我最近覆盤了自己做的一套系統，抽象出 7 條AI產品設計原則
整理版優先睇
AI產品設計嘅核心：結構化判斷，而唔係直接畀答案
呢篇文章係作者親自由零搭建一套AI系統之後，進入覆盤階段，將裏面嘅產品設計思想抽出來，單獨成文。佢留意到好多AI產品嘅思路係「你輸入需求，AI畀結果」，但咁樣有個致命問題——結果好唔好，用家根本唔知，因為系統冇記低判斷邏輯，次次要從頭嚟。作者想解決嘅問題係：點樣設計一個系統，令到AI唔係直接取代人嘅判斷，而係將判斷結構化，令到人可以更高效咁做實驗、睇結果、調整方向。整體結論係：人做判斷，系統做實驗；人提供市場判斷、驗收標準、結果決策，系統提供結構、流程同實驗能力。兩者結合，先可以從「能生成」走到「能持續生成符合目標嘅結果」。
作者提出咗7條設計原則，由核心出發點到具體做法，再講到點樣令系統從工具升級成學習系統。第一條原則貫穿全部：AI唔替代判斷，AI結構化判斷。之後嘅原則包括：先建立邊界，再建立資產，最後先生成；唔同問題要用唔同路徑（驗證、探索、調試）；資產沉澱重要過臨時指令；失敗必須可以診斷；系統要有數據飛輪，由生產工具變成創意學習系統；驗收標準必須喺動手之前定義好。
呢7條原則唔單止係方法論，更加係作者對「人同系統應該點樣協作」嘅全部理解。佢強調，任何系統如果冇辦法承接人嘅判斷，就永遠只係工具。真正能夠積累壁壘嘅，係令判斷本身變成資產。
- AI核心原則：唔直接取代判斷，而係將判斷結構化，例如評分變成系統信號、對話拆成可執行任務、數據覆盤組織成策略建議，最終仍由人決定。
- 設計順序：新增方向第一步係建立邊界，確保每個方向嘅資產、規則、覆盤結果唔混亂；邊界唔清，生成即浪費。
- 路徑劃分：按問題類型分三條路徑——驗證（已知目標）、探索（未知方向）、調試（有參考要改），避免用戶體驗混亂。
- 資產沉澱：建立元素池、文案庫、創意配方、視覺結構等可複用資產，令AI生成唔係憑空想像，而係基於證據同規則；冇資產池容易重複離地。
- 失敗診斷：必須可歸因到具體變量（素材、指令、結構、模型、文案等），評分唔係講「好唔好睇」，而要指導下一輪調試；好產品係每次失敗都知點解。
核心出發點：AI結構化判斷，唔代替人
作者做呢套系統最核心嘅出發點，就係 AI 唔直接替代業務判斷，而係將判斷結構化，令到人可以更高效咁做實驗、睇結果、調方向。好多AI產品思路係「你輸入需求，AI畀結果」，但結果好唔好用家根本唔知，因為系統冇記低判斷邏輯。
評分唔係表達個人喜好，而係將判斷變成系統信號
AI對話唔係畀答案，而係將自然語言需求拆成可執行任務
數據覆盤唔係自動決策，而係將分散信號組織成下一輪策略建議
設計順序同路徑劃分：先邊界，再資產，最後先生成
做新方向時，多數人直接問「點樣生成」，但作者指出第一步應該係 建立邊界。冇邊界會搞到舊規則影響新方向、視覺結構錯誤遷移、生成記錄無法區分、數據飛輪混亂。所以設計上，每個方向都要有自己嘅資產、規則同覆盤結果。
生成唔係單一動作，作者設計咗三種路徑，對應三種完全唔同嘅思維模式：
- 1 驗證路徑——我已經知道目標，要驗證佢係咪成立。例如已知要做某個特定人羣同場景嘅內容，就圍繞目標生成一批候選。
- 2 探索路徑——我唔知方向，要探索機會。用種子元素、冷門組合、跨域組合去發現新切入點。
- 3 調試路徑——我有參考圖或具體改圖目標，要做快速視覺調試。呢類任務唔適合行完整嘅驗證或探索管線。
混埋一齊，用戶體驗一定出問題
資產沉澱同失敗診斷：系統記憶同學習嘅關鍵
