组合判定+阈值的业务校准 追问3:补偿的自动化? → 情绪+平台责任的场景自动补偿(小额券的即时安抚—— 服务补救的时效性);规则化(什么情况补多少—— 别让坐席现场纠结)
七、输入体验与前端集成(668–675)
668. 斜杠命令与快捷入口:AI 的命令面板怎么做?
概念 斜杠命令(/ 触发的命令面板):AI 能力的统一发现与快捷入口——输入框打 / 弹出命令列表(翻译/改写/总结…)。价值:发现性(600 题)+速度(高频动作两键触发)。设计:命令的组织(分组/搜索/最近使用)、参数化命令(选中对象+命令)、自定义(用户的常用命令固定)。
典型场景 用户不知道 AI 能干嘛;高频操作要点五步;命令太多找不到。
解决方案 三步:命令体系 → 交互设计 → 生态扩展。
第一步:命令体系
# 文件: slash-commands.txt
命令组织:
分组: 内容类(改写/翻译/扩写)/提取类(总结/要点)/格式类(表格/列表)/自定义
命名: 动词+对象(/翻译成英文 /总结要点)—— 自然语言化(别 /tr /sm 的黑话)
上下文命令: 选中内容后弹出的相关命令(选中文字→改写/解释;选中代码→重构/注释)——
命令跟着对象走(嵌入式的激活逻辑, 600 题)
第二步:交互设计
# 文件: slash-ux.txt
交互三律:
模糊匹配: 输入 /sum 或"总结"都能命中(拼音+别名)—— 别要求精确命令名
预览参数: 命令的参数就地填(改写→ 选风格: 简洁/正式/活泼的内联选择)
结果就地: 输出在光标处/侧栏(不打断上下文, 600 题嵌入式形态)
可逆: AI 结果的接受/重试/放弃三键(603 题修正的就地版)
第三步:生态扩展
# 文件: slash-extend.txt
命令的扩展性:
自定义命令: 用户录制/描述自己的常用命令("把我选的内容改成周报格式")—— 保存复用
团队命令: 组织共享(公司统一的话术/格式命令—— 651 题生态的轻量版)
埋点: 命令使用排行(高频命令进首屏/低频的收起)—— 命令的自适应排序
总结:斜杠命令=AI 能力的统一入口:自然语言化命名+上下文激活+就地结果+可逆三键;自定义与团队命令做扩展;使用排行驱动自适应排序。
追问1:斜杠和 AI 对话的关系? → 命令是”确定性动作”(快、无对话), 对话是”开放任务”—— 双入口并存(命令覆盖高频 20%, 对话兜长尾 80%) 追问2:快捷键还要吗? → 要(高频命令的键位 /Cmd+K 面板)—— 键盘用户的效率层;命令面板是发现层(两者一体系) 追问3:命令失败的处理? → 就地错误提示+建议(该命令需要选中文本—— 补引导);失败别弹全局窗(打断感, 602 题体验同源)
669. AI 建议时机:不打扰的辅助怎么拿捏?
概念 AI 主动建议(非用户触发)的时机光谱:实时(打字时的补全)、停顿(输入停 2s 时的建议)、完成(写完一段后的优化建议)、显式(用户要才有)。打扰度的判据:建议的相关性×用户的当前意图——错时机的正确建议也是打扰。
典型场景 打字时建议乱跳烦人;该提示时不提示(错过价值);建议遮挡内容。
解决方案 三步:时机分级 → 呈现约束 → 学习与关闭。
第一步:时机分级
# 文件: suggest-timing.txt
建议时机的产品分级(打扰度递增):
被动: 用户触发(命令/对话)—— 零打扰基线
停顿触发: 输入停 2~3s 的悬浮建议(不打断思路—— 写作类的高频辅助)
事件触发: 写完一段/粘贴长文后的建议(总结这个链接? 翻译这段?)
主动: 实时补全(ghost text)—— 最高打扰度, 只在高置信场景开(代码补全类)
第二步:呈现约束
# 文件: suggest-ux.txt
呈现三约束:
位置: 不遮挡工作区(侧边/内联底部);可预测(别随机跳位置)
视觉: 克制(浅色提示不是弹窗);可忽略性(看见=可不理会, 无需关闭动作)
消失逻辑: 继续打字建议即隐(建议是机会不是任务)
第三步:学习与关闭
# 文件: suggest-learn.txt
建议的自适应:
接受率学习: 常接受的建议类型加权, 常忽略的降频(隐式反馈, 638 题信号)
显式控制: "减少此类建议"入口(一键降频)—— 建议类型的用户主权
全局开关: AI 建议总开关(658 题关闭权的前端版)—— 关闭后纯手动可用
总结:建议时机按打扰度分级(被动/停顿/事件/主动),呈现三约束(不遮挡/可忽略/继续即隐);接受率学习+类型降频+总开关给用户控制权。
追问1:怎么度量建议的价值? → 接受率×频次(高频高接受=核心建议);忽略率突增=时机或质量问题的警报 追问2:建议与自动执行的分界? → 建议永远不自动执行(除用户预设规则, 642 题免确认档)—— 建议的可撤销性是底线(597 题撤回的轻量版) 追问3:移动端的建议时机差异? → 键盘遮挡+触摸精度:停顿触发更保守(移动打字节奏碎)、悬浮建议少用—— 移动建议偏”完成动作后”的时机
670. 流式 UI 性能:长输出的渲染与内存怎么扛?
概念 流式输出的前端性能挑战(374~376 题讲实现——本题的产品性能面):超长回答(万字)的渲染压力(Markdown 重排/代码高亮)、内存累积(消息列表无限增长)、低端机的降级。症状:越输出越卡、滚动掉帧、页面崩溃。
典型场景 长文档生成时页面卡死;历史会话打开慢;低端安卓机不可用。
解决方案 三步:渲染优化 → 列表与内存 → 降级策略。
第一步:渲染优化
# 文件: stream-render-perf.txt
渲染三板斧(375/376 题的工程延伸):
增量渲染: 只重排新增块(虚拟 DOM 的分块稳定—— 生成中的块与完成块分离)
节流渲染: 吐字频率>渲染帧率时的合并(16ms 内多个 chunk 合一次—— 别一字一渲)
延迟重排: 代码高亮/公式等重计算延后(流式中轻渲染, 完成后全量美化—— 两阶段)
第二步:列表与内存
# 文件: chat-list-perf.txt
会话列表工程:
虚拟滚动: 长会话只渲染可视区(万条消息的列表)
分页加载: 历史消息向上翻页(别一次全量)
图片/卡片懒加载(570 题同源);生成中消息的 DOM 复用(别每 chunk 重建节点)
第三步:降级策略
# 文件: render-degrade.txt
按设备分级:
低端机检测(内存/核数): 关闭打字机动画(直接批量显示)、降代码高亮(纯文本)
用户设置: "减少动画"(prefers-reduced-motion 的产品版, 593 题)
极端长输出: 超过 N 字自动折叠("展开全部")+分页查看—— 别硬渲十万字
性能预算: 流式期 60fps 目标;长输出的内存上限测试进 CI(01 批性能题的 AI 版回归)
总结:流式 UI 性能=增量+节流+两阶段渲染、虚拟滚动+懒加载、按设备降级(关动画/折叠长文);性能预算进 CI 防退化。
追问1:为什么越输出越卡? → 每次重排都全量(累积 DOM+重计算):增量渲染与分块稳定是解;生成中块的重计算(高亮)延后到完成 追问2:代码块的虚拟滚动难点? → 高度不定(代码行数动态):估算高度+渲染后修正(虚拟列表的动态高度模式);或代码块整块虚拟化 追问3:性能问题怎么早发现? → 前端性能监控(RUM: 流式页面的 FPS/长任务上报, 298 题指标)—— 别等用户骂了才知道卡
671. 乐观更新与 AI 结果:前端状态怎么合并?
概念 AI 场景的乐观更新(UIoptimistic update):用户动作先改 UI(AI 生成中就显示占位/草稿),AI 结果到达后合并——体验快但状态复杂:AI 失败的回滚、用户在等待期间的手动编辑与 AI 结果的冲突合并。
典型场景 用户等 AI 时自己改了内容(AI 结果覆盖用户编辑=事故);AI 失败 UI 没回滚;结果到达时界面闪变。
解决方案 三步:乐观模型 → 冲突合并 → 失败回滚。
第一步:乐观模型
# 文件: optimistic-ai.txt
乐观更新的状态机:
pending(乐观 UI: 占位/骨架)+原始内容快照
fulfilled: AI 结果合并(第二步)
rejected: 回滚快照+错误提示(607 题话术)
AI 特有: 生成耗时长的"渐进乐观"(流式部分先行显示—— 乐观+流式的组合)
第二步:冲突合并
# 文件: merge-conflict.txt
等待期间用户编辑的冲突:
编辑锁定: AI 生成中锁编辑区(简单粗暴—— 高危场景: 表单填充)
三方合并: 用户编辑+AI 结果+基线的合并(diff 合并, Git 思想的编辑器版)——
非重叠改动自动合并;重叠区提示用户选(638 题组合采纳的冲突版)
结果分栏: AI 结果不改原文(建议区呈现, 用户采纳应用)—— 最稳: AI 永远是建议不是覆盖
第三步:失败回滚
# 文件: optimistic-rollback.txt
失败回滚纪律:
快照恢复(原子): 失败=UI 完全回滚到动作前(别留半截 AI 内容)
用户编辑保护: 等待期的用户编辑不回滚(只回滚乐观部分)—— 快照的范围精确
部分成功: 多段任务部分失败(3 段改写 2 段成功)—— 成功保留+失败段标注重试
总结:AI 乐观更新三件:状态机带快照、冲突用”建议区不覆盖”或三方合并、失败原子回滚且保护用户编辑;AI 结果默认是建议不是覆盖是最稳策略。
追问1:什么场景适合乐观更新? → 低风险+高耗时(改写建议的占位);高风险(表单提交)不乐观(等待确认)—— 风险与体验的取舍 追问2:流式+乐观怎么叠加? → 占位(乐观)→流式填充(渐进)→完成(合并)—— 三阶段各司其职;中断的流式部分按”部分成功”处理(602 题) 追问3:撤销栈与 AI 操作? → AI 应用进撤销栈(Ctrl+Z 撤 AI 改动)—— AI 操作是普通编辑操作(可撤销性, 642 题撤销窗口的编辑器版)
672. 移动端 AI 输入:键盘、语音与拍照的组合?
