一年三个AI作品：从零到落地的产品路线图与避坑指南

1. 为什么我要给自己画一张 AI 产品路线图

去年这个时候，我手里只有一个跑在本地的小脚本，功能很单一，就是帮我把一堆杂乱的文本素材做初步归类。那时候我根本没想过“产品”这两个字，觉得能跑通、能省点力气就不错了。但一年下来，我陆续做出了三个能拿得出手的作品，覆盖了内容处理、交互问答和自动化流程三个方向。这个过程里踩过的坑、推翻过的方案、半夜改参数改到怀疑人生的时刻，远比最后呈现出来的三个成品要多得多。

这篇文章不是教你某个具体框架怎么用，而是把我这一年从零散想法到三个落地作品的完整路线图拆开来讲。我会说清楚每个阶段为什么选那个方向、技术栈怎么定、遇到瓶颈时怎么换思路，以及哪些经验是只有真正动手做过才会知道的。如果你也在琢磨用 AI 做点自己的东西，或者已经有一个模糊的想法但不知道怎么推进，那这篇内容应该能帮你少走一些弯路。

核心关键词我先摆出来：AI 产品路线图、个人项目迭代、技术选型、落地实操、避坑经验。整篇内容会围绕这四个字展开——“一年”是时间跨度，“三个作品”是具体产出，“路线图”是背后的规划逻辑。我不会只讲成功的那部分，失败和返工的地方同样值得说，因为那才是真实的产品迭代过程。

2. 第一阶段：从“能用”到“好用”的内容处理工具

2.1 为什么第一个作品选内容处理方向

第一个作品我定位成“内容处理工具”，原因很直接：我自己每天要处理大量文本素材，手动整理效率太低。市面上的工具要么太重，要么不够灵活，没法按我的习惯来。所以最初的动机就是自用，解决自己的痛点。这个选择背后有一个很朴素的逻辑——第一个作品最好从自己最熟悉的场景切入，因为你知道痛点在哪，也知道什么样的结果算“好用”。

技术选型上，我一开始就排除了从零训练模型这条路。原因很简单：个人开发者没有那个算力，也没有那个数据量。我选择的是调用现成的能力接口，把精力放在流程编排和结果后处理上。这个决策后来被证明是对的，因为第一个作品的核心价值不在于模型本身，而在于怎么把模型能力嵌入到一个顺手的操作流程里。

具体来说，这个工具要完成三件事：批量读取不同格式的文本、按规则做初步分类、输出结构化的结果。听起来不复杂，但真正做起来，光是格式兼容就花了我将近两周时间。这里给一个很实在的建议：不要一开始就追求支持所有格式，先把最常用的两三种做扎实，剩下的边用边加。

2.2 核心功能拆解与参数调优

这个工具的核心功能我拆成了四个模块：输入解析、预处理、分类处理、结果输出。每个模块都有对应的参数需要调，我拿分类处理这个模块举例说明。

分类处理我采用的是“规则加模型”的混合策略。纯规则的话，遇到边界情况容易误判；纯模型的话，又不够稳定，同样的输入两次结果可能不一样。混合策略的逻辑是：先用规则做一轮粗筛，把明显属于某一类的直接分走，剩下的模糊样本再交给模型判断。这样既保证了速度，又保证了准确率。

参数调优这块我踩过一个很大的坑。最开始我把模型的“置信度阈值”设得很高，想着宁可漏判也不要误判。结果实际跑下来，超过六成的样本都落到了“待定”区间，等于没分类。后来我把阈值从0.85降到0.65，同时增加了一轮人工复核的环节，整体效率反而提升了。这个经验告诉我：阈值不是越高越好，要看你的下游流程能不能消化“待定”结果。如果你的流程里有人工复核，那阈值可以适当放低；如果是全自动流水线，那阈值就得调高，同时接受一定的漏判率。

下面这张表是我当时测试不同阈值下的实际表现，数据是跑了五百条样本得出的：

从表里能看出来，阈值降到0.65的时候，自动分类占比接近八成，准确率还有89%，这个平衡点对我来说是最合适的。当然，这个数字不是通用的，你得根据自己的场景去测。但思路是一样的：先跑一批样本，画出这条曲线，再决定阈值定在哪。

