0.0°

设计师视角下的 AI 产品升级：智能...

经验类型经验/观点
经验属性原创文章
经验版权署名-非商业性使用-相同方式共享

关注

268 0 0 2025-07-09

前言

继上次分享了 AI 产品设计的 1.0 到 2.0 转型历程后，最近两个月我们在智能问答和智能报告两大核心AI产品的迭代中又做了一些深度改进，今天就再次将这些实践拆解记录一下，涉及技术转型背后的设计思考，以及设计师如何在团队协作中无缝对接技术团队。

一、智能问答产品 3.0 迭代全解析

1.技术转型

上次讲到，在产品技术演进的历程中，我们经历了关键的架构升级与模式转型：

1.0至2.0阶段的迭代，我们摒弃了通用大模型的自研路径，转向行业垂域大模型的深度训练，完成了从“Transformer架构”到“RAG+LLM混合框架”的技术跃迁。（关于这段经历可查看上一篇文章：https://www.zcool.com.cn/article/ZMTY1NjQ4NA==.html）这一转变解决了通用模型在专业场景中的知识滞后与算力浪费问题，实现了垂直领域回答准确率的显著提升。而随着AI技术架构与开发模式的持续革新，短短两个月内，我们再次推动产品从2.0向3.0升级：

正式迈入当下行业兴起的“智能体平台”开发阶段。这一演进不仅顺应了轻量化、模块化的技术趋势，更通过智能体平台的组件化架构设计，让产品从单一领域的知识问答，进化为支持多场景业务流程自动化的智能化解决方案。

看看国内各大厂近期的科技新闻便能得知，行业风向正经历着从自研重资产到平台轻量化的重大转型：百度文心千帆推出“智能体工厂”、阿里通义千问发布“企业智能体解决方案”、字节跳动推出“火山引擎智能体平台”...众多大厂纷纷做出改变，以顺应这一趋势。

1.1 技术转型后的优势

智能体平台赋予 AI 自主决策、规划及与环境交互的能力。与“RAG+LLM” 模式相比，智能体平台优势显著。它能实现复杂任务深度拆解与协同处理，这是“RAG+LLM” 模式单一问答式交互难以达成的。智能体平台开发周期短、成本低，基于可视化编排工具与预制组件，开发者无需大量代码编写，即可快速构建应用，降低开发门槛与资源投入。而且，智能体平台扩展性强，可随时添加新智能体或更新功能，灵活适应业务变化，企业能依据市场需求迅速调整智能化策略。

我们公司同样紧跟这一行业转型步伐。之前的 “RAG+LLM” 模式，在实际应用中，面临着模型更新迭代复杂、知识检索不够精准高效等问题。随着业务拓展，对智能问答、业务流程自动化等功能需求增多，原有模式在开发成本与效率上难以满足。于是，我们果断转向智能体平台开发。

在智能问答场景中，借助智能体平台构建多个领域专家智能体，如“产业链图谱绘制”智能体、“美国管制清单分析”智能体等。与之前 “RAG+LLM” 模式相比，回答准确率有很大提升。且各个智能体可独立更新优化，开发效率也得到了提升。从 “RAG+LLM” 到“智能体平台”开发的转变，让我们公司在智能化业务发展道路上轻装上阵，快速适应市场变化，提升竞争力。

当然，智能体与RAG并非对立，也可结合使用：复杂场景可考虑智能体矩阵优先，每个智能体内部集成RAG技术；若基于最新知识的准确回答则优先考虑RAG。

1.2 混合架构的解耦：从混编作战到单兵专精的升级

在智能问答产品的早期版本中，我们采用 “基座大模型 + 多元智能体协同” 的混合架构。这种设计就像搭建一座大型综合医院，通用大模型如同全科医生，而细分领域的智能体则是各科室专家。当用户提出问题时，系统会化身 “分诊台”，通过 NLP 意图识别算法自动判断问题属性，动态调取最合适的智能体进行作答。

然而，这种看似高效的 “大一统” 模式在实际应用中逐渐暴露出深层矛盾。想象一座繁忙的急诊室，全科医生既要处理感冒发烧，又要应对心脏急救，而各科室专家在需要时才被临时召集。在智能问答场景中，不同智能体的代码逻辑与大模型调用链路相互交织，形成复杂的 “技术迷宫”。

当用户询问 “全国人工智能产业领域的发展现状” 时，系统可能需要同时激活产业、企业、人才、技术等多个智能体。这种 “大杂烩” 式的协同不仅导致响应速度缓慢，更严峻的挑战在于用户体验层面。由于缺乏明确的 “责任划分”，同一个对话界面的多轮对话会包含不同的智能体专家头像进行回答，这种不确定性让用户对 AI 的专业性产生怀疑，就像在医院中频繁更换主治医师，却始终得不到清晰的诊疗方案。