概念 移动 AI 输入的三通道组合:键盘(传统——弱)、语音(610/673 题移动强化)、拍照/截图(610 题)。设计核心:输入的”移动折扣”(打字成本高)用替代通道补偿;输入框本身的键盘适配(弹出布局/发送键/多行)。
典型场景 移动端提问率低于桌面;键盘遮挡输入区;语音不敢用(公共场合)。
解决方案 三步:输入框工程 → 通道引导 → 场景适配。
第一步:输入框工程
# 文件: mobile-input-box.txt
输入框细节(01 批前端功夫的 AI 位):
键盘适配: 弹起不遮挡(chat 布局的 adjustsResize/安全区)
发送体验: 键盘上的发送键;生成中变停止键(602 题状态复用)
多行处理: 回车发送 vs 换行的模式切换(用户设置);粘贴长文的预览(压缩显示+展开)
草稿: 未发送内容的本地暂存(切走回来还在—— 移动场景常被打断)
第二步:通道引导
# 文件: input-channels.txt
通道的场景引导:
语音按钮常显(麦克风口);按住说话与点击说话的选型(点击更适合移动—— 按住易误触)
拍照入口(相机/相册)在输入栏(+号菜单的一级位)
通道的场景暗示: 错误截图场景的提示("可以截图给我看", 610 题)
第三步:场景适配
# 文件: input-context.txt
移动场景的输入适配:
公共场合的顾虑: 语音的隐私提示(或不引导);TTS 回答的外放顾虑(耳机检测切文字)
单手操作: 输入区底部可达(拇指热区);高频命令的底栏化(668 题命令的移动布局)
离线与弱网: 627 题移动约束的输入面(草稿本地、发送队列)
总结:移动 AI 输入=输入框的键盘工程(适配/发送停止复用/草稿)+语音拍照的通道引导+场景适配(隐私/单手/弱网);移动折扣靠替代通道与细节工程补偿。
追问1:为什么移动端提问更短? → 打字成本(输入折扣):短问题的占比高—— 移动场景的 AI 设计要偏”轻任务”(命令化/建议式, 668 题) 追问2:iOS/安卓的输入差异? → 键盘行为(收回时机/安全区)、语音权限流程差异—— 595 题多端的输入专项测试清单 追问3:输入法联想与 AI 补全冲突吗? → 输入法候选词与 AI 建议的层叠:AI 建议避开输入法激活期(打完词再出建议—— 669 题时机的输入法维度)
673. 语音交互:语音输入与语音对话的分级实现?
概念 语音的两档:语音输入(ASR 转文字走文本流——简单可靠)与语音对话(ASR+LLM+TTS 全链路——自然的对话体验, 延迟与打断是难点)。382 题讲了管线——本题的产品分级与体验。
典型场景 用户想”说话不打字”;语音对话延迟高;打断体验差(AI 一直说)。
解决方案 三步:产品分级 → 对话体验 → 识别兜底。
第一步:产品分级
# 文件: voice-tiers.txt
两档产品:
语音输入(标配): 按住说→转文字→可编辑→发送—— 610 题输入通道(便宜可靠, 走文本流)
语音对话(进阶): 边说边答的口语交互(端到端语音模型或管线)——
陪伴/儿童/驾驶场景的价值高;成本与延迟双高
中间态: 语音输入+语音播报(输入用说的, 回答听的)—— TTS 挡位的组合
第二步:对话体验
# 文件: voice-dialog-ux.txt
语音对话的三难(382 题工程的产品面):
打断: 用户开口 AI 即停( vad 检测+播放停止)—— 没有打断的语音对话不可用
轮次: 自然对话的节奏(用户停顿≠说完—— 断句的等待时间调优);礼貌应答("嗯"的反馈)
延迟: 端到端 <1s 的体验线(超过=对话感崩塌)—— 流式 ASR+流式 TTS 的全链路优化(04 批管线)
第三步:识别兜底
# 文件: asr-fallback.txt
识别的兜底体验:
实时上屏: 边说边出字(纠错的心理预期)+说完可编辑(672 题草稿)
识别失败: "没听清"(659 题话术)+重说/打字的降级入口
方言与噪音: 方言模型的选择(供应商能力);噪音场景的提示("环境有点吵")
敏感场景: 语音数据留存策略(即用即弃或留存授权—— 693 题隐私)
总结:语音交互分级:语音输入(标配走文本流)→语音对话(打断/轮次/延迟三难是体验门槛);识别靠实时上屏+可编辑+失败降级;语音数据留存要合规。
追问1:端到端语音模型 vs 管线? → 端到端(语音直接进模型):延迟低+语气自然(新趋势);管线(ASR→LLM→TTS):组件可换可控—— 当前管线成熟、端到端快速演进(选型看场景与可控性) 追问2:语音的隐私红线? → 录音的明确提示(录音中的视觉指示);声纹是生物特征(采集要单独授权);公共场合的尴尬设计(外放顾虑, 672 题) 追问3:TTS 的声音克隆? → 用户/名人的声音克隆授权(声纹权利)—— 平台用合成声要授权链;697 题标识(合成声音的披露, 各地法规已要求)
674. 富媒体 AI 交互:图表、卡片与结构化输出怎么呈现?
概念 AI 输出不止文字:结构化卡片(376 题流式 JSON)、图表(数据可视化)、交互组件(按钮/表单)。设计:输出类型的路由(文本/卡片/图表按内容选)、流式渲染(376 题渐进)、交互闭环(卡片上的按钮回传动作)。
典型场景 AI 回答里的表格错乱;数据能画图却输出一屏文字;卡片上的按钮点了没反应。
解决方案 三步:输出路由 → 渲染工程 → 交互闭环。
第一步:输出路由
# 文件: output-routing.txt
输出类型的智能选择:
意图路由: 数据对比→表格/图表;步骤说明→有序列表;实体信息→卡片;叙事→文本
模型决策: 结构化输出协议(模型决定类型+数据, 补充问题 9)—— 别前端猜(纯文本里正则抽表格是脆弱的)
用户覆盖: "用表格显示"的用户指令(603 题修正的输出格式版)
第二步:渲染工程
# 文件: rich-output-render.txt
渲染工程(376 题深化):
卡片协议: {type, data, actions}的结构化消息(前端按 type 渲染器分发)—— 组件注册制
图表: 数据→ ECharts 配置(模型出数据+图表类型, 前端渲染, 635 题同源)—— 模型别画图(出图片不可交互)
流式: 卡片的渐进渲染(字段到齐渲染, 376 题);图表流式先表格后图(数据齐再画)
第三步:交互闭环
# 文件: card-interaction.txt
卡片的交互闭环:
动作按钮: 卡片带 actions(查看详情/应用/再来一次)—— 点击回传(消息流里的交互事件)
动作的结果: 按钮触发的后续(新对话轮/跳转页面/执行任务)—— 交互与对话的融合
状态反馈: 动作执行中的卡片状态(按钮转圈→完成打勾, 671 题乐观更新)
总结:富媒体输出=类型路由(模型结构化决策)+渲染协议(卡片协议+图表出数据不出图)+交互闭环(卡片动作回传与状态反馈);结构化输出协议是地基(补充问题 9)。
追问1:为什么模型别直接输出图片? → 不可交互(图上的数据不能点)、不一致(同数据不同图)、成本高—— 模型出结构化数据, 前端组件渲染(职责分离) 追问2:卡片类型的扩展性? → 渲染器注册制(新卡片类型=新渲染器插件)—— 前端与模型的协议版本管理(schema 演进) 追问3:富媒体在低端机的性能? → 图表的按需初始化(滚动到才渲染);复杂卡片(轮播/大图)的降级(静态图快照)—— 670 题性能的富媒体位
675. AI 的无障碍:特殊人群的 AI 交互怎么做?
概念 AI 功能的 a11y(593 题基础):读屏兼容(流式输出的播报——动态内容的 aria-live)、语音输入的价值放大(视障用户的主通道)、认知友好(简化模式:更短更直白的回答)——AI 恰好是 a11y 的助力(语音/简化/多模态)。
典型场景 读屏用户无法使用流式对话;老年用户嫌 AI 回答太长;视障用户的图片理解需求。
解决方案 三步:读屏兼容 → 认知友好 → AI 助力 a11y。
第一步:读屏兼容
# 文件: ai-a11y-screen.txt
流式的读屏挑战:
aria-live 的节奏(逐字播报=灾难): 完成后整段播报(生成中静默+状态提示"生成中")
卡片/图表的文本替代(674 题卡片的 alt 描述—— 图表的数据摘要文本)
操作可达: 668 题命令面板的键盘操作(593 题键盘可达的 AI 组件应用)
第二步:认知友好
# 文件: cognitive-friendly.txt
认知无障碍(老年/阅读障碍):
简化模式: 回答风格切换(605 题人格的 a11y 档: 短句/通俗词/分步说明)
大字体高对比(592 题主题的适老版—— 系统级联动)
澄清机制: AI 主动确认理解("你是问…吗"—— 模糊输入的友好处理, 对认知负担大的用户价值更高)
第三步:AI 助力 a11y
# 文件: ai-for-a11y.txt
AI 作为无障碍能力本身:
图片描述(视障用户的图片 alt 自动生成—— 上传图片自动出描述)
语音交互(673 题作为视障主通道)
文本简化(长文的一键易读版—— 认知障碍/儿童场景)
反向价值: AI 功能的 a11y 做好=覆盖最需要它的群体—— a11y 是 AI 产品的道德与市场双高地
总结:AI 的 a11y=流式读屏的节奏处理(完成播报)、认知友好(简化模式/澄清机制)、以及 AI 本身作为 a11y 工具(图片描述/语音/易读化)——AI 功能天然该是 a11y 的优等生。
追问1:aria-live 流式怎么折中? → 折断点播报(按句完成播一句)或仅完成播报;用户设置(播报模式)—— 读屏用户测试定方案(593 题真实验证) 追问2:AI 的错误对特殊人群更伤? → 幻觉对依赖者(视障信描述)风险更大: 高风险场景(描述)的置信门槛+谨慎话术—— a11y 场景的质量标准更严 追问3:适老化改造的合规? → 各地适老化要求(App 适老版本的政策)—— AI 功能纳入适老改造清单(大字/语音/人工入口, 660 题转人工的适老优先)
八、评测与质量运营(676–685)
676. 功能上线评测集:从零建起的优先级?