好多AI生圖失敗，唔係模型完全唔得，而係系統冇足夠清晰嘅上下文。作者設計咗 資產庫，將外部參考同內部實驗沉澱成可複用嘅系統記憶，包括四類：
- 元素池——記錄市場圖中反覆出現嘅視覺信號、情緒、色彩、圖案、材質、文化語境。
- 文案庫——記錄真實文案、AI文案、生成文案，同埋佢哋適合咩場景、人羣同語氣。
- 創意配方——記錄一種可複用嘅創作方法，而唔係一張具體圖片；配方係「呢類方向應該點創作」，指令係「今次點畫」。
- 視覺結構——記錄版式骨架，例如主體位置、文字區、留白、層次關係。
失敗必須可以診斷。作者花咗好多篇幅設計 失敗歸因，因為失敗原因無法定位，下一輪仲會犯同樣錯。例如：唔似目標產品？可能係指令仍像舊方向，素材缺少新方向嘅真實參考。圖案好但產品假？商品形態證據不足，調試路徑嘅約束唔夠。文字不可讀？文案太長，同產品形態唔匹配。
好產品唔係唔失敗，而係每次失敗都能定位到具體變量
作者特別指出，如果評分只寫「好睇」或「唔好睇」，對系統冇幫助。真正有價值嘅反饋係能指導下一輪調試。
從工具到學習系統：數據飛輪同驗收標準
判斷一個系統係咪好產品，要睇佢有冇 數據飛輪。冇數據飛輪，團隊可能每日都在生成，但唔知邊啲方向喺積累、邊啲喺重複失敗、邊啲素材要補、邊啲配方應該暫停。
- 1 本輪生成了咩？
- 2 邊啲結果評分高？
- 3 邊啲問題反覆出現？
- 4 邊啲配方、結構、元素表現更好？
- 5 下一輪應該驗證咩？
- 6 需唔需要調整策略？
作者反覆強調第七條原則：驗收標準必須喺動手之前定義好。新增方向前，一定要先定義咩叫「符合業務要求」。冇合格線，就判斷唔到生成結果好壞，評分變成主觀好惡，系統無法學習。
事後評判太容易，事前定義先難，但難嘅嘢先決定系統能唔能夠迭代
總結：人判斷，系統實驗，判斷變成資產
作者話呢7條唔單止係產品設計方法論，更係一個底層道理：任何系統，如果無法承接人嘅判斷，就永遠只係工具。真正能積累壁壘嘅，係令判斷本身變成資產。
呢套系統係作者由零搭建，文檔一字一字寫出嚟。覆盤時發現，裏面藏住嘅係佢對「人同系統應該點樣協作」嘅全部理解。
呢個系統係我自己由零砌出嚟，家陣進入覆盤階段，我想將裏面嘅產品設計思想抽返出嚟，單獨成一篇內容。 |
因為產品細節係交俾客嘅嘢，唔適合全部公開。但係思考層面嘅嘢，就值得分享。
第一條：AI 唔代替判斷，AI 結構化判斷
呢個係我做呢套系統最核心嘅出發點。
好多人做 AI 產品嘅思路係：你輸入需求，AI 俾返結果你。睇落好似好高效，但有一個致命問題——個結果好唔好，你都仲係唔知。因為系統冇記低你嘅判斷邏輯，下次都係由零開始。
所以我做嘅時候，第一原則就係：AI 唔直接代替業務判斷，而係將業務判斷結構化，令人可以更高效咁做實驗、睇結果、調方向。
▎ 評分唔係表達個人喜好，而係將判斷變成系統信號。 ▎ AI 對話唔係俾答案，而係將自然語言需求拆成可執行任務。 ▎ 數據覆盤唔係自動決策，而係將分散嘅信號組織成下一輪策略建議，最終判斷依然由人嚟做。 |
呢條原則貫穿咗整個系統嘅每一層設計。
第二條：先建立邊界，再建立資產，最後先生成
做新方向嘅時候，大多數人會直接問「點樣生成」。但係從系統設計角度，第一步應該係建立邊界。
如果唔建立邊界，就會出現幾個問題：
▎ 舊方向嘅規則可能會影響新方向。
▎ 舊嘅視覺結構可能會被錯誤遷移。
▎ 生成記錄同覆盤結果冇辦法區分係邊類問題。
▎ 數據飛輪會將唔同方向嘅表現溝埋一齊。