2.3 第一个作品的实操心得

这个工具从想法到能用，大概花了两个半月。其中真正写核心逻辑的时间不到一个月，剩下的时间都在做兼容、调参数、改交互。有几点心得我觉得挺重要的。

第一，日志一定要做细。我一开始图省事，只记录了最终结果，没记录中间过程。后来发现分类不准的时候，根本不知道是哪一步出了问题。补上详细日志之后，排查效率至少提升了一倍。日志里至少要包含：输入原文、预处理后的文本、规则命中的情况、模型返回的原始结果、最终输出。这五样东西缺一不可。

第二，配置文件要独立出来。我最初把参数写死在代码里，每次调整都要改代码、重新运行。后来把所有可调参数抽到一个配置文件里，改参数不用动代码，效率高了很多。配置文件用最简单的键值对格式就行，不用搞太复杂。

第三，先做命令行版本，再做界面。我见过不少人一上来就折腾界面，结果核心逻辑还没跑通，界面改来改去浪费了大量时间。我的做法是先用命令行跑通全流程，确认逻辑没问题了，再套一个简单的界面。这样即使界面做得不好看，至少功能是完整的。

3. 第二阶段：交互问答系统的设计与取舍

3.1 从内容处理到交互问答的跨越

第一个作品做完之后，我休息了大概两周，然后开始琢磨第二个方向。当时有几个选择：做数据可视化、做自动化流程、做交互问答。最后选交互问答，是因为我发现第一个作品虽然能处理内容，但处理完之后，我想快速找到某个具体信息还是很麻烦。换句话说，内容处理解决了“整理”的问题，但没解决“检索和交互”的问题。

交互问答系统的核心目标很明确：让我能用自然语言问问题，系统从已有的内容库里找到答案并返回。这个方向听起来比第一个作品高级，但实际做起来，难点完全不一样。第一个作品的难点在流程编排，第二个作品的难点在检索质量和回答准确性。

技术方案上，我采用的是“检索加生成”的两段式架构。先根据问题去内容库里检索相关片段，再把检索结果和问题一起交给生成模块，让它组织成一段通顺的回答。这个架构的好处是回答有据可依，不会凭空编造；坏处是如果检索没找到相关内容，生成模块就容易胡编。所以检索环节的质量直接决定了整个系统的上限。

3.2 检索环节的关键参数与优化过程

检索环节我试过三种方案：关键词匹配、向量检索、混合检索。关键词匹配速度快但不够灵活，换个说法就找不到；向量检索灵活但有时候会召回不相关的内容；混合检索是把两者结合起来，用关键词做粗筛，用向量做精排。实测下来，混合检索的效果最好，但配置也最复杂。

向量检索里有一个关键参数叫“召回数量”，就是每次检索返回多少个候选片段。这个参数设得太少，可能漏掉关键信息；设得太多，又会引入噪声，影响生成质量。我一开始设的是3，后来发现经常漏信息，调到了8。但调到8之后，生成模块有时候会被无关片段带偏。最后的方案是召回数量设成6，同时加一个相关性过滤的步骤，把明显不相关的片段先剔除掉，再交给生成模块。

相关性过滤我用的是一个简单的打分机制，综合了向量相似度和关键词命中率两个指标。具体公式不复杂，就是加权求和，权重根据实际效果调。我试过几组权重，最后定下来的是向量相似度占七成，关键词命中率占三成。这个比例不是理论最优，但在我这个场景下表现最稳定。

还有一个容易被忽略的参数是“片段长度”。内容库里的文本如果切得太碎，检索出来的片段可能缺少上下文；切得太长，又会引入无关信息。我试过按段落切、按固定字数切、按语义切三种方式。按语义切效果最好，但实现起来最麻烦。最后我采用的是折中方案：先按段落切，如果段落太长再按句子边界切，保证每个片段在两百到五百字之间。

3.3 生成环节的提示词设计与稳定性控制

生成环节我踩的坑比检索环节还多。最开始我写的提示词很随意，就是“根据以下内容回答问题”这种。结果生成模块经常自由发挥，要么答非所问，要么把检索到的内容原封不动抄一遍。后来我花了整整一周时间专门打磨提示词，才把稳定性提上来。