概念 AI 功能上线前的评测集(04 的 330 题讲评测体系——本题讲功能团队的最小可行起步):种子用例(真实问题 50~200 条:高频场景+边界+对抗)、分层(该答/该拒/边界)、基线(上线前的质量快照)。评测集是活的:线上 bad case 持续回流(677 题)。
典型场景 新功能没评测就上线(裸奔);评测集太大没人跑;评测与真实体验脱节。
解决方案 三步:种子构建 → 分层设计 → 运转机制。
第一步:种子构建
# 文件: eval-seed.txt
种子的三来源:
真实问题: 内测/试运营的用户问题采样(最有代表性—— 别闭门造车)
场景穷举: 功能场景的矩阵展开(每场景 5~10 条: 典型+变体)
对抗用例: 攻击尝试(注入/越界—— 692 题防御的验证位)+边界(超长输入/多语言)
规模: 起步 100 条(覆盖>速度);持续长到 500~1000 条(质量与维护成本的平衡点)
第二步:分层设计
# 文件: eval-layers.txt
用例三层(330 题四层的功能简化版):
该答类: 有正确答案的问题(检索/抽取类可自动判分;生成类参考答案+LLM 评)
该拒类: 越界/无依据问题(拒答正确性, 608 题边界的验证)
体验类: 格式/长度/语气的主观维度(LLM 评或抽检)
每条用例: 输入+期望(答案/要点/拒答)+场景标签(归因定位用)
第三步:运转机制
# 文件: eval-ops.txt
评测的运转纪律:
变更触发: prompt/模型/检索参数变更必跑(680 题)—— 评测集进 CI(293 题门禁)
分数护栏: 质量分阈值(低于基线禁止发布—— 473 题门禁的 AI 版)
季度体检: 全量重标(标注标准的漂移校正)+死例清理(失去代表性的旧用例)
总结:评测集从 100 条真实问题起步(该答/该拒/体验三层),变更必跑+分数护栏进发布流程,季度重标保鲜——它不是文档是活的门禁资产。
追问1:生成类怎么自动判分? → LLM-as-judge(参考答案对比打分, 330 题)+关键点覆盖(要点清单是否覆盖);抽检校准(judge 与人的一致性定期验证) 追问2:评测分离线在线? → 离线(发布前门禁)+在线(线上流量抽样回评—— 真实分布的质量监控, 679 题看板的数据源) 追问3:多场景功能(对话+生成+检索)的评测? → 按功能模块分集(各自独立分数)+端到端集(用户旅程跨模块)—— 分层评测体系
677. Bad Case 管理:线上问题的收集与分诊?
概念 线上 bad case 的闭环:收集(用户反馈 611 题+主动挖掘)、分诊(根因归类:检索/prompt/模型/数据)、修复(分诊到 owner)、回流(固化评测用例 676 题)。分诊是核心技能——同一个”答错”背后是四种病。
典型场景 差评一堆没人处理;修复了同类问题反复出现;工程与产品互相甩锅。
解决方案 三步:收集管道 → 分诊框架 → 闭环节奏。
第一步:收集管道
# 文件: badcase-collect.txt
收集三通道:
显式反馈: 点踩/反馈表单(611 题—— 带上下文的自动采集)
隐式信号: 重新生成率高的会话/转人工的 AI 会话(660 题)/短会话(问一次就走的失望)
主动挖掘: 线上流量抽样人审(发现用户没反馈的问题—— 沉默的 bad case)
第二步:分诊框架
# 文件: badcase-triage.txt
分诊四类根因(修复路径完全不同):
检索问题: 知识没召回/召回错(RAG 类主因)→ 优化检索/补知识(621 题)
Prompt 问题: 指令没约束好(格式/边界)→ 调提示词(605/680 题)
模型能力: 推理/知识缺失 → 换模型/加示例/降预期(606 题)
数据/工程: 上下文丢失/工具失败 → 修 bug(传统工程)
分诊的量化: 根因分布饼图(月度)—— 资源投向的数据依据(检索占 50% 就先投检索)
第三步:闭环节奏
# 文件: badcase-loop.txt
闭环节奏(周会制):
周 bad case 评审(聚类 TOP 问题, 599 题聚类)→ 分诊派单 → 修复 → 回流评测集(防回归)
修复验证: 同类问题的复测(修了 A 场景 B 场景还坏吗—— 评测集回归)
度量: bad case 处理率/复发率(同类问题再现=没修根因)/修复时长
总结:bad case 闭环=三通道收集+四类根因分诊(检索/prompt/模型/工程)+周评审派单+评测集回流;根因分布决定资源投向,复发率验证根因修复。
追问1:bad case 太多修不过来? → 聚类优先(高频同类先修—— 一个修复覆盖 N 案例);阈值分级(资损/舆情级立即, 体验级排期, 长尾记录) 追问2:怎么防”修好一处坏十处”? → 修复走评测回归(676 题门禁)—— 修复的 PR 必附评测对比;没有评测集的修复是赌博 追问3:竞品对比的 bad case? → 对比评测(同问题双产品输出盲评)—— 竞品差距的量化(差距大的场景优先投入, 产品视角的评测)
678. AI 功能的 A/B:与传统实验的差异?
概念 AI 功能 A/B 的三特殊(337 题同源展开):非确定性(同输入不同输出——样本量要更大)、多维指标(质量维度多——主指标选定更关键)、延迟引入(答案质量 vs 速度的权衡实验)。适用场景:模型切换/prompt 改版/功能形态。
典型场景 A/B 结果今天显著明天反转;质量提升但成本翻倍(赢体验输成本);实验周期拉太长。
解决方案 三步:实验设计差异 → 指标体系 → 结果解读。
第一步:实验设计差异
# 文件: ai-ab-design.txt
AI 实验的设计调整:
样本量: 输出方差大→ 样本量比传统大(或按会话聚合减少噪声)
时长: 模型行为稳定(无常"新奇效应")—— 时长可短于传统 UI 实验;但要覆盖问题分布(工作日/周末的问题类型差异)
分流单元: 用户级(体验一致)—— 同用户必须同版本(答案不一致=穿帮)
第二步:指标体系
# 文件: ai-ab-metrics.txt
AI 实验的多维指标(576 题框架的 AI 维度):
主指标(选一): 满意度(赞踩)/解决率(客服)/采纳率(生成类)—— 功能定位决定
质量护栏: 拒答率/幻觉率(抽检)/格式错误率
成本护栏: 单次 token 成本/延迟 P95—— 质量升成本翻倍是常见的"伪胜利"
传统护栏: 崩溃率/性能(670 题)
第三步:结果解读
# 文件: ai-ab-read.txt
解读纪律:
多维对账: 质量升+成本升→ 算 ROI(值得吗);质量升+拒答升→ 用了更保守的策略(真提升还是少干活?)
定性抽检: 显著提升的版本抽 20 例人看(数字提升但实际更差的"指标游戏"防伪)
决策: 综合(质量/成本/复杂度)拍板—— 主指标显著不是唯一依据(AI 的多维权衡特性)
总结:AI 的 A/B:样本更大(输出方差)、用户级强一致分流、多维指标(主指标+质量与成本护栏)、结果要成本对账与定性抽检——防“赢指标输成本”的伪胜利。
追问1:prompt 的小改动要 A/B 吗? → 影响面大的(全局系统提示)要;小场景提示走评测集(离线快验)—— A/B 与评测的分工(线上/离线) 追问2:AI 输出的方差怎么影响显著性? → 同用户多次提问的答案不同—— 按用户的多次行为聚合(均值)再检验;或加大样本 追问3:多版本模型并行实验(三模型对比)? → 分流三组+对照组;注意流量成本(三倍)—— 大改动才值得多臂实验
679. 质量看板:功能侧的质量指标体系?
概念 AI 功能的质量看板分层:用户层(满意度/采纳/投诉)、行为层(重答率/会话完成/转人工率)、技术层(拒答率/幻觉抽检/延迟/成本)——三层联看定位问题(用户说差→行为找证据→技术找根因)。298 题指标体系在 AI 功能的应用。
典型场景 老板问”AI 功能质量怎么样”答不出;指标一堆看不出问题;版本切换后质量变化没人发现。
解决方案 三步:指标分层 → 看板组织 → 报警联动。
第一步:指标分层
# 文件: ai-quality-metrics.txt
三层指标(功能定位选主指标):
用户层: 满意度(赞踩比)/CSAT/AI 功能 NPS—— 终极裁判
行为层: 重新生成率(不满的代理)/会话深度/任务完成率/转人工率(客服)—— 用户的真实行为
技术层: 拒答率/引用率/幻觉抽检分/TTFT/成功率/token 成本—— 根因线索
口径: 每指标的定义文档化(571 题字典——"采纳"的精确定义)
第二步:看板组织
# 文件: quality-dashboard.txt
看板三视图(570 题组织的应用):
总览: 主指标+趋势+版本标记(版本切换的垂直线—— 归因第一眼)
下钻: 按场景/模型/用户分层的指标切片(整体正常但某场景崩—— 切片发现)
异常: 自动检测(环比突变告警—— 质量回退的哨兵, 298 题告警)
第三步:报警联动
# 文件: quality-alert.txt
质量报警的分级:
P0: 成功率暴跌(服务故障, 607 题)/资损类错误(批量幻觉资损)
P1: 满意度/重答率突变(质量回退—— 版本/prompt/上游模型变更的三排查)
P2: 趋势性缓降(缓慢腐化—— 知识老化/流量结构变化)
与发布联动: 发布后 24h 质量专项观察窗(指标标记发布线)
总结:质量看板三层(用户/行为/技术)联看,主指标按功能定位选、口径字典化;总览带版本标记+切片下钻+突变告警;发布后 24h 专项观察。
追问1:幻觉率怎么进看板? → 在线抽检(流量抽样人工/LLM 判—— 成本可控的采样率)+用户反馈的”不准确”分类—— 两口径互补(主动抽检/被动反馈) 追问2:指标的正常基线怎么定? → 上线初期的稳定期数据(版本前后对比的锚);行业参考(拒答率 5% 高不高—— 场景差异大, 自比为主) 追问3:多维指标打架怎么读? → 主指标优先+护栏不破(质量升成本升 20% 可接受、升 200% 要议);建立”指标权衡表”(哪些可牺牲哪些不可)
