AI 产品设计法则：当算法不够好时怎么办

前言

#

在实际项目中经常遇到这种情况：算法工程师告诉你，模型准确率已经从 85% 提到 87%，用了两周时间。离目标的 90% 还差 3 个百分点，但按这个速度可能还得再花一个月。而产品下个月就要上线了。

这时候怎么办？继续死磕算法？还是换个思路？

这就是这篇文章想聊的核心主题：当算法效果有限时，怎么用产品设计手段来补齐短板。 这个思路在 AI 产品圈子里有一个通俗的说法，叫做"技术不够，产品来补"。

AI 产品设计的三个容易踩的坑

#

在讲具体方法之前，先说三个在实际项目中反复出现的教训。

别忽视前端交互

#

AI 产品有一个很特别的地方：它像一座冰山。水面之下是算法工程师的大量工作和迭代逻辑策略，水面之上才是用户能看到的交互界面。

大部分时间确实在研究算法、业务、数据和逻辑，但这不意味着可以忽视前端交互。因为用户体验才是第一位的，所有后端逻辑最终都是为用户端服务的¹。

我见过不少项目犯这个错误：花 80% 的时间研究算法效果，结果前端交互做得很粗糙，用户根本不买账。算法再好，用户不愿意用也是白搭。

保证算法功能模块的闭环

#

AI 产品有一个其他产品不太关注的要求：算法功能模块必须形成闭环。

线下可以做的事情是：收集 Bad Case，训练模型，优化效果，上线。但线上产品也要保证这个闭环通畅：数据收集、模型训练、优化迭代、上线，整条路径必须顺畅且持续运转。

如果设计的产品只有"用"的功能，没有"反馈"和"优化"的通道，那这个 AI 产品就是死的。上线那一刻就是它的巅峰，之后只会越来越差。

算法效果有限是常态

#

算法优化有一个残酷的现实：付出 80% 的努力可能只提升 1-2 个百分点的准确率。 从 85% 到 87% 可能要两周，从 90% 到 92% 可能要两个月²。

所以需要学会利用其他力量来提升效果：规则辅助、算法辅助、语料清洗等等。核心思路就是"技术不够，产品来补"或者"数据来补"。

用智能客服场景落地：三个关键触点

#

说完注意事项，用智能客服机器人这个具体场景来落地。一个完整的智能客服有三个关键触点。

触点一：访客端聊天页面

#

用户进入咨询页面的第一眼看到什么，决定了后续的体验。这个页面需要设计好几个元素：

• 快捷入口：转人工按钮、评价按钮、常用操作入口，让用户随时有退路
• 问题推荐：用户刚提交贷款申请，就推荐审批进度查询、放款时间询问等可能关心的问题
• 理财产品/贷款产品信息：用户从理财产品详情页进来的就展示该产品，从官网首页进来的就展示近期热销产品

这些设计的目的不是炫技，而是在用户还没开口之前就预判他的需求，减少用户的操作成本。

触点二：智能问答交互

#

这是用户和机器人直接对话的部分，也是最考验产品设计的地方。不同的场景需要设计不同的对话管理步骤：贷前咨询场景怎么引导，外呼营销场景怎么推进，提前还款场景怎么处理，都需要单独设计。

这里有一个非常重要的设计原则：给用户可选择性内容，而非可指示性内容。

举个具体的例子。普通做法是告诉用户"你在手机银行 APP 里面的贷款管理里可以查"，用户还得自己去找入口。更好的做法是直接展示用户待查询的贷款供其选择，用户点一下就搞定。

让用户做选择题，不要让用户做填空题。 这个原则在 AI 产品设计中极其重要³。

另外，如果产品涉及语音交互，还有一个专门的角色叫 VUI 设计师（Voice User Interface）。语音场景下用户连页面都没有，所有体验都来自每一轮对话，所以对话话术的设计会直接影响产品成败。

触点三：管理后台

#

这是给运营人员用的，通常包含：

• 配置访客端展示内容
• 维护知识库
• 训练和学习机器人
• 查看数据报表

如果是做 MVP 版本，这三个触点就是核心：用户与机器人聊天的客户端页面 + 智能问答逻辑 + 管理后台。其他功能可以后续迭代。

“产品补技术"的两大方向

#

当算法效果不理想时，有两大方向可以发力。

方向一：算法辅助识别

#

冷启动阶段扩充相似问题。 刚上线的时候，知识库里每个标准问题可能只有很少的相似问法。直接上算法做匹配，准确率会很低。

解决办法是对所有标准问题进行扩写，或者用技术手段生成相似问题。比如标准问题是"能不能提前还清”，你可以扩充出：

• “怎么样提前还款”
• “我已经还了一年了还能提前结清吗”
• “提前还款入口在哪里”

