1 / 20
AI 项目研究方法论

定义问题 · 驱动创新

掌握AI时代的问题定义框架与项目落地路径
面向大三学生的AI项目实践指南

课程导引

今天你将学到什么？

🎯 问题定义能力

学会识别真实业务痛点，将模糊需求转化为可执行的AI项目问题陈述

🔍 流程分析方法

掌握现状流程还原、改造清单制定、效果评估的完整方法论

🤖 AI产品化思维

理解AI方案的输入输出设计、大模型选型依据、提示词工程实践

📊 项目实施路径

从方案设计到上线运营，掌握完整的AI项目生命周期管理

核心理念

为什么"定义问题"比"解决问题"更重要？

方法论

AI项目研究五步法

1️⃣ 现状还原

梳理现有流程，识别关键节点与痛点

2️⃣ 机会洞察

分析AI可介入的环节，评估改造价值

3️⃣ 方案设计

制定改造清单，设计AI产品化方案

4️⃣ 技术选型

选择合适的大模型、提示词、Skill机制

5️⃣ 实施落地

规划上线节奏，建立运营与迭代机制

步骤一

现状流程还原：找到起点

在改造之前，你必须先回答：当前的流程到底是什么样的？

真实案例

案例：某电商内容审核流程现状

传统流程

  • 商家上传商品图文
  • 审核员人工逐条检查
  • 违规内容打回修改
  • 复审通过后上架

痛点分析

  • 审核人力成本高（日均10万+条）
  • 审核标准不一致
  • 响应速度慢（平均4小时）
  • 夜间/节假日审核空白
步骤二

机会洞察：AI能做什么？

不是所有流程都需要AI，也不是所有流程都适合AI。找到高价值、高可行性的交集。

🎯 高价值场景

高频、重复、规则明确、人力密集

💡 AI能力强项

文本理解、图像识别、模式判断、批量处理

✅ 可行性评估

数据可得性、技术成熟度、成本收益比

AI常识

理解AI的能力边界

✓ AI擅长的

  • 模式识别（图像/文本/语音）
  • 大规模数据处理
  • 规则明确的分类判断
  • 内容生成与摘要
  • 多语言翻译

✗ AI不擅长的

  • 复杂因果推理
  • 需要深度情感理解的场景
  • 零样本的创造性决策
  • 需要法律责任认定的判断
  • 实时物理世界交互
步骤三

方案设计：改造清单与产品化

输出必须包含：改造前 vs 改造后 的对比，以及清晰的改造清单

📋 改造清单要素

  • 哪些节点要保留？
  • 哪些节点用AI替代？
  • 哪些节点可以删除？
  • 新增哪些AI节点？

🎨 产品化设计

  • 输入：上游提供什么数据？
  • 输出：下游需要什么结果？
  • 机制：如何运转？是否需要人工介入？
  • 界面：用户如何交互？
案例对比

改造后：AI驱动的内容审核流程

🤖 AI审核层

  • AI自动初审（覆盖率95%+）
  • 明确违规 → 自动拦截
  • 明确合规 → 自动通过
  • 不确定 → 转人工复审

📊 效果预期

  • 人力成本降低 70%
  • 审核时效从4h降至 5分钟
  • 7×24小时不间断审核
  • 审核标准一致性提升至 98%
步骤四

技术选型：为什么用这个大模型？

技术选型不是追新，而是匹配业务需求

🧠 大模型选择

  • 文本理解：GPT-4 / 通义千问
  • 图像识别：GPT-4V / Qwen-VL
  • 成本敏感：开源模型部署

📝 提示词工程

  • 系统提示词设定角色
  • Few-shot示例提升准确率
  • 结构化输出便于解析

⚙️ Skill机制

  • 将常用能力封装为Skill
  • 支持组合调用
  • 便于复用与迭代
AI常识

主流大模型能力对比（2026年3月）

🌐 国际模型

  • GPT-4.5/o3：复杂推理突破，支持自主任务规划与多步执行
  • Claude 3.5 Sonnet：200K上下文，代码能力业界领先
  • Gemini 2.0：原生多模态，实时视频理解

🇨🇳 国内模型

  • 通义千问QwQ-Plus：强化推理能力，数学/代码评测前列
  • DeepSeek-V3/R1：开源生态完善，性价比极高
  • Kimi k2：超长上下文（256万tokens），文档处理专家

💡 2026选型原则：不只看性能，更要看生态成熟度、API稳定性、成本可控性、数据合规性

核心技能

提示词工程：如何与大模型对话

# 2026年结构化提示词框架 【角色设定】 你是一个专业的内容审核专家，拥有5年电商风控经验 【任务描述】 判断以下内容是否违规，并给出详细依据 【审核标准】 - 禁止：暴力、色情、政治敏感、虚假宣传、侵权 - 允许：正常商业推广、用户体验分享 【输出格式】 { "is_violation": true/false, "violation_type": "具体类型", "confidence": 0.95, "reason": "判断依据（100字内）", "action": "拦截/通过/转人工" } 【Few-shot示例】 输入："这款面霜3天美白10个度" 输出：{"is_violation": true, "violation_type": "虚假宣传", ...}