680. Prompt 版本管理:变更与回归怎么做?
概念 prompt 是”代码级资产”(605 题资产化):版本管理(git 或配置中心+版本历史)、变更流程(评测先行+灰度)、回滚(秒级回退)。prompt 变更的隐蔽性(一处改动全场景影响)决定它需要比代码更严的回归纪律。
典型场景 改 prompt 引发全量事故;prompt 改动没人知道;多人改 prompt 互相覆盖。
解决方案 三步:版本化 → 变更流 → 回滚。
第一步:版本化
# 文件: prompt-version.txt
版本化的载体:
代码仓(prompt 与代码同仓同 PR—— 有 code review);或配置中心(运营可调+审批)
选择: 工程调优型进代码仓;运营文案型进配置中心—— 按"谁来改"分载体
元数据: 每版本记录(变更原因/评测分数/生效时间/负责人—— 521 题审计位)
变量与环境: 模板的变量(用户上下文注入)与多场景变体的矩阵管理(605 题组合)
第二步:变更流
# 文件: prompt-change-flow.txt
变更四步(缺一不可):
1) 评测: 新版本跑评测集(676 题)—— 分数不降才可发布
2) 灰度: 336 题灰度(1%→10%→100%)—— 评测集没覆盖的线上差异的保险
3) 观察: 质量看板对照(679 题发布线)
4) 记录: 变更日志(下一个改的人知道为什么)
第三步:回滚
# 文件: prompt-rollback.txt
回滚机制:
配置中心: 版本列表一键回退(秒级)
代码仓: revert PR(流程同代码—— prompt 的事故回滚演练进 299 题)
灰度期间回滚: 自动(质量护栏触发, 337 题实验的自动 abort)
总结:prompt 按资产版本化(按改动者分载体:代码仓/配置中心)、变更四步(评测→灰度→观察→记录)、回滚秒级;prompt 变更的回归纪律严于代码——影响面更隐蔽。
追问1:prompt 变更的 code review 看什么? → 变更意图(为什么改)/评测结果(分数与 bad case 对比)/边界影响(拒答率变化—— 顺手改的措辞可能改变边界行为) 追问2:A/B 和灰度的区别(prompt 场景)? → A/B 验证”哪个更好”(双跑对比);灰度验证”新的没更差”(放量节奏)—— 重大改版 A/B 定方案再灰度上量 追问3:prompt 的依赖(嵌套模板/引用库)怎么管? → 依赖版本锁定(引用的子模板版本显式);依赖变更的连锁评测(改共享子模板→所有引用方回归)
681. 升级回归:模型与依赖变更的质量防线?
概念 两类被动变更:模型升级(供应商发新版/换模型——能力与行为变化)与依赖变更(embedding 模型/检索组件——上下游连锁)。防线:变更感知(供应商公告监控)、升级回归(评测集+对比测试)、灰度切换(336 题版本管理)。
典型场景 供应商悄悄更新模型行为突变;换 embedding 模型后检索崩了;升级收益没验证就全量。
解决方案 三步:变更感知 → 升级评估 → 切换节奏。
第一步:变更感知
# 文件: upgrade-awareness.txt
感知渠道:
供应商公告/API 响应头版本号(模型版本监控—— 行为突变的归因证据)
主动探测: 每日的固定探测集(敏感性哨兵: 关键场景的 20 条—— 输出突变告警)
依赖清单: AI 链路依赖表(模型/embedding/检索/TTS—— 632 题依赖审计的 AI 版)
第二步:升级评估
# 文件: upgrade-eval.txt
升级的评估三件:
评测集回归(676 题)—— 新版本的质量分
对比测试: 旧新版并行(同请求双发对比—— 336 题双跑)差异分析(变好的/变坏的)
成本与延迟: 新版的 token 单价/速度(能力升成本也升的常见局面)
第三步:切换节奏
# 文件: upgrade-switch.txt
切换纪律(336 题版本管理的应用):
灰度切换(1%→10%→100%)+版本路由表(秒回旧版)
不兼容变更(输出格式/接口): 适配层先行(新格式的兼容处理)再切
冻结期: 大促/关键期冻结升级(473 题冻结窗)—— 升级是变更, 遵守变更管理
总结:模型与依赖升级的三道防线:感知(公告+探测哨兵)、评估(评测回归+双跑对比+成本)、灰度切换(版本路由秒回滚+冻结期)——被动变更当主动变更管理。
追问1:供应商废弃旧版本(API 下线)倒逼升级? → 迁移窗口规划(废弃前的双跑期);评测驱动的迁移(不行就换供应商—— 多供应商架构的价值时刻, 606 题) 追问2:为什么模型行为会”悄悄”变? → 供应商的静默更新(同版本号的行为微调)—— 探测哨兵是唯一防线(输出分布的监控告警) 追问3:升级的风险与收益怎么权衡? → 收益(质量分提升 X%)vs 风险(评测盲区的行为变化):收益大且评测覆盖高的快切;收益小的晚切(让别人先踩坑)
682. 人工评审:标注与质量抽检的组织?
概念 质量运营的人力面:标注(评测集的 ground truth 生产/线上抽检判分)、评审(bad case 评审/竞品对比)、标注团队组织(专职/业务兼职/外包)。核心矛盾:标注质量(一致性)与成本(标注是持续投入)。
典型场景 两个标注员判分不一致;标注跟不上 bad case 增长;外包标注质量差。
解决方案 三步:标注体系 → 团队组织 → 质量控制。
第一步:标注体系
# 文件: annotation-system.txt
标注的工程化:
标注规范: 判分标准的文档化(什么算"准确"/"有用"—— 量表定义+正反例)
标注工具: 专用工具(对比视图/快捷键/进度管理)—— 别用 Excel(效率与质量双输)
分层标注: 一致性高的简单判分(外包/兼职)+复杂判断(专家/资深)
第二步:团队组织
# 文件: annotation-team.txt
三种人力组合:
业务兼职(客服/运营): 业务敏感判分的主力(抽检/疑难—— 本职工作的延伸)
专职标注: 规模化任务(评测集扩充/大规模抽检)
外包: 简单重复判分(格式/明显错误类)
配比演进: 起步业务兼职 → 量大了专职+外包 → LLM 预标注+人抽检(人机分工的演进)
第三步:质量控制
# 文件: annotation-quality.txt
标注质量控制:
一致性指标(IAA): 双标抽样的一致率(<80% 重训或规范修订)
黄金集: 已知答案的埋题(标注员的合格率监控—— 混在任务里的"考题")
仲裁机制: 分歧样本的第三方/专家仲裁(分歧本身就是规范漏洞的信号)
总结:人工评审的体系化:标注规范+工具化、三层人力(兼职/专职/外包)按复杂度分工、一致性(IAA/黄金集/仲裁)控制质量;LLM 预标注+人抽检是成本演进方向。
追问1:LLM 能替代标注员吗? → 简单判分(格式/相关性)可 LLM 主力+人抽检;主观与业务敏感(满意度/资损判断)必须人—— 人机分工按判分的”主观度” 追问2:标注的激励? → 计件的质量加权(快而差的标注不算数—— 合格率挂钩单价);业务兼职的认可(标注洞察进产品迭代的反馈, 599 题闭环) 追问3:标注数据的合规? → 用户数据标注的授权(服务改进用途);标注平台的脱敏(标注员看到的已脱敏数据, 693 题联动)
683. 反馈到改进:质量运营的节奏怎么运转?
概念 质量运营的节奏化(611 题信号的利用+677 题闭环的组织化):日(自动指标+突变告警)、周(bad case 评审+聚类派单)、月(版本复盘+评测集更新)、季(全面体检+路线校准)。节奏让质量改进从”救火”变”例行动作”。
典型场景 质量问题靠用户投诉发现;改进运动式(出事猛改平时不管);团队觉得质量运营是负担。
解决方案 三步:节奏设计 → 会议与产出 → 文化建设。
第一步:节奏设计
# 文件: quality-rhythm.txt
四层节奏(轻到重):
日: 自动看板+告警(无人会议—— 异常才拉人)
周: bad case 评审会(30 分钟: 聚类 TOP3 分诊派单, 677 题)
月: 质量月报(指标趋势+本月改进清单与效果+下月计划)
季: 评测集全量体检+质量路线复盘(投入方向的校准)
第二步:会议与产出
# 文件: quality-meetings.txt
会议的产出纪律(开会必产出):
周会: 派单清单(谁/修什么/何时完—— 工单化跟踪)
月报: 改进效果闭环(上月修的效果验证—— 防止"修了就算"的自欺)
例会材料自动化(看板直出—— 别为开会做 PPT, 679 题看板的价值)
第三步:文化建设
# 文件: quality-culture.txt
质量文化(557 题blameless 同源):
bad case 不追个人(prompt 写错是流程问题—— 为什么评测没拦住)
质量成绩可见(本月解决率提升 X%—— 改进的价值传播)
用户声音进例会(每周一条真实用户反馈朗读—— 与用户共情的组织设计)
总结:质量运营四层节奏(日自动/周评审/月月报/季体检)、会议必产出(派单工单化+效果闭环验证)、文化blameless+用户声音例行化——节奏让质量从救火变呼吸。
追问1:质量运营的人力投入多大合理? → 起步 0.5 人(兼职的周评审)+自动化看板;AI 收入占比大的产品 1~2 人专职—— 质量运营的投入与业务风险对齐 追问2:怎么证明质量运营的价值? → 改进前后的指标对比(月报的核心章节—— 拒答率降 X%/满意度升 Y);不运营的对照期数据(历史基线的说服力) 追问3:多产品线的质量运营复用? → 平台化的评测与看板基建(一套工具多业务)+各业务的质量 owner 网络—— 中央工具+分布式 owner
684. 质量红线:质量差时的产品动作?