问法越多，算法能匹配到的范围就越广。冷启动阶段，手动扩充相似问题是最简单有效的提升手段。

添加正则或关键词强制召回。 这是一个非常实用的"兜底"策略。比如用户问题中包含"提前还款"两个字，不管算法怎么匹配，都直接强制召回"还款方式"这个标准问题。

为什么要这么做？因为在冷启动阶段语料不够多，算法可能会漏掉一些很明显的匹配。关键词强制召回相当于给算法加了一道保险：即使算法不靠谱，关键词匹配不会漏。

# 关键词强制召回的简单实现示例
FORCE_RECALL_RULES = {
    "提前还款": "还款方式",
    "利率调整": "利率变更流程",
    "提前结清": "提前结清政策",
}

def force_recall(user_input: str) -> str | None:
    for keyword, intent in FORCE_RECALL_RULES.items():
        if keyword in user_input:
            return intent
    return None

引导用户点击选择。 还有一招是从用户侧入手，降低算法的难度：

• 输入推荐：用户刚输入几个字，就把包含这些字的问题推荐出来。用户还没打完字就已经看到想问的问题了，直接点击就行
• 快捷入口：会话开始前展示用户最可能问的问题；用户提问后，预测下一个最可能的问题并展示

这些设计的本质是：不指望算法 100% 猜对用户意图，而是把"猜"的过程可视化，让用户帮算法做选择⁴。

方向二：清洗数据降低算法噪声

#

有时候算法效果不好，不是因为算法不行，而是因为输入的数据太脏了。可以从数据清洗的角度来提升效果。

维护转译词库。 在语音转文字（ASR）场景中，方言是个大问题。比如四川话说"咬嗳"意思是"好的"，算法不认识这个词。如果维护一个方言转译词库，把"咬嗳"自动转成"好的"，算法就能正确识别了。

维护专有词和同义词库。 品牌名和专有名词经常被算法错误切分。比如"神州租车"可能被切成"神州"和"租车"，“网易七鱼"可能被切成"网易"和"七鱼”。维护一个专有词库，告诉算法这些词是一个整体，不要切分。

同理，用户可能说"提前还款"、“提前结清”、“不想贷了”，其实都是同一个意思。维护同义词库可以帮助算法理解这些不同表达。

# 专有词库示例
proper_nouns:
  - 神州租车
  - 网易七鱼
  - 飞猪旅行

# 同义词库示例
synonyms:
  提前还款:
    - 提前结清
    - 不想贷了
    - 提前还清贷款
  利率调整:
    - 利率变高了
    - 利息太贵
    - 能不能降利率

过滤无意义词句。 “嗯嗯嗯”、“这个那个”、“就是那个什么”，这些语气词对理解用户意图没有任何帮助，反而会干扰算法判断。维护一个屏蔽词库，把这些无意义的内容过滤掉，算法的效果会有明显提升。

数据清洗的价值往往被低估，但它可能是投入产出比最高的优化手段。不需要改算法，不需要训练新模型，只需要在数据进入算法之前多做一步处理⁵。

SaaS 产品 vs 定制产品：思路不同

#

“技术不够产品来补"的具体策略，还要看产品类型。

SaaS 产品面向大量企业使用，不可能为每个客户做线下数据采集、标注和训练。所以管理后台必须支持在线的完整闭环：在线收集数据、在线标注、在线训练、在线查看模型指标。客户的数据和模型训练过程都要产品化、自动化。这对产品设计的要求更高，但一旦做好，边际成本极低。

深度定制产品就有更大的操作空间。比如可以为某个场景训练 10 个深度学习模型，每个分配 10% 的流量做 A/B 测试，一段时间后选效果最好的那个模型。定制产品有更大的优化空间，但每个客户的交付成本也更高。

核心区别在于：SaaS 产品靠自动化规模化，定制产品靠深度优化差异化。产品设计的时候要先把这条线想清楚，再决定往哪个方向投入资源。