从想法到原型：一次 AI 产品实验记录

AI 产品的想法很容易显得成立。只要把一个熟悉的工作流程接上模型，就能写出“自动理解、智能生成、持续优化”的描述。真正困难的是把这些词变成用户能够感受到的变化。

这次实验从一个很小的问题开始：当我收集了一堆零散资料后，能不能更快得到一份可继续编辑的研究提纲？目标不是让 AI 替我完成研究，而是减少从“资料很多”到“知道下一步写什么”之间的摩擦。

先写下失败条件

在做界面之前，我先定义什么情况意味着这个想法不值得继续：

• 整理结果只是换一种说法复述原文；
• 用户需要花更多时间核对来源；
• 输出看起来完整，却无法继续编辑和重组；
• 同一批资料多次运行后结构漂移太大；
• 为了得到可用结果，必须学习复杂的提示词。

这张清单比功能列表更有用。它把注意力从“模型能做什么”拉回“用户的任务有没有变轻”。

用最薄的流程验证核心价值

第一版原型只有三个动作：导入资料、选择整理目标、生成带来源标记的提纲。我没有加入账号、历史记录、团队空间和模板市场，因为这些都不能证明核心假设。

输入也被刻意限制。系统不接受任意长的混合内容，而是先要求用户确认资料范围，再选择“比较观点”“提取行动项”或“建立文章结构”。较少的自由度让输出更稳定，也让用户知道系统正在做哪类判断。

生成结果不是一篇貌似完成的文章，而是一组可以拖动、删除和补充的结构块。每个关键判断都能回到对应资料。这样，AI 的角色更像整理桌面的助手，而不是替用户签字的作者。

模型表现不是唯一指标

测试时，我记录的不只是答案好不好，还观察三个过程指标：第一次有用结果需要几步、用户修改了多少结构、哪些内容必须返回原文确认。

一个有趣的现象是，更长的输出并没有带来更高的信任。相反，当提纲主动暴露不确定项，并把相近但冲突的观点并列放置时，用户更愿意继续使用它。产品不需要让模型显得无所不知，而需要帮助用户判断哪里可以相信、哪里应该介入。

这也改变了界面设计。与其用一个持续闪烁的“AI 正在思考”制造魔法感，不如清楚显示当前使用了哪些资料、执行了什么整理目标、哪些段落缺少来源。

原型之后留下了什么

这次实验没有直接变成一个庞大的产品计划，但验证了两件事。第一，资料整理的价值不在一次性生成文本，而在建立可追溯、可编辑的中间结构。第二，约束不是 AI 产品的缺点；合适的约束能降低用户表达意图的成本，也能让结果更可预测。

下一步如果继续，我会优先改善来源定位和局部重生成，而不是增加更多模型选项。用户并不真正关心背后调用了几个模型，他们关心的是：现在能否更清楚地理解材料，并更有把握地迈出下一步。

从想法到原型的意义，就在于尽快把宏大的叙述压缩成一个可以观察、可以失败、也可以继续修正的真实任务。