概念 质量的应急分级(597 题kill switch 的质量版):红线(资损/违法输出—— 功能熔断)、黄线(质量明显退化—— 降级到保守模式)、绿线(正常波动—— 观察)。质量问题的”止损优先”:发现-定位-决策的分钟级流程。
典型场景 批量幻觉引发资损(错误价格批量回复);模型输出违规内容被截图传播;质量陡降不知该不该停。
解决方案 三步:红线定义 → 应急流程 → 恢复纪律。
第一步:红线定义
# 文件: quality-redline.txt
红线(触发即停, 预先定义):
资损类: AI 输出直接引发交易损失(错误报价被截图下单)
违法类: 批量违规内容输出(550 题审核失效的 AI 版)
隐私类: 批量泄露用户数据(363 题输出安全的失效)
黄线(降级): 质量指标跌破阈值(拒答率暴增/满意度跳水)—— 降级保守模式(强拒答/转人工)
预演: 红线场景的处置 SOP 文档化(触发词/决策人/动作—— 299 题预案)
第二步:应急流程
# 文件: quality-incident.txt
分钟级应急(299 题P0 的质量版):
发现: 看板突变告警/客诉激增/一线上报(多通道)
决策: 值班的质量决策人(停/降/观的授权前置—— 别等老板)
动作: 熔断(kill switch 关功能)/降级(切保守 prompt 或强人工)/限流(局部用户)
通报: 状态通报(对内事故群/对外按影响面)—— 模板预写(598 题预案包)
第三步:恢复纪律
# 文件: quality-recovery.txt
恢复纪律:
根因明确才恢复(别"看起来好了"就开—— 594 题反向灰度)
恢复的灰度(1%→10%)+质量专项观察窗
复盘: 299 题模板(为什么没拦在评测/告警提前量/处置时效)—— 红线事故的完整复盘
总结:质量三线(红:资损违法隐私即停;黄:退化降级;绿:观察)、应急分钟级(授权前置的决策人+熔断降级限流三动作+预写通报)、恢复要根因+灰度——质量应急是预案工程。
追问1:误杀(其实没那么严重)的代价? → 停功能损失收入—— 决策权衡:资损类宁误杀(损失不对称);体验类先降级观察(594 题暂停思想) 追问2:质量问题的溯源证据链? → 请求级日志(输入/输出/版本/参数—— 649 题档案)是事后分析的全部;采样日志不够(事故样本可能没被采到) 追问3:红线事件对产品策略的反哺? → 每次红线→ 评测集补用例+防线加固(后校验/输出过滤)—— 事故是防线清单的最好的来源
685. 质量周报:向上与向团队的汇报怎么做?
概念 质量周报/月报的双受众:团队(改进的作战地图——问题/动作/效果)与管理层(价值的量化传递——趋势/风险/资源诉求)。原则:数据自动出(679 题看板直出)、结论先行(每图一句人话)、改进闭环(上期动作的效果)。
典型场景 周报没人看;只有数字没有结论;汇报后资源要不到。
解决方案 三步:结构设计 → 数据叙事 → 受众适配。
第一步:结构设计
# 文件: quality-report.txt
周报五段式:
1. 一句话总结(本周质量 X, 环比 Y—— 电梯稿)
2. 核心指标趋势(主指标 3~5 个, 带版本/事件标记)
3. 本期问题与动作(TOP 问题+已派单)
4. 上期闭环(上周修的效果验证—— 闭环证明运营有效)
5. 风险与求助(下周隐患/需要的资源—— 汇报的真正目的)
第二步:数据叙事
# 文件: data-story.txt
数据的叙事纪律:
每图一句结论("重答率上升 2pct, 主因是新场景上线—— 已修复")—— 图为结论服务
异常必有归因(没归因的波动是悬念—— 悬念要有跟踪计划)
少即是多(5 张图讲清楚, 别 20 张图淹没重点—— 570 题看板组织)
第三步:受众适配
# 文件: report-audience.txt
双版本:
团队版: 技术细节+工单链接(作战地图)
管理版: 业务语言(满意度/成本/风险—— AI 的质量翻译成业务影响, "质量问题导致 X 投诉")
节奏: 周报轻(一页)/月报重(复盘+规划)/季度: 路线级汇报(投入产出)
总结:质量周报五段式(总结/趋势/动作/闭环/风险),每图一句结论、异常必归因;团队版与管理版双出(技术↔业务翻译);数据看板自动直出——汇报的成本决定它的可持续。
追问1:周报断更怎么办? → 自动化不足的信号(看板直出+模板化—— 维护成本>10 分钟就简化);质量运营的节奏感比完美的格式重要 追问2:指标不好看怎么汇报? → 诚实+归因+动作(差是事实, 差的原因与对策是价值)—— 粉饰的周报在事故时反噬信任 追问3:质量指标与 OKR 的关系? → 主指标进 OKR(质量是功能团队的 K 维度);运营指标(过程)不进 OKR—— 结果与过程分开考核
九、成本与配额策略(686–691)
686. 成本归因:按功能与用户的成本账本怎么建?
概念 AI 成本的可观测:请求级(token 用量×单价)→ 聚合(功能/模型/用户/场景四维)——成本账本是优化的前提(看不见的钱省不了)。04 批 335 题讲了网关计费——本题是产品侧的归因体系。
典型场景 月账单暴涨找不到原因;功能定价(配额)与成本倒挂;老板问”哪个功能最烧钱”。
解决方案 三步:归因模型 → 账本建设 → 异常监控。
第一步:归因模型
# 文件: cost-model.txt
请求级归因标签(335 题网关的标签体系):
功能(对话/知识库/生成—— 691 题成本中心)
模型与档位(强/轻模型—— 606 题路由的成本面)
用户与套餐(免费/会员—— 612 题的商业对照)
场景上下文(长短上下文/多模态—— 成本差异的大头)
计费口径: 输入/输出/缓存命中分开记(单价不同)—— 账单对账的基础(560 题对账思想的成本版)
第二步:账本建设
# 文件: cost-ledger.txt
成本账本的聚合:
实时: 网关的请求级记账(流式日志→ 聚合管道)
小时/日聚合: 功能×模型×用户层的用量表(565 题账本思想的成本版)
单价快照: 供应商价格表的版本化(涨价的历史可比—— 价格变更标记在趋势图上)
第三步:异常监控
# 文件: cost-alert.txt
成本告警:
环比突变(日成本涨 50%—— 新场景上线/异常循环调用)
单用户异常(个人日耗超阈—— 滥用或 bug, 554 题联防)
预算进度(月预算 80% 预警—— 财务的提前量)
总结:成本归因=请求级标签(功能/模型/用户/场景)+聚合账本+单价版本化;告警盯环比突变、单用户异常、预算进度——成本可见是所有优化的第 0 步。
追问1:token 计价与货币化账怎么对? → 内部按 token 核算、对用户按点数(613 题)—— 两套账的换算系数透明(每点成本的报表) 追问2:缓存命中的成本记账? → 命中部分按缓存价(供应商的 cached input 便宜 10 倍)—— 命中率的成本贡献单列(687 题优化的效果证据) 追问3:自部署模型的成本怎么算? → GPU 时×利用率摊销(487 题容量的成本面)+固定成本(卡/节点)分摊—— 自部署的”单价”是模型而不是 API, 口径统一才可比
687. 缓存降本:语义缓存与结果缓存怎么做?
概念 AI 缓存三层:精确缓存(同问同答——KV/答案缓存)、语义缓存(相似问题命中相近答案——歧义风险)、前缀缓存(系统 prompt 与上下文的 provider 级缓存——601 题已述)。缓存的本质:用”答案复用”省推理——命中率×风险(错缓存比贵推理更糟的场景慎用)。
典型场景 高频同质问题(客服 FAQ)重复计费;缓存答案牛头不对马嘴(语义误命中);成本压不下来。
解决方案 三步:缓存策略 → 命中与质量平衡 → 效果度量。
第一步:缓存策略
# 文件: ai-cache.txt
三层缓存的适用:
前缀缓存: 系统 prompt+历史上下文(供应商自动或显式)—— 无风险收益大(必开)
精确缓存: 完全相同请求的答案复用(hash 键: 问题+上下文+模型版本)——
FAQ 类场景命中 20~40%
语义缓存: 相似度>阈值的命中(歧义风险: "苹果"两个语境)—— 高风险场景(医疗/法律)禁用
缓存失效: 知识更新(答案基于旧知识的缓存要失效, 616 题联动)/模型版本(版本号进缓存键)
第二步:命中与质量平衡
# 文件: cache-quality.txt
语义缓存的保守策略:
高阈值(只命中极相似的)+场景白名单(FAQ/闲聊类可, 个性化类不可)
缓存答案的透明("该答案来自历史相似问题"—— 可选标识, 调试位)
缓存 TTL: 知识敏感场景短 TTL(时效与命中率的权衡)
第三步:效果度量
# 文件: cache-metrics.txt
缓存三指标:
命中率(省钱比例)/缓存成本(存储与查询)/误命中反馈率(缓存答案被点踩—— 质量代价)
ROI: (命中率×请求量×单价)-缓存基建 —— 686 题账本的直接应用
总结:缓存三层(前缀必开、精确按场景、语义保守)、失效联动知识更新与模型版本、度量命中率与误命中反馈——错缓存的代价记进 ROI。
追问1:多用户同问的场景(活动期)? → 热点问题的缓存预热(活动 FAQ 提前缓存)+请求合并(并发同问只跑一次——171 题击穿的 AI 版) 追问2:缓存和 624 题 FAQ 的关系? → FAQ 是人工精选的”永久缓存”(质量最高);缓存是自动的动态复用—— FAQ 优先命中, 缓存兜底 追问3:对话类(多轮)怎么缓存? → 多轮的上下文差异大, 精确缓存难命中—— 前缀缓存(公共系统 prompt)是对话类的主要收益;单轮问答类才适合答案缓存
688. 模型降级与错峰:成本弹性的两板斧?