提示词的核心结构我定成了四段：角色设定、任务说明、约束条件、输出格式。角色设定是告诉生成模块“你是一个严谨的问答助手”；任务说明是“根据提供的参考资料回答问题”；约束条件是“如果参考资料里没有相关信息，就明确说不知道，不要编造”；输出格式是“先给结论，再给依据”。这四段缺一不可，尤其是约束条件，没有它的话，生成模块几乎一定会胡编。

还有一个很实用的技巧是在提示词里加示例。我放了两三个“问题加理想回答”的示例进去，生成模块的输出质量明显提升。示例不用多，两三个就够，但一定要选有代表性的，覆盖“能找到答案”和“找不到答案”两种情况。

稳定性控制方面，我把生成模块的“随机性参数”调得很低。这个参数控制输出的多样性，调高的话每次回答都不一样，调低的话回答更稳定但可能有点死板。对于问答系统来说，稳定性比多样性重要，所以我把它设在了接近最低的值。实测下来，同样的输入基本能得到一致的回答，这对用户体验很重要。

4. 第三阶段：自动化流程的搭建与串联

4.1 为什么第三个作品转向自动化

前两个作品做完之后，我发现一个问题：它们都是独立的，需要我手动去触发。内容处理工具要手动运行，问答系统要手动提问。虽然每个工具都能解决问题，但工具之间的衔接还是靠人。第三个作品的目标就是把前两个作品串联起来，再加上一些定时触发和条件判断，形成一个自动化流程。

这个转向其实挺自然的。当你有了几个能用的模块之后，自然会想把它们组合起来，让它们自己跑。自动化的核心价值不在于单个环节有多强，而在于减少人工干预的次数。哪怕每个环节只省一分钟，串起来之后省的时间就很可观了。

技术方案上，我选的是一个轻量的流程编排框架。没有用那种很重的企业级方案，因为我的场景没那么复杂，用重方案反而是负担。这个框架的核心概念是“节点”和“连线”：每个节点是一个操作，连线定义操作的顺序和条件。我把内容处理封装成一个节点，把问答封装成另一个节点，中间加上判断和循环，整个流程就串起来了。

4.2 流程编排中的条件判断与异常处理

自动化流程里最容易出问题的地方是条件判断和异常处理。条件判断是“什么情况下走哪条路”，异常处理是“出错了怎么办”。这两块如果没做好，流程跑起来就是灾难。

条件判断我用的是一套简单的规则引擎。比如“如果内容处理的结果里待定比例超过三成，就触发人工复核节点；否则直接进入问答节点”。规则本身不复杂，但规则的优先级要理清楚。我一开始没注意优先级，导致两条规则同时命中时行为不确定。后来我给每条规则加了优先级编号，冲突时按编号小的执行，问题就解决了。

异常处理我分了三个层级：节点级、流程级、系统级。节点级是单个操作失败时的重试和降级；流程级是整个流程失败时的回滚和通知；系统级是底层服务不可用时的排队和告警。这三个层级里，节点级的重试最重要，因为大部分失败都是暂时的，重试一次就能成功。我设置的是最多重试三次，每次间隔递增，第一次等五秒，第二次等十五秒，第三次等四十五秒。这个间隔不是随便定的，是根据实际观察到的故障恢复时间调的。

还有一个很实用的设计是断点续跑。流程跑到一半失败了，不要从头再来，而是从失败的那个节点继续。实现方式是在每个节点完成后记录状态，重启时读取状态，跳过已完成的节点。这个功能在调试阶段特别有用，能省大量时间。

4.3 三个作品的串联效果与整体复盘

三个作品串起来之后，整个流程是这样的：定时触发内容处理，处理完的结果自动进入问答系统的内容库，然后根据预设的问题列表自动提问，把回答整理成报告输出。整个过程不需要人工干预，我只需要最后看一眼报告就行。

从时间投入上看，第一个作品花了两个半月，第二个作品花了三个多月，第三个作品花了一个半月。加起来差不多七个月，剩下的五个月都在修修补补和优化。这个时间分布挺有代表性的：真正从零到一的时间其实不长，大部分时间都花在从一到一点五的优化上。

从效果上看，三个作品单独拿出来都不算惊艳，但串起来之后，整体效率提升很明显。以前需要半天才能完成的素材整理和检索，现在一个小时以内就能搞定。这个提升不是某个环节的突破带来的，而是流程串联减少了等待和切换的成本。