所以我嘅設計係，等每個方向都擁有自己嘅資產、規則同覆盤結果。得邊界明確，後續上傳嘅素材、調整嘅指令、評分結果同覆盤結論先唔會亂。
新增方向嘅時候，第一件事唔係生成，而係建立邊界。 |
第三條：唔同問題需要唔同路徑
生成唔係一個單一動作。唔同業務問題需要唔同嘅入口。
我設計咗三種路徑，佢哋唔係三個掣嘅分別，而係三種完全唔同嘅思維模式：
驗證路徑——我已經知道目標，要驗證佢係咪成立。例如已經知道要做某個特定人羣同場景嘅內容，就需要圍繞呢個目標生成一批候選，睇嚇係咪符合受眾、場景同情緒。
探索路徑——我唔知方向，要探索機會。例如仲未知新方向可以從邊個切入點入手，就需要用種子元素、冷門組合、跨域組合去發現新方向。
調試路徑——我有參考圖或者具體改圖目標，要做快速視覺調試。呢類任務唔適合行完整嘅驗證或者探索管線。
呢三種路徑對應三個問題：
▎ 我知道目標 → 驗證 ▎ 我唔知目標 → 探索 ▎ 我有參考要改 → 調試 |
撈埋一齊，用戶體驗一定會出問題。
第四條：資產沉澱 > 臨時指令
好多 AI 生圖失敗，唔係模型完全唔得，而係系統冇足夠清晰嘅上下文。單靠一句指令好難穩定表達一個方向嘅市場經驗。
所以我設計咗資產庫，將外部參考同內部實驗沉澱成可複用嘅系統記憶。資產庫包括四類：
▎元素池——記錄市場圖中反覆出現嘅視覺信號、情緒、色彩、圖案、材質、文化語境。
▎文案庫——記錄真實文案、AI 文案、生成文案，以及佢哋適合咩場景、人羣同語氣。
▎創意配方——記錄一種可複用嘅創作方法，而唔係一張具體圖片。配方同指令嘅分別係：指令係「呢次點畫」，配方係「呢類方向應該點創作」。
▎視覺結構——記錄版式骨架，例如主體位置、文字區、留白、層次關係。
呢啲資產嘅作用，係令 AI 喺生成時唔只係憑空想像，而係基於已經沉澱嘅證據同規則嚟工作。
如果冇資產池，每次生成都要重新靠模型想像。問題好明顯：容易重複、容易脱離真實市場、好難保持風格一致、新方向冇辦法積累經驗。
第五條：失敗必須可診斷
我做呢套系統嘅時候，花咗好多篇幅喺設計「失敗歸因」。
因為如果失敗原因冇辦法定位，下一輪仲會犯同樣嘅錯。
▎ 唔似目標產品？可能係指令仲好似舊方向，素材缺少新方向嘅真實參考。
▎ 圖案好但產品假？商品形態證據不足，調試路徑嘅約束唔夠。
▎ 文字唔可讀？文案太長，同產品形態唔匹配。
▎ 背景唔合規？展示約束唔夠。
▎ 方向普通？探索種子太保守。
▎ 結果反覆同質化？元素池單一，配方唔夠。
好產品唔係唔失敗，而係每次失敗都可以定位到具體變量——素材問題、指令問題、結構問題、模型能力問題、文案問題，定係判斷標準本身冇定義清楚。
KEY INSIGHT 如果評分只係寫「好靚」或者「唔靚」，對系統冇太大幫助。真正有價值嘅反饋，係可以指導下一輪調試。 |
第六條：從生產工具到學習系統嘅躍遷
判斷一個系統係咪好產品，睇嚇佢有冇「數據飛輪」。
冇數據飛輪，團隊可能每日都喺度生成，但係唔知：
▎ 邊啲方向喺度積累
▎ 邊啲方向喺度重複失敗
▎ 邊啲素材需要補
▎ 邊啲配方應該暫停
▎ 邊啲結構值得繼續驗證
數據飛輪將呢啲信號組織成周期：
▎ 1. 今輪生成咗啲乜
▎ 2. 邊啲結果評分高
▎ 3. 邊啲問題反覆出現
▎ 4. 邊啲配方、結構、元素表現更好
▎ 5. 下一輪應該驗證啲乜
▎ 6. 係咪需要調整策略
呢個令系統從「生產工具」變成「創意學習系統」。
系統可唔可以從自己嘅歷史中學習，係工具同產品線嘅分水嶺。 |
第七條：驗收標準必須喺動手之前定義