💡 核心原则：角色清晰 + 任务明确 + 结构化输出 + 示例引导 = 高质量结果

核心技能

Skill：AI能力的封装与复用

Skill是什么？将常用的AI能力封装为可复用的技能模块，就像给AI安装"插件"

📦 Skill的本质

  • 提示词模板 + 执行逻辑 + 输出规范
  • 一次编写，多次调用
  • 支持组合串联（Workflow）
  • 版本管理，持续迭代

🎯 为什么需要Skill？

  • 避免重复写提示词
  • 标准化输出格式
  • 降低使用门槛
  • 团队能力沉淀与共享
Skill实战

Skill实战：从创建到调用

# Skill定义示例：内容审核Skill name: "content-moderation" description: "自动审核电商内容，判断是否违规" version: "1.2.0" # 核心配置 model: "qwen-plus" # 使用哪个大模型 temperature: 0.1 # 低温度保证稳定性 max_tokens: 500 # 系统提示词（固化下来） system_prompt: | 你是电商内容审核专家。根据以下标准判断内容是否违规： 1. 禁止虚假宣传、侵权、违禁品 2. 输出JSON格式，包含violation_type和confidence # 输入输出规范 input_schema: type: object properties: content: {type: string, description: "待审核内容"} output_schema: type: object properties: is_violation: {type: boolean} violation_type: {type: string} confidence: {type: number} # 调用方式 usage: | # 单次调用 result = skill.run({"content": "用户输入的内容"}) # 批量调用 results = skill.batch([内容列表]) # 组合Skill（Workflow） workflow = [审核Skill → 分类Skill → 通知Skill]
最佳实践

Skill设计的最佳实践

🎯 单一职责

一个Skill只做一件事，保持专注。如：审核、摘要、分类各司其职

📝 版本管理

每次优化都升级版本号，保留历史版本，支持回滚

🧪 测试验证

用100+真实案例测试Skill准确率，达标后再上线

📊 效果监控

记录每次调用的输入输出、耗时、准确率，持续优化

🔗 组合编排

多个Skill串联成Workflow，实现复杂业务流程自动化

📚 文档沉淀

写清楚Skill的用途、参数、示例、注意事项，便于团队使用

步骤五

实施落地：从方案到上线

📅 上线节奏

  • Phase 1：小流量灰度（5%）
  • Phase 2：逐步放量（20%→50%）
  • Phase 3：全量上线（100%）

👥 角色分工

  • 产品经理：方案设计
  • 算法工程师：模型调优
  • 运营团队：效果监控

🔧 运营机制

  • 建立答疑与反馈渠道
  • 定期效果复盘
  • 持续迭代优化
方案呈现

产品方案亮点：如何讲好你的故事

一份好的方案报告应该包含：

关键技巧

如何提炼方案亮点？

📊 流程方案亮点

  • 效率提升 X%
  • 成本降低 Y%
  • 人力释放 Z 人/天
  • 错误率下降 N%

🤖 AI方案亮点

  • 自动化覆盖率
  • AI准确率 vs 人工
  • 响应时间缩短
  • 7×24小时能力

💡 记住：亮点不是功能列表，而是价值陈述

产品设计

AI产品界面设计原则

👁️ 可视化

让AI的决策过程透明可见，建立用户信任

🎛️ 可控制

提供人工介入通道，关键节点保留审批权

📈 可度量

实时展示效果指标，便于监控与优化

💡 好的AI产品不是黑盒，而是人机协同的透明系统

避坑指南

AI项目常见误区

❌ 错误做法

  • 为了用AI而用AI
  • 问题定义模糊就开始做
  • 忽视数据质量与可得性
  • 不考虑合规与隐私
  • 没有fallback机制

✅ 正确做法

  • 从业务痛点出发
  • 先定义清晰的问题陈述
  • 评估数据可行性
  • 设计人工兜底方案
  • 灰度验证，快速迭代
实战练习

课后作业：用今天的方法做一个项目

📝 任务要求

  • 选择一个你熟悉的业务场景
  • 还原现状流程（绘制流程图）
  • 识别AI可介入的机会点
  • 设计改造方案与产品界面

📦 交付物

  • 现状流程图 vs 未来流程图
  • 改造清单（保留/改造/删除/新增）
  • 产品方案报告（含亮点说明）
  • 产品界面原型（Figma/手绘）
课程总结

核心要点回顾

🎯 定义问题

好的开始是成功的一半

🔍 分析流程

还原现状，找到机会

🤖 AI赋能

技术选型，产品化设计

📊 量化价值

用数据说话，证明价值

🚀 小步快跑

灰度验证，快速迭代

🔄 持续优化

建立机制，长期运营

定义问题，驱动创新 —— 用AI重新想象可能