5. 一年三个作品背后的选型逻辑与避坑指南

5.1 技术选型的三个核心原则

回顾这一年，我在技术选型上遵循了三个原则，现在看下来还是挺管用的。

第一个原则是用成熟方案，不追新。AI 领域新技术层出不穷，但大部分新东西还不稳定，文档也不全。我选的框架和工具都是出来至少一年以上的，社区活跃，遇到问题能搜到答案。追新看起来酷，但实际做项目的时候，稳定比酷重要得多。

第二个原则是先跑通再优化。我见过不少人（包括我自己早期）在方案设计阶段纠结太久，总想找一个“最优解”。但实际上，很多问题只有跑起来才会暴露，光靠想是想不出来的。我的做法是先用一个能跑通的简单方案，跑起来之后再根据实际表现去优化。这个原则帮我省了很多纠结的时间。

第三个原则是模块之间松耦合。三个作品之间虽然有串联，但每个作品都是独立可运行的。这样即使某个环节出了问题，其他环节还能正常工作。松耦合的代价是接口设计要多花点心思，但收益是系统的健壮性大幅提升。

5.2 常见问题速查表

下面这张表是我这一年遇到的高频问题汇总，按出现频率排序，附上排查思路和解决方法：

这张表里的每一条都是我实际遇到过的，不是理论推演。尤其是“流程中途卡住”这一条，我遇到过好几次，每次都是因为某个节点没有设超时限制，导致整个流程挂在那里。后来我给每个节点都加了超时限制，问题就没再出现过。

5.3 给后来者的实操建议

如果你也想用一年时间做出几个 AI 相关的作品，我有几条很实在的建议。

第一条：从自己的痛点出发，不要从技术出发。我见过太多人因为某个技术很火就去做相关的东西，结果做出来发现没人用，包括自己也不用。从痛点出发的好处是你知道要解决什么问题，也知道什么样的结果算解决了。技术只是手段，不是目的。

第二条：第一个作品一定要小。小到什么程度？小到你觉得“这么简单的东西也能算作品？”的程度。因为第一个作品的主要目的是跑通全流程，建立信心，而不是做出一个多厉害的东西。我第一个作品的核心功能其实就一个，但正是这个简单的作品让我摸清了从想法到落地的完整路径。

第三条：留出足够的优化时间。从零到一可能只占三成时间，从一到一点五要占七成。这个比例听起来不合理，但实际就是这样。优化包括调参数、改交互、处理边界情况、写文档，每一项都很花时间。如果你只给从零到一留时间，那做出来的东西大概率是半成品。

第四条：记录每一次决策的理由。我在做第二个作品的时候，回头去看第一个作品的一些参数设置，完全想不起来当时为什么那么设。后来我养成了写决策日志的习惯，每次做一个重要选择就记下来：选了什么、为什么选、备选方案是什么。这个习惯在后期优化的时候帮了大忙。

第五条：不要追求完美，追求完成。完美主义是个人项目最大的敌人。我见过不少人一个作品做了半年还在改，最后不了了之。我的做法是给每个作品设一个“完成线”，达到这条线就算完成，剩下的优化放到后续迭代里。完成比完美重要，因为只有完成了，你才有机会去优化。

6. 后续可以继续扩展的方向

三个作品跑通之后，我其实还有一些想继续做的方向。一个是把交互问答系统做得更智能一些，比如支持多轮对话，能记住上下文。另一个是把自动化流程做得更灵活，支持更复杂的条件分支和并行处理。还有一个方向是把三个作品打包成一个统一的入口，不用分别启动，一个命令就能跑全流程。

不过这些都是后话了。眼下我更想做的，是把这一年积累的经验整理出来，看看能不能帮到也在做类似事情的人。毕竟一个人摸索的时候，最缺的不是技术资料，而是别人踩过坑之后的真实反馈。技术资料告诉你“怎么做”，但只有真实经验才能告诉你“哪里容易出错”和“出错了怎么办”。

如果你正在做自己的第一个 AI 作品，我的建议是别想太多，先动手。哪怕只是调用一个现成的接口，做一个最简单的功能，也比停留在规划阶段强。因为只有动手了，你才会遇到真实的问题，而解决真实问题的过程，才是真正让你进步的地方。