新增方向之前，必須先定義咩叫「符合業務要求」。
冇合格線，就冇辦法判斷生成結果係好定壞，評分變成主觀好惡，系統冇辦法學習。
呢個原則我不斷強調。因為事後評判太容易，事前定義先係難。但係難嗰件事，先至係真正決定系統可唔可以迭代嘅關鍵。
最後一點感想
呢 7 條唔只係產品設計嘅方法論。
我越做越覺得，佢講嘅其實係一個更加底層嘅嘢——任何系統，如果冇辦法承接人嘅判斷，就永遠只係工具。
而真正可以積累壁壘嘅，係令判斷本身變成資產。
呢套系統係我自己由零砌出嚟，文檔都係我一個字一個字寫出嚟。覆盤嘅時候翻睇，發現裏面藏住嘅，其實係我對「人同系統應該點協作」呢件事嘅全部理解。
▎ 人做判斷，系統做實驗。 ▎ 人提供市場判斷、驗收標準、結果決策。 ▎ 系統提供結構、流程、實驗能力。 |
兩者結合，先可以從「識得生成」走到「可以持續生成符合目標嘅結果」。
任何系統，如果冇辦法承接人嘅判斷， 真正可以積累壁壘嘅， 人做判斷，系統做實驗。 |
Resona · 鳴 · 令每一次對話，都有迴響 2026-05-14 · 彭俊旗 |
「這個系統是我自己從零搭建的，現在進入覆盤階段，我想把裏面的產品設計思想抽出來，單獨成一篇內容。」 |
因為產品細節是交付給客戶的東西，不適合全公開。但思考層面的東西，值得分享。
第一條：AI 不替代判斷，AI 結構化判斷
這是我做這套系統最核心的出發點。
很多人做 AI 產品的思路是：你輸入需求，AI 給你結果。看起來高效，但有一個致命問題——結果好不好，你還是不知道。因為系統沒有記住你的判斷邏輯，下次還是從零開始。
所以我做的時候，第一原則就是：AI 不直接替代業務判斷，而是把業務判斷結構化，讓人可以更高效地做實驗、看結果、調方向。
▎ 評分不是表達個人喜好，而是把判斷變成系統信號。 ▎ AI 對話不是給答案，而是把自然語言需求拆成可執行任務。 ▎ 數據覆盤不是自動決策，而是把分散信號組織成下一輪策略建議，最終判斷仍然由人來做。 |
這條原則貫穿了整個系統的每一層設計。
第二條：先建邊界，再建資產，最後才生成
做新方向時，大多數人會直接問"怎麼生成"。但從系統設計角度，第一步應該是建立邊界。
如果不建立邊界，就會出現幾個問題：
▎ 舊方向的規則可能影響新方向。
▎ 舊的視覺結構可能被錯誤遷移。
▎ 生成記錄和覆盤結果無法區分是哪類的問題。
▎ 數據飛輪會把不同方向的表現混在一起。
所以我的設計是，讓每個方向都擁有自己的資產、規則和覆盤結果。只有邊界明確，後續上傳的素材、調整的指令、評分結果和覆盤結論才不會混亂。
新增方向時，第一件事不是生成，而是建立邊界。 |
第三條：不同問題需要不同路徑
生成不是一個單一動作。不同業務問題需要不同的入口。
我設計了三種路徑，它們不是三個按鈕的區別，而是三種完全不同的思維模式：
驗證路徑——我已經知道目標，要驗證它是否成立。比如已經知道要做某個特定人羣和場景的內容，就需要圍繞這個目標生成一批候選，看是否符合受眾、場景和情緒。
探索路徑——我不知道方向，要探索機會。比如還不知道新方向可以從哪個切入點進去，就需要用種子元素、冷門組合、跨域組合去發現新方向。
調試路徑——我有參考圖或具體改圖目標，要做快速視覺調試。這類任務不適合走完整的驗證或探索管線。
這三種路徑對應三個問題：
▎ 我知道目標 → 驗證 ▎ 我不知道目標 → 探索 ▎ 我有參考要改 → 調試 |
混在一起，用戶體驗一定出問題。
第四條：資產沉澱 > 臨時指令