概念 成本弹性两策略:分级降级(高峰/高负载时切轻模型——606 题路由的成本触发维度)与错峰(批量任务夜间跑——GPU 池与 API 价格的峰谷)。两者都是”用非最优换便宜”——质量护栏必须同行(降级的质量线)。
典型场景 高峰期成本爆炸;夜间批处理与白天争抢;降级后质量投诉。
解决方案 三步:降级策略 → 错峰编排 → 质量护栏。
第一步:降级策略
# 文件: cost-degrade.txt
成本触发的模型降级:
触发条件: 成本速率(小时成本超阈)/负载(QPS 超 capacity 70%)—— 与 607 题故障降级同机制不同触发
降级动作: 强→轻模型(606 题分级链的成本方向应用)/限制长上下文(截断上下文省 token)
用户透明: 降级期的标识("高峰期已切换快速模式")—— 606 题降质管理
第二步:错峰编排
# 文件: cost-offpeak.txt
错峰的对象:
批处理任务(索引重建/批量生成—— 634 题)定时夜间(GPU 池的填谷, 492 题同源)
非实时订阅(645 题定时任务的执行时段选择)
实时交互不参与错峰(体验优先)—— 任务画像决定调度
自建 GPU 池: 白天推理/夜间批处理(利用率最大化, 487 题容量的时间维度)
API 模式: 供应商的批量接口(50% 折价的 async batch—— 非实时任务用批量端点是直接省一半)
第三步:质量护栏
# 文件: cost-quality-guard.txt
降级与错峰的质量护栏:
降级的质量线: 轻模型的质量分基线(评测集分—— 降级不跌破质量红线, 676 题联动)
降级时段监控: 降级期的满意度/重答率对照(质量降多少用户可感知—— 数据决定降级容忍度)
恢复: 成本/负载回落后自动升级回来(降级是临时态, 状态机管理)
总结:成本弹性=分级降级(成本与负载触发+用户透明)+错峰(批量任务夜间/供应商批量接口五折)+质量护栏(降级的质量线与时段监控)——省钱不省质量底线。
追问1:降级决策自动化还是人工? → 常规波动自动(规则化)/重大(全量降级)值班决策—— 与 284 题熔断的决策分级同构 追问2:批量接口的延迟多长? → 供应商 batch 通常分钟~小时级返回—— 适合过夜任务;交互类永远别用批量端点 追问3:错峰与 616 题知识实时性矛盾? → 实时性需求的任务不错峰(白天的增量同步照常);只有全量对账/重建类才夜间—— 任务分级调度
689. 批处理与请求优化:单次成本的压缩?
概念 单次请求的成本压缩:提示词瘦身(上下文裁剪——留必要去冗余)、输出控制(max tokens/结构化精简)、批合并(小请求的合批)。与 687/688 题并列为”单次-复用-时机”三维降本的”单次”维。
典型场景 上下文塞太满(系统 prompt 十里长);输出冗长(啰嗦=贵);海量小请求的固定开销。
解决方案 三步:输入瘦身 → 输出控制 → 合批。
第一步:输入瘦身
# 文件: input-slim.txt
输入成本优化(常占 token 70%+):
上下文裁剪: 检索片段的 top-k 控制(塞 10 段不如精选 5 段—— 质量与成本双赢)
历史压缩: 601 题摘要(历史轮压缩成要点)
系统提示精简: 分场景拆分(别把全量规则塞给每个请求—— 605 题分段的成本意义)
前缀缓存友好: 公共前缀的结构(不变的部分前置—— 601/687 题缓存命中最大化)
第二步:输出控制
# 文件: output-control.txt
输出控制:
max_tokens 上限(防失控长输出—— 成本事故的保险丝)
简洁指令("简明扼要"的 prompt 约束+用户可选 verbosity, 605 题格式段)
结构化输出(需要字段就别生成散文—— 补充问题 9: 输出即数据)
第三步:合批
# 文件: request-batch.txt
合批策略:
批量任务的同模型合批(供应商 batch 端点, 688 题)
应用层合并: 相似小任务的请求合并(标签批处理, 634 题)—— 一次调用处理 N 条(指令: 对以下逐条...)
权衡: 合批的失败粒度变粗(一条错全批重试)—— 幂等与分段的重试设计
总结:单次成本三维:输入瘦身(裁剪/压缩/前缀友好——常省最多)、输出控制(max_tokens/简洁/结构化)、合批(batch 端点/应用层合并)——输入端往往是最大的省钱矿。
追问1:怎么知道上下文哪些是冗余? → 消融测试(去掉 X 后质量不变=冗余—— 评测集验证);检索片段的命中分析(哪些片段实际被引用, 617 题引用率的成本应用) 追问2:max_tokens 设多少合适? → 任务 P95 长度×1.5(统计分布定);过小截断(质量事故)过大失控(成本事故)—— 两端都是坑 追问3:流式与成本的关系? → 流式不省 token(同样的生成量)—— 流式是体验优化不是成本优化;早停(用户停止, 372 题)才省(生成中止)
690. 配额定价:商业模型与成本的对齐?
概念 配额体系(613 题)的定价经济学:成本加成(单用户成本×毛利——底线)、竞品锚定(市场价)、价值定价(用户感知价值——上限)。免费档的获客成本与付费转化率的商业模型——AI 功能的”单位经济模型”(unit economics)。
典型场景 免费用户成本失控;定价与竞品倒挂;付费转化率撑不起成本。
解决方案 三步:单位经济模型 → 定价策略 → 动态调价。
第一步:单位经济模型
# 文件: unit-economics.txt
单位经济(每个用户的账):
免费用户: 日均成本(配额×使用率×单价)×30 —— 获客的变动成本
付费用户: ARPU - 服务成本 = 毛利
转化率×毛利 > 免费成本(健康的模型)—— 反之烧钱获客
数据来源: 686 题成本账本(分套餐的用户成本)+ 使用分布(重度用户的成本尾部)
第二步:定价策略
# 文件: pricing-strategy.txt
三参考定价(成本<定价<价值):
成本底线: 重度用户(P95 使用)的成本×2(覆盖尾巴)
竞品锚: 同类产品的价格带(贵要有差异化理由)
价值上限: 用户的时间节省/替代方案成本(B 端: 替代的人工成本—— 价值锚)
档位设计: 免费够尝鲜/基础档覆盖 P50 用户/高级档给重度—— 613 题档位与成本分布的映射
第三步:动态调价
# 文件: pricing-adjust.txt
定价的迭代:
实验: 价格弹性测试(576 题—— 涨价对转化的影响)
成本传导: 模型成本下降时的定价策略(降价抢市场 or 保利润扩功能—— 战略题)
新能力溢价: 强模型/新模态的加价位(606 题分级的商业面)
总结:配额定价的单位经济:免费成本、付费毛利、转化率的三角自洽;定价参考成本底线/竞品锚/价值上限;价格可实验、成本变化时的传导是战略决策。
追问1:重度用户(成本尾部)怎么办? → P95 成本定价(别被平均成本骗);超重用户的单独协议(企业定制)或公平使用政策(usage cap 条款) 追问2:免费额度的获客账? → 免费成本=LTV×转化率的预算(买试用);试用转化的归因(免费用户的行为漏斗—— 产品增长与成本的交叉分析) 追问3:为什么 AI 产品常亏损? → 毛利薄(模型成本占比高)+免费获客烧钱;出路:成本优化(687~689 题)+差异化溢价(独特数据/工作流)—— 单位经济健康才有长期
691. 成本优化:ROI 排序怎么做?
概念 降本举措的优先级框架(04 批成本章的收官应用):收益(节省额)×实施成本(工程量)×风险(质量影响)的三维评分——先摘”高收益低风险”的果子(缓存/输入瘦身),后动”高风险”的(模型替换)。
典型场景 降本运动乱枪打鸟;省了小钱伤了质量;优化做完成本没降(度量缺失)。
解决方案 三步:举措清单 → ROI 排序 → 效果闭环。
第一步:举措清单
# 文件: cost-initiatives.txt
降本举措全景(按实施成本排序):
零成本: 前缀缓存开启/max_tokens 收紧/系统提示精简
低成本: 精确缓存/输入裁剪(评测护航)/模型分级路由(606 题)
中成本: 批处理错峰(688 题)/轻模型微调替代
高成本: 自部署(04 题 366 的容量与利用率前提)/架构改造
第二步:ROI 排序
# 文件: cost-roi.txt
三维评分:
节省额(基于 686 题账本测算—— 该举措覆盖的成本面×预期降幅)
质量风险(评测集预验—— 689 题输入裁剪的质量对照)
工程成本(人天)
矩阵: 高节省×低风险优先(典型: 缓存与输入瘦身);高节省×高风险慎入(模型替换要评测完备)
第三步:效果闭环
# 文件: cost-verify.txt
效果验证闭环:
前: 优化项的基线成本(账本切片)
后: 同口径对比(成本降 X%×质量分不降)—— 双指标验收(省钱的完整定义)
报告: 季度降本战报(总节省额—— 团队的成果可见性, 685 题汇报的成本版)
总结:降本=举措全景×三维 ROI(节省/风险/工程)排序,先摘缓存与输入瘦身的低风险果;效果双指标验收(成本降且质量不降)——降本是工程与质量的平衡术不是砍价。
追问1:最大头的成本在哪? → 通常:输入 token(长上下文)× 强模型单价—— 两个杠杆(输入瘦身+分级路由)覆盖 60~80% 优化空间;先看账本再动手(686 题前提) 追问2:降本与体验冲突的决策? → 体验红线(质量分底线)之上的降本都可行;红线之下的”省钱”是亏损(质量事故的修复成本更高, 684 题联动) 追问3:自部署什么时候值得? → 利用率高(04 题 366: 大流量+稳定负载)+数据合规需求;API 时代的多数产品先别—— 自部署的隐性运维成本常被低估
十、安全合规与信任(692–699)
692. 注入防御:产品面的纵深怎么做?