架构优化前的 “混编作战” 模式存在多重体验缺陷：

界面信息混杂：智能体身份切换缺乏明确边界，多领域智能体的回答未经区分统一呈现在同个页面，导致信息边界模糊，提升用户认知负荷。

回答质量衰减：通用大模型与细分智能体的协同逻辑模糊，使得专业领域的回答精度下降，出现 “大而全却不精” 的问题。

产品定位偏离：“单对话窗口内快速切换智能体” 的设计与核心定位存在冲突：产品的初衷是引导用户基于明确目标选择对应智能体，通过 “目标 - 工具” 的精准匹配提升效率；而当前设计允许用户通过单一输入框触发多智能体响应，本质上弱化了智能体的场景专属属性，与 “精准服务” 的定位背道而驰。

面对这些问题，我们开启了架构的深度重构之旅。新方案采用 “智能体独立作战” 的模式，如同将综合医院拆解为专科医院集群。架构师运用解耦思维，将原本纠缠的代码模块逐一剥离。每个智能体都拥有独立的 “作战单元”—— 专属的模型参数、知识库、处理逻辑，甚至独立的 API 接口。以“瓶颈分析”智能体为例，它不再与其他领域代码共享资源，而是专注于卡脖子技术分析、瓶颈技术预测等细分场景，调用的数据也仅限于管制清单、实体清单等知识库检索+网络辅助检索。

这种变革直接映射到产品界面设计上，形成 “一页面一智能体” 的极简形态。用户进入 “产业链分析” 页面，就如同踏入行业分析师的专属工作室，所有内容都围绕该领域需求定制。

新架构带来的不仅是技术层面的优化，也是用户体验的提升。独立运行的智能体响应速度更快，每个智能体的界面优化、交互设计都能独立进行。而对用户来说，最直观的感受是专业问题能够得到清晰的分类， AI 变得更 “可靠”，每次提问都能获得逻辑严密的专业解答。

这场智能体混编作战到单兵专精的升级，不仅重塑了智能问答产品的技术基因，更让我们看到，在 AI 时代，清晰的场景划分与专业聚焦，才是打造产品体验的关键所在。

2.智能体平台

2.1什么是智能体平台

智能体平台是一种模块化的 AI 开发与运行框架，核心是将大模型能力拆解为可灵活组合的 “智能组件”，通过可视化工具实现 AI 应用的快速构建与部署。它就像 “AI 的操作系统”，提供标准化接口、行业知识库及多模型协同能力，帮助开发者以轻量化方式开发复杂 AI 应用。

智能体平台是 AI 从 “实验室模型” 走向 “产业落地” 的关键桥梁，通过模块化、低门槛的开发模式，让企业能够更高效地将 AI 融入业务流程。

国内智能体平台发展迅速，在功能、适用场景等方面各具特色，为不同用户提供多样化选择，常见的智能体平台有：百度文心智能体平台、阿里巴巴魔塔智能体平台、腾讯元器智能体开放平台、字节跳动扣子 AI 平台、FastGPT、Dify等。

在智能体平台的选型过程中，我们公司经过多轮评估与深度分析。阿里、腾讯等公司的智能体平台，更适用于电商、社交方向下去使用，在其余的几个平台中，最终选定了 Dify，放弃了 FastGPT、扣子（Coze）。这一决策背后也有着多方面的考量。

首先，对于扣子平台，尽管其具备零代码开发、丰富插件等优势，但由于公司产品对数据安全和隐私保护有严格要求，需确保数据在本地环境存储与处理，而扣子不支持本地部署，与公司产品性质严重不符，这成为放弃它的关键因素。

在对比 Dify 和 FastGPT 时，虽然 FastGPT 在知识库问答场景表现出色，界面简洁且学习成本低，对非技术团队友好，能快速搭建简单应用，但其功能相对单一，更侧重基础的知识库问答。而我们公司作为聚焦 B 端场景下的产业链大数据人工智能公司，业务复杂多样，面临的不仅是简单的知识问答需求，还涉及到复杂的业务逻辑处理、多部门协作流程以及对产业链数据的深度挖掘与分析等。

Dify 的优势则与我们的业务需求高度契合。它功能全面，不仅覆盖知识库，还集成 Agent 和工作流，具备强大的 RAG 策略配置和多种检索模式，能满足对产业链大数据精准检索与分析的需求。在工作流能力上，Dify 节点类型丰富、逻辑控制强，支持复杂业务逻辑和多步推理任务，这对于我们处理复杂的业务场景至关重要。同时，Dify 支持外挂知识库，方便对接公司的各类数据资源。

2.3 解构智能体搭建过程

Dify 平台通过可视化的操作界面，将复杂的智能体搭建流程拆解为清晰的节点与连线，即使是非技术人员也能快速理解其运行机制。整个搭建过程大致可分为需求梳理、节点配置、逻辑串联、测试优化四个步骤，每个步骤都依赖不同功能节点的协同运作。

2.3.1 搭建流程：可视化界面，所见即所得

打开 Dify 平台的智能体工作流搭建页面，映入眼帘的是直观的工作流编辑画布，平台将复杂的 AI 逻辑转化为节点与连线，通过连线构建数据流转路径。从接收用户输入的 “开始节点” 出发，数据依次经过 “问题分类器”、“知识检索”、“LLM” 等核心节点，最终通过 “结束” 输出答案。这样就完成了最简单的一次智能体流程运行。 Dify 平台这种可视化设计极大降低了技术门槛，即便作为非技术人员，也能快速理解智能体的运行机制。