很多 AI 生圖失敗，不是模型完全不行，而是系統沒有足夠清晰的上下文。單靠一句指令很難穩定表達一個方向的市場經驗。
所以我設計了資產庫，把外部參考和內部實驗沉澱成可複用的系統記憶。資產庫包括四類：
▎元素池——記錄市場圖中反覆出現的視覺信號、情緒、色彩、圖案、材質、文化語境。
▎文案庫——記錄真實文案、AI 文案、生成文案，以及它們適合什麼場景、人羣和語氣。
▎創意配方——記錄一種可複用的創作方法，而不是一張具體圖片。配方和指令的區別是：指令是"這次怎麼畫"，配方是"這類方向應該怎麼創作"。
▎視覺結構——記錄版式骨架，例如主體位置、文字區、留白、層次關係。
這些資產的作用，是讓 AI 在生成時不只是憑空想象，而是基於已經沉澱的證據和規則工作。
如果沒有資產池，每次生成都要重新靠模型想象。問題很明顯：容易重複、容易脱離真實市場、很難保持風格一致、新方向無法積累經驗。
第五條：失敗必須可診斷
我做這套系統的時候，花了很多篇幅在設計"失敗歸因"。
因為如果失敗原因無法定位，下一輪還會犯同樣的錯。
▎ 不像目標產品？可能是指令仍像舊方向，素材缺少新方向的真實參考。
▎ 圖案好但產品假？商品形態證據不足，調試路徑的約束不夠。
▎ 文字不可讀？文案太長，和產品形態不匹配。
▎ 背景不合規？展示約束不足。
▎ 方向普通？探索種子太保守。
▎ 結果反覆同質化？元素池單一，配方不足。
好產品不是不失敗，而是每次失敗都能定位到具體變量——素材問題、指令問題、結構問題、模型能力問題、文案問題，還是判斷標準本身沒有定義清楚。
KEY INSIGHT 如果評分只寫"好看"或"不好看"，對系統沒有太大幫助。真正有價值的反饋，是能指導下一輪調試。 |
第六條：從生產工具到學習系統的躍遷
判斷一個系統是不是好產品，看它有沒有"數據飛輪"。
沒有數據飛輪，團隊可能每天都在生成，但不知道：
▎ 哪些方向在積累
▎ 哪些方向在重複失敗
▎ 哪些素材需要補
▎ 哪些配方應該暫停
▎ 哪些結構值得繼續驗證
數據飛輪把這些信號組織成周期：
▎ 1. 本輪生成了什麼
▎ 2. 哪些結果評分高
▎ 3. 哪些問題反覆出現
▎ 4. 哪些配方、結構、元素表現更好
▎ 5. 下一輪應該驗證什麼
▎ 6. 是否需要調整策略
這讓系統從"生產工具"變成"創意學習系統"。
系統能不能從自己的歷史中學習，是工具和產品線的分水嶺。 |
第七條：驗收標準必須在動手之前定義
新增方向前，必須先定義什麼叫"符合業務要求"。
沒有合格線，就無法判斷生成結果是好是壞，評分變成主觀好惡，系統無法學習。
這個原則我反覆強調。因為事後評判太容易了，事前定義才難。但難的那件事，才是真正決定系統能不能迭代的關鍵。
最後一點感想
這 7 條不只是產品設計的方法論。
我越做越覺得，它說的其實是一個更底層的東西——任何系統，如果無法承接人的判斷，就永遠只是工具。
而真正能積累壁壘的，是讓判斷本身變成資產。
這套系統是我自己從零搭建的，文檔也是我一個字一個字寫出來的。覆盤的時候回看，發現裏面藏着的，其實是我對"人和系統應該怎麼協作"這件事的全部理解。
▎ 人做判斷，系統做實驗。 ▎ 人提供市場判斷、驗收標準、結果決策。 ▎ 系統提供結構、流程、實驗能力。 |
兩者結合，才能從"能生成"走向"能持續生成符合目標的結果"。
任何系統，如果無法承接人的判斷， 真正能積累壁壘的， 人做判斷，系統做實驗。 |
Resona · 鳴 · 讓每一次對話，都有迴響 2026-05-14 · 彭俊旗 |