概念 提示注入(324/361/362 题讲了原理与防御矩阵)的产品面:输入过滤(用户输入的可疑模式)、输出防线(敏感动作的确认——642 题是注入的最终闸)、场景收敛(高危场景的权限最小化)。产品视角:注入不可根治(324 题),防御是”提高攻击成本+限制爆炸半径”。
典型场景 用户诱导 AI 泄露系统提示;RAG 文档里藏指令(间接注入);Agent 被诱导执行危险操作。
解决方案 三步:输入面 → 输出面 → 爆炸半径。
第一步:输入面
# 文件: inject-input.txt
输入检测(324 题检测层的产品化):
注入模式库(忽略之前指令/角色扮演越狱—— 模式识别+模型判别)
用户输入的转义与隔离(标记化: 用户内容与指令的分界—— prompt 结构的输入区隔离)
高危入口加验(公开渠道进知识库的内容重点检—— 间接注入的主通道, 362 题)
第二步:输出面
# 文件: inject-output.txt
输出防线:
动作确认(642 题高危确认—— 注入诱导的"删除数据"过不了确认关): 产品面的终极闸
输出过滤(敏感数据不回显—— 系统提示/密钥/他人数据的输出检测)
内容审核(550 题链—— 注入诱导的违规输出拦截)
第三步:爆炸半径
# 文件: inject-blast.txt
爆炸半径控制(361 题矩阵的架构面):
权限最小化(641 题分级—— 被注入也干不了大事)
沙箱与白名单(工具的域名/资源限制)
审计与熔断(649 题档案—— 异常行为模式的实时检测: 短时间高危请求熔断)
红队演练: 季度注入演练(361 题红队—— 防线的实战检验)
总结:注入防御的产品纵深:输入检测(模式+隔离)、输出双闸(动作确认+内容审核)、爆炸半径最小化(权限/沙箱/审计熔断)+季度红队——承认不可根治,做好成本与半径。
追问1:间接注入为什么最难防? → 指令藏在数据里(RAG 文档/网页/邮件——数据与指令无法完全分离):来源可信化+内容检测+高危动作确认的三层是现实解 追问2:注入检测的误报? → 正常指令被误拦(“帮我写个忽略规则的脚本”是写作需求):分级处置(确认为主拦截为辅)+误报反馈通道(557 题同源) 追问3:模型升级后防御要重测吗? → 要(模型对注入的敏感度随版本变化—— 681 题升级回归的安全维度):注入用例集(对抗用例)进评测集
693. 隐私:不留存与数据最小化怎么落地?
概念 AI 功能的隐私三原则:最小化(只送必要的)、不留存(供应商侧不训练/平台侧限期)、可控(用户可查可删)。数据流图(用户输入→平台→模型供应商→返回)的每一段都要过这三问——363 题输出安全的姊妹篇(输入与存储面)。
典型场景 用户输入被供应商用于训练的争议;对话数据被员工随意查看;删除权在 AI 链路的落实。
解决方案 三步:最小化 → 不留存 → 可控。
第一步:最小化
# 文件: privacy-minimize.txt
输入最小化:
脱敏前置: 敏感信息(身份证/手机号)的发送前脱敏(223 题脱敏在 AI 入口的复用)
上下文裁剪也是隐私(少送=少暴露—— 689 题输入瘦身与隐私双赢)
按功能的分级: 医疗/法律场景的输入策略单独定(更高标准)
第二步:不留存
# 文件: privacy-noretain.txt
两段不留存:
供应商侧: 合同与技术双保险(zero data retention 选项/API 不训练条款—— 选型硬条件)
平台侧: 日志与训练数据的分离策略(AI 交互日志的加密+限期+访问审计;训练使用单独授权, 694 题)
留存期限: 交互数据的保留期(30~90 天常用)+到期自动删(526 题生命周期的隐私版)
第三步:可控
# 文件: privacy-control.txt
用户控制:
查询: 我的数据被怎么用(隐私面板—— 输入的用途声明可视化)
删除: 对话/记忆(601 题 L3)的删除权—— 604 题删除的 AI 数据面
关闭: 数据用于改进(训练)的开关(658 题同源)—— 默认关或显式同意(监管趋势)
总结:隐私三原则的落地:最小化(脱敏前置+裁剪)、不留存(供应商条款+平台限期加密)、可控(查删关三权)——数据流图的每段过三问。
追问1:内部员工的查看权限? → 最小授权(客服只见相关工单)+查看审计(每一次对话查看留痕—— 内部滥用的防线);批量导出的告警(568 题导出安全的会话版) 追问2:合规审查要出示什么? → 数据流图(全链路)+DPA 协议(供应商)+留存策略文档+用户行权记录(查删的执行证明)—— 521 题审计的隐私专项 追问3:匿名化数据用于训练? → 匿名化的标准(重标识风险评估—— 去标识不是匿名);高风险数据(医疗)即使匿名也谨慎—— 法务参与的分级
694. 数据用于训练:用户授权与价值交换?
概念 用户数据训练模型的授权光谱:默认不用+显式授权(最保守,用户主动贡献)、匿名聚合(统计用途的中间态)、区域法规差异(欧盟严/部分区域宽)。价值交换设计:授权的回报(更好的个性化/权益)——授权不是霸王条款是交易。
典型场景 “我的对话被拿去训练”的舆情;授权率极低;训练数据质量与合规的两难。
解决方案 三步:授权设计 → 价值交换 → 数据治理。
第一步:授权设计
# 文件: training-consent.txt
授权的产品设计:
默认关+场景化请求(触发点: 用户给好评时邀请"帮助改进"—— 时机与语境的授权率差异)
粒度: 按对话授权(这条回答允许学习)/全局开关(693 题面板)
可撤回: 授权随时撤(已用于训练的无法撤回—— 条款明确"撤回不影响已训练")
第二步:价值交换
# 文件: data-value-exchange.txt
授权的回报设计:
直接: 授权用户的权益(配额加成—— 授权换额度的交易)
间接: 模型改进的普惠(更好的个性化—— 601 题记忆的训练面)
透明度: 训练数据用途的公示(改进什么—— 具体的价值叙事增加授权意愿)
第三步:数据治理
# 文件: training-data-gov.txt
训练数据治理:
质量管道: 授权数据→清洗(脱敏/去重/质量过滤)→训练集(数据血缘记录)
出处可溯: 训练集的数据来源登记(合规检查的答卷+遗忘权的技术准备)
法规适配: 区域差异(欧盟数据的本地训练—— 698 题出境联动的训练面)
总结:训练授权=默认关+场景化请求+可撤回;价值交换让授权成交易(权益/个性化回报);治理三件(清洗血缘/出处登记/区域适配)。
追问1:授权率多少算健康? → 5~20%(场景化请求可达 30%+);低授权率的反思(价值叙事不清 or 信任不足—— 修复信任而不是改默认勾选) 追问2:被投毒的授权数据? → 数据投毒风险(恶意提交污染训练)—— 授权数据的异常检测(批量同质提交/异常模式, 554 题联防) 追问3:第三方模型微调的数据权属? → 用供应商微调服务=数据给供应商(条款审查);合规敏感的自建训练(04 题 366)—— 架构受数据权属影响
695. 内容标识:AI 生成内容的合规标识?
概念 AI 生成内容标识的合规与产品:显式标识(用户可见: “AI 生成”水印/标签——中国《生成式 AI 管理办法》与全球趋势的硬要求)与隐式标识(元数据/水印——检测与溯源)。范围:文本/图片/音视频的差异化标识方案。
典型场景 AI 生成的图片没标识被平台处罚;标识影响美观的抱怨;标识的具体形态争议。
解决方案 三步:标识方案 → 体验平衡 → 平台适配。
第一步:标识方案
# 文件: content-label.txt
按模态的标识:
文本: 显式署名("由 AI 生成"的对话/文章标签)+隐式(元数据字段)
图片: 可见水印(角落)+不可见水印(频域—— 溯源用)+EXIF 元数据(AI 生成标记)
音视频: 片头/角标+数字水印(TTS 合成声的标识, 673 题联动)
分级: 纯 AI 生成(强标识)/AI 辅助(人为主—— 弱标识或不标, 按各地定义)
第二步:体验平衡
# 文件: label-ux.txt
体验与合规的平衡:
标识的轻量化(小角标/灰色文字—— 合规但不喧宾夺主)
场景豁免的梳理(私人草稿不标识, 发布/分享才标—— 标识绑定传播场景)
用户教育: 标识的意义说明("为什么有这个标"—— 一次性的解释浮层)
第三步:平台适配
# 文件: label-platform.txt
多平台适配:
各平台/地区的标识规范差异(字样/位置/形式)—— 配置化标识方案(595 题多端)
平台审核的预对齐(发布渠道的标识要求提前适配—— 别被渠道下架)
检测对抗: 恶意去除标识的滥用(用户抹水印冒充人写)—— 隐式水印的兜底(检测层)
总结:内容标识按模态差异化(文本标签/图片水印+元数据/音视频片头)、体验轻量化(绑定传播场景)、多平台配置化适配;隐式水印是去除标识的检测兜底。
追问1:AI 辅助(人修改 AI 初稿)怎么标? → 各地阈值不同(实质性人工参与可免标)—— 产品按最严口径(保守合规);边界场景的法务清单 追问2:标识能防什么? → 误导的辨识(读者知情)与溯源(滥用的追责);防不了故意去除—— 检测技术(水印验证)与处罚规则是配套 追问3:合成媒体的deepfake治理? → 人脸/声音合成的高危场景(673 题声音克隆授权);平台级的合成内容检测+举报通道(553 题)—— 标识是治理的一环不是全部
696. 免责与复核:AI 输出的责任声明怎么设计?