2.3.2 智能体工作流：模块化的 “数字流水线”

工作流是 Dify 智能体的核心骨架。每个节点各司其职，通过有序协作完成复杂任务。开发团队会根据业务需求，灵活组合 “输入 - 处理 - 输出” 类节点。在探索公司开发团队基于 Dify 平台搭建的各个智能体时，我逐步拆解了其核心构建逻辑。通过界面我们可以直观理解智能体从框架到细节的完整搭建流程。在查看了多个智能体工作流后，不难发现，整个过程主要分为用户意图解析→知识检索→逻辑推理→内容生成 四大环节。

例如：下图“产业链图谱绘制”智能体工作流截图。

2.3.3 开始节点：交互的起点

“开始节点” 是智能体与用户交互的入口，就像一扇大门，等待用户触发。它负责接收用户输入的文字、语音甚至文件数据，并将其转化为智能体可处理的格式。

2.3.4 问题分类器：用户意图精准分流

在问题分类器中，通过 NLP 算法快速识别用户意图，开发团队通过不同的规则库实现了问题分类。并为每种类型配置了专属处理流程。当用户用清晰的自然语言描述了想要绘制的产业链名称时，数据则流入产业链图谱绘制的分支。当用户问题不精准时，问题被分流至另一分支，系统会提示用户重新输入问题，并附正确的提问方式，引导用户规范提问。

2.3.5 大模型选择：智能体的 “大脑中枢”

大模型是智能体的核心运算单元，Dify 平台支持接入 GPT、Claude、通义千问等主流模型，甚至能适配开源模型。开发团队会根据业务场景选择合适的 “大脑”：例如，通用问答场景使用开源模型（如 Qwen）降低成本，而专业领域（如瓶颈技术分析、产业链图谱绘制）则接入智谱的glm-4

flash模型保障回答的权威性与专业性。通过平台的模型对比功能，还能直观测试不同模型的输出效果，优中选优。

2.3.6 Prompt 制定：引导输出的 “隐形脚本”

“Prompt 制定” 就像给大模型编写的 “剧本”，决定了输出内容的质量与风格。开发团队通过插入变量、添加示例、限定格式等方式，精准引导模型回答。在LLM节点中，可以编写system内容引导模型输出结构化内容。例如，在“招商报告智能体”中，用户希望看的报告包含全面的专业回答，我们可以提前设置产业全景分析、营商环境SWOT分析、产业评价、招商建议等内容框架内容。

2.3.7 参数提取器：关键信息的 “筛选员”

“参数提取器” 节点负责从用户输入中提取关键信息。例如，在“产业链图谱绘制”智能体中，用户输入 “帮我生成一份人工智能产业链图谱”，提取器能自动识别 “产业名称词”参数，并将其传递给后续节点。

2.3.8 知识检索：专业知识的 “百宝箱”

“知识检索” 节点连接着企业的知识库，当遇到用户提问时，它会快速检索相关文档。开发团队可外挂企业数据库，通过向量索引技术实现精准匹配。例如，用户询问 “IGBT是否属于美国管制项”，知识检索节点会从数据库中调取管制清单列表，并将内容传递给大模型，辅助生成答案。

2.3.9 LLM：内容生成的 “魔法师”

LLM（大语言模型）节点是智能体的 “创意核心”，它基于大模型的强大能力，结合知识检索结果与 Prompt 指令，生成最终回答。无论是撰写文案、解答问题还是数据分析，LLM 都能将输入信息转化为自然流畅的输出。开发团队还能通过调整 “温度”“最大 tokens” 等参数，控制回答的创造性与长度。

2.3.10 直接回复：交互的终点

“直接回复” 节点是智能体与用户对话的 “出口”，它将 LLM 生成的内容进行格式优化后，呈现给用户。开发团队可在此设置回复的语气风格、添加品牌标识，甚至将回答转化为语音、图表等形式，提升交互体验。

通过对 Dify 平台智能体搭建过程的解构，能够体会到每个节点都是不可或缺的 “齿轮”，它们精密咬合，共同驱动着智能体高效运转。这种可视化的搭建方式，不仅让技术开发更高效，也为我们 UI 设计师理解产品逻辑提供了清晰的视角。

二、设计师如何与开发无缝协作提升产品体验？

在智能问答产品的迭代优化过程中，UI 设计师与开发团队的高效协作是提升用户体验的关键。为了更系统化地推进问题解决，UI 组通过创建详细的问题管理表格，管理日常体验问题和UIbug（公司也有禅道、云效类的bug管理渠道，本项目敏捷迭代，提出的体验问题在日例会上讨论时用表格更轻便高效）。在日常使用和测试智能问答产品时，时常会遇到一些影响用户体验的问题与界面bug。这时，我们就可以借助 Dify 平台的 “日志与标注” 功能，让不具备深厚技术知识的设计师也能够有效地排查问题来源，实现问题的精准定位与高效闭环。