AI 在独立产品中的 7 月落地报告：哪些 AI 功能真正产生了价值

AI 在独立产品中的 7 月落地报告：哪些 AI 功能真正产生了价值

一、投入产出分析：AI 不是越多越好

7 月在独立产品中尝试了 7 个 AI 功能点。月初信心满满，月底回头评估：3 个被用户频繁使用并留存，2 个用户用过几次就放弃了，2 个根本没人点。

评估标准不是"技术上能不能做"，而是三个产品指标：周活跃到达率（WAU Reach），即至少使用过一次该功能的用户占 WAU 的比例；功能留存率，即首次使用后 7 天回访的比例；每次使用成本，即 API 调用的平均 Token 消耗乘以模型单价。

最终保留的三个功能分别是：智能搜索、自动生成摘要、模板个性化推荐。下文逐一展开。

二、功能一：智能搜索——从关键词到意图

产品初期用的是 elasticlunr 这种客户端全量搜索。数据量从 200 条增长到 5000 条后，模糊匹配的召回率从 85% 跌到 40%。用户搜"怎么批量导出"，结果返回了包含"导出按钮"和"批量上传"的页面，但都不是真正要的批量导出指南。

切到 Embedding 语义搜索后，召回率回升到 82%。做法是：所有文档在写入时用 text-embedding-3-small 生成 1536 维向量，查询时同样嵌入后做余弦相似度排序，取 Top 10 返回。

interface SearchIndex {
addDocument(id: string, title: string, content: string): Promise<void>;
search(query: string, topK: number): Promise<SearchResult[]>;
}

async function embedQuery(query: string): Promise<number[]> {
const response = await fetch(`${OPENAI_BASE}/embeddings`, {
method: 'POST',
headers: {
'Authorization': `Bearer ${API_KEY}`,
'Content-Type': 'application/json',
},
body: JSON.stringify({
model: 'text-embedding-3-small',
input: query,
}),
});

if (!response.ok) {
throw new Error(`Embedding API failed: ${response.status}`);
}

const data = await response.json();
return data.data[0].embedding;
}

性能优化上，向量存储用 pgvector 替代了内存数组，查询延迟从 800ms 降到 120ms。索引大小 5000 条文档约占用 30MB 存储，成本可控。

用户行为数据显示：搜索到结果的点击率从 28% 提升到 53%，搜索后的平均会话时长增加了 40 秒。这说明语义搜索不仅召回更好，结果的相关性也明显提升。

三、功能二：智能摘要——让长文档可预览

产品的文档编辑器支持 Markdown，用户写的数据分析报告常常超过 3000 字。列表页只展示标题和前 100 字摘要，信息量不够，用户需要点进每篇文档才能判断是否相关。

接入 GPT-4o-mini 做摘要生成。用户保存文档时，后台异步调用 LLM 生成 80 字以内的结构化摘要，存入数据库并在列表页展示。

interface SummaryTask {
docId: string;
content: string;
maxLength: number;
}

async function generateSummary(task: SummaryTask): Promise<string> {
const prompt = `请用不超过 ${task.maxLength} 个中文字符总结以下文档的核心内容。
包含：问题背景、关键发现、结论。直接输出摘要，不要加"本文"等前缀。

文档内容：
${task.content.slice(0, 6000)}`;

const response = await callLLM({
model: 'gpt-4o-mini',
messages: [{ role: 'user', content: prompt }],
temperature: 0.3,
max_tokens: 200,
});

return response.content.trim();
}

关键优化点：摘要生成放在队列中异步执行，不阻塞用户保存操作。队列消费控制了并发数，避免高峰期 API 限流。摘要结果会缓存，文档未更新时直接返回缓存。

数据表现：列表页的文档点击率提升 19%，因为用户能在列表页就判断文档是否相关。平均每次生成成本约 $0.001，按每日 200 篇文档计算，月成本约 $6。

四、不成功的尝试：从失败中提取信号

失败的尝试同样有价值，因为每个失败都指向一个产品假设错误。

语法纠正：在所有文本框旁加了 AI 纠错按钮。数据显示，只有 1.2% 的 WAU 用过它，且留存率 8%。原因是产品核心用户以技术场景为主，文本规范性本身不是痛点。

智能标签：自动给文档打标签，用户觉得标签不准又没法快速修正，手工关掉了自动标签功能。问题是标签的准确率和用户预期误差太大。要解决它需要做更多标注和调优，投入产出不成正比。

从中提取的规律是：AI 功能如果解决的是用户已有的显性需求（搜索、摘要），容易留存。如果创造的是一个用户原本不觉得是问题的问题（纠错、自动标签），那么用户不仅不用，还会觉得干扰。

五、总结

7 个 AI 功能中，3 个产生正向价值，筛选标准是 WAU 到达率 ≥ 5%、7 日留存 ≥ 20%、单次成本 < $0.01。智能搜索和智能摘要是当前阶段的核心 AI 功能，直接提升了信息发现和消费效率。

值得持续观察的教训：AI 功能要从用户的显性需求出发，而非从技术可行性出发。语法纠错和自动标签的失败，本质上是替用户创造了一个他们不觉得自己有的问题。这一条原则，比任何技术优化都重要。