概念 AI 输出的责任框架:领域免责(医疗/法律/金融的”仅供参考不构成建议”——608 题拒答的责任面)、人工复核声明(关键场景的”AI 辅助+人工确认”流程背书)、分层信任(UI 传达输出可信度)。免责不是推责——配套的复核流程才是诚意。
典型场景 用户按 AI 建议服药出事;AI 合同建议的法律纠纷;“你们免责条款有效吗”的质疑。
解决方案 三步:领域免责 → 复核流程 → 信任分层。
第一步:领域免责
# 文件: domain-disclaimer.txt
高危领域的免责设计:
医疗/法律/金融: 固定免责声明(产品内显式位置—— 别藏在用户协议)+答案的边界话术(608 题)
免责的有效性: 法务起草(单方免责不是护身符—— 主动引导危险的场景免责无效)——
产品设计的"不做危险引导"比条款更重要
第二步:复核流程
# 文件: review-process.txt
复核的流程化(免责的诚意):
高危输出的人工复核位(医疗类答案的医生审核—— 内容生产的双人制, 550 题人审的领域版)
复核的标识("已由 XX 审核"/"AI 生成未复核"—— 用户可见的信任分级)
复核记录留痕(521 题审计—— 责任链的完整证据)
第三步:信任分层
# 文件: trust-layers.txt
UI 的信任传达:
输出的置信暗示(引用齐备=可信度高—— 617 题引用即信任)
场景化的信任提示(关键决策场景的"建议核实"文案)
反馈通道(质疑入口—— 用户的纠错权, 611 题)
总结:责任设计三层:领域免责(法务起草+不做危险引导)、复核流程(高危输出人审+标识+留痕)、信任分层(UI 传达可信度与核实建议)——免责条款配复核流程才是完整责任体系。
追问1:免责条款能免责吗? → 部分能(一般性建议)/不能(具体指导造成损害—— 过错责任原则);产品姿态:高危场景宁拒答(608 题)不赌免责 追问2:AI 出错的实际担责案例? → 航空客服的赔偿/错误信息的平台责任—— 判例在演进;保守设计(高危不自动、可追溯、快速补救)是通用策略 追问3:企业的责任划分(平台 vs 模型供应商)? → 面向用户的是平台责任(供应商条款是内部追偿);平台不可把责任”外包”给模型免责声明—— 对用户的义务是平台的
697. 未成年人保护:AI 的特殊义务?
概念 未成年人 AI 保护三件:内容适龄(分级的内容边界——比成人版更严的拒答)、时间与消费(时长限制/消费确认——家长授权)、识别与家长控制(年龄识别+家长面板)。监管趋势(未成年人网络保护条例)对 AI 功能的明确要求。
典型场景 未成年人问成人内容被答;孩子刷家长账号巨额消费;教育类 AI 的适龄设计。
解决方案 三步:适龄内容 → 消费管控 → 家长控制。
第一步:适龄内容
# 文件: minor-content.txt
适龄的内容边界:
更严的拒答边界(暴力/成人/自伤类收紧—— 608 题边界的未成年档)
教育场景的正向设计(引导学习/防依赖—— "先自己试试"的教育型话术)
分级实现: 未成年人模式的内容过滤层(550 题审核的未成年档位)
第二步:消费管控
# 文件: minor-spend.txt
消费的保护:
未成年账号的消费限制(单月上限/大额家长确认—— 563 题配额的未成年档)
AI 功能的计费保护(游戏化诱导的禁止—— 未成年人保护的监管红线)
退款通道: 未成年人误消费的退款 SOP(快速响应—— 监管与舆情的双高压)
第三步:家长控制
# 文件: parental-control.txt
家长面板:
使用报告(孩子的 AI 使用时长/主题分类—— 隐私与监护的平衡: 报告不展示内容细节)
限制设置(时段/功能/消费的远程设置)
识别机制: 实名信息的年龄分层+行为识别(疑似未成年的二次核验)
总结:未成年人保护三件:内容适龄(更严边界+教育正向)、消费管控(限额+确认+退款 SOP)、家长控制(报告/远程限制/识别)——AI 功能的合规硬要求与产品责任。
追问1:怎么识别未成年? → 实名年龄(可靠但可假)+行为信号(使用时段/内容偏好—— 辅助);疑似账户的温和核验(不是处罚式)—— 识别是手段保护是目的 追问2:教育 AI 的特殊设计? → 学习辅助与代做的边界(引导思路不直接给答案—— 教育产品的 AI 伦理);教师端的监督(布置与批改的闭环, 648 题内部 Agent 的教育版) 追问3:未成年数据的双重敏感? → 未成年人数据是最高敏等级(不留存从严/训练禁用—— 693/694 题的加强档);家长同意机制(收集未成年人信息的法定前置)
698. 数据出境与本地化:出海 AI 的合规架构?
概念 AI 出海的数据架构三模式:全本地(数据不出境: 区域独立部署——最重合规)、区域化(欧盟/中国各自区域处理)、全球统一(数据流动——最轻但合规风险)。模型 API 的跨境调用本身就是数据出境——架构选型受法规倒逼。
典型场景 欧盟用户数据调美国模型 API;国内数据出圈权限;多区域的成本翻倍。
解决方案 三步:法规地图 → 架构选型 → 隔离实现。
第一步:法规地图
# 文件: data-laws.txt
关键区域的 AI 数据规则:
中国: 数据出境安全评估/个保法(重要数据与个人信息的出境路径)
欧盟: GDPR(充分性认定/SCC 标准合同)+AI Act 分级义务
其他: 各地数据本地化要求(俄罗斯/部分东南亚的强制本地)
梳理: 目标市场的法规清单(法务与架构的联席输出—— 别上线后被倒逼重构)
第二步:架构选型
# 文件: arch-choice.txt
三模式选择:
全本地: 强制本地化市场(自部署模型或多区域供应商端点—— 04 题 366 的区域版)
区域化: 主流出海形态(欧盟区用欧盟端点/中国区用国内—— 区域供应商的多端点路由)
全球: 合规宽松市场或匿名化后流动(匿名数据的全球处理)
模型供应商的区域能力(区域端点)是架构的前置约束—— 选型时查
第三步:隔离实现
# 文件: isolation-impl.txt
隔离的工程落地:
数据分区: 按区域的存储与处理隔离(261 题多租户的区域维度—— 租户×区域)
路由: 用户区域的自动路由(区域判定+对应端点/模型)—— 跨区域调用的拦截(防误配)
团队与权限: 区域数据的访问隔离(运营看自己区域—— 693 题内部权限的区域面)
总结:出海合规=法规地图先行、架构三模式按市场选(本地/区域化/全球)、隔离工程(数据分区+区域路由+权限隔离)——模型供应商的区域端点能力是前置约束。
追问1:跨境调用模型 API 算出境吗? → 算(请求含个人信息即传输)—— 区域端点或本地化;“技术性传输”不豁免(合规按实质认定) 追问2:多区域的一致体验怎么保? → 区域间的模型能力差异(本地模型的弱化):功能降级的一致话术(607 题)+长期的多区域能力对齐—— 合规的成本之一 追问3:哪天法规变了架构要重构? → 架构的区域化预留(数据分区的可扩展—— 从 Day1 设计区域字段)比事后拆分便宜十倍;法规监控(681 题感知的法规面)
699. AI 信任框架:收官——信任怎么系统化构建?
概念 收官题:AI 功能的信任=技术可靠性(质量与安全,676~693 题)×透明度(用户知道在和 AI 交互/知道边界,695/696 题)×可控性(用户能纠正/关闭/删除,658/693 题)×一致性(体验稳定不惊吓,679 题)。信任是设计出来的系统能力,不是公关话术。
典型场景 功能都做了但用户还是不信任;一次事故摧毁长期积累;“怎么让用户敢用 AI”的战略问题。
解决方案 三步:信任的框架 → 信任的度量 → 信任的经营。
第一步:信任的框架
# 文件: trust-framework.txt
信任四支柱(本章与全库的映射):
可靠: 质量稳定(评测+运营)+安全兜底(注入/隐私/审核)—— 能力面
透明: AI 身份明示+能力边界声明+引用溯源(617 题)+内容标识(695 题)—— 知情面
可控: 纠正(603 题)/关闭(658 题)/删除(693 题)/申诉(557 题)—— 权利面
一致: 不惊吓(恐怖谷治理, 654 题)/不突变(版本管理, 680 题)—— 预期面
第二步:信任的度量
# 文件: trust-metrics.txt
信任的可量化:
行为代理: 高风险功能的采纳率(敢让 AI 干重要事=信任的试金石)/授权率(694 题训练授权)
态度调研: NPS/信任度专项调研(季度)
负指标: 关闭率/转人工率/授权撤回率的趋势(信任流失的哨兵)
第三步:信任的经营
# 文件: trust-ops.txt
信任的经营节奏:
事前: 高风险功能上线的信任评估(四支柱自检清单—— 本章即清单)
事中: 事故的信任修复(快速响应+诚实通报+可见改进, 684 题应急与 599 题闭环)
事后: 透明度报告(质量数据/事故复盘/数据使用的年度公示—— 监管与用户的双重答卷)
总结:AI 信任=可靠×透明×可控×一致的四支柱系统(每支柱都在本章与全库有落点);用行为代理(高风险采纳率)与负指标(关闭/撤回)度量;经营贯穿事前评估、事中修复、事后透明报告——信任是 AI 产品最深护城河。
追问1:信任和增长冲突吗? → 短期会(透明与克制降低”爽感”指标);长期不(信任用户的 LTV 与授权率是增长引擎)—— 信任是慢变量, 别用快指标考核 追问2:一次大事故后信任怎么重建? → 承认(不狡辩)+补偿(实际行动)+改进可见(公开的整改)—— 事故处理得当反而加深信任(危机的红利) 追问3:全库学完的最后一问? → 你的 AI 功能在四支柱上各几分、最弱的是哪根、下一步补什么—— 699 题的答案在读者的产品里
第七批完:对话类功能 14 题(600–613)+ 知识库与 RAG 功能 14 题(614–627)+ 生成类功能 12 题(628–639)+ Agent 与自动化 12 题(640–651)+ 搜索与推荐 AI 化 8 题(652–659)+ AI 客服与支持 8 题(660–667)+ 输入体验与前端集成 8 题(668–675)+ 评测与质量运营 10 题(676–685)+ 成本与配额策略 6 题(686–691)+ 安全合规与信任 8 题(692–699),共 100 题,题号 600–699。跨批次引用:0–99 → 第一批,100–199 → 第二批,200–299 → 第三批,300–399 → 第四批,400–499 → 第五批,500–599 → 第六批。