第七章：从一次对话到一个 AI 应用

约 1929 字大约 6 分钟

AI 应用场景体验信任

到这里，你已经学过：

AI 到底是什么。
怎样把问题说清楚。
AI 为什么会一本正经地说错。
怎样用 AI 帮助学习和表达。
怎样让 AI 基于资料回答。
怎样让 AI 使用工具和参与流程。

最后一章，我们把这些能力合起来看一个问题：

一次有用的 AI 对话，怎样变成一个真正可用的 AI 应用？

很多 AI Demo 看起来很神奇：打开一个聊天框，输入一句话，AI 给出回答。可是如果要让它长期帮助真实用户，就不能只靠“能回答”。它还要稳定、清楚、可信、可控、可改进。

7.1 先从一个小场景开始

假设我们要做一个“AI 学习助理”。

不要一上来就问：

用哪个模型最好？

更好的起点是问：

它到底帮谁，在什么场景下，完成什么任务？

比如：

它帮助刚接触 AI 的学生，在阅读 XPKBook 时，理解章节内容、讲解错题、生成少量针对性练习，并提醒哪些信息需要核验。

这句话比“做一个很强的 AI 助理”更有价值，因为它说清了：

用户是谁。
使用场景是什么。
任务是什么。
边界是什么。

一个 AI 应用不是从模型开始，而是从真实场景开始。

7.2 把一次对话拆成应用结构

一次对话里，你可能只看到输入框和回答。

但一个应用背后通常至少有六层：

层	负责什么	学习助理里的例子
界面	用户在哪里输入、阅读、点击	右侧助理、正文练习卡、章节小测
模型	理解、生成、解释、改写	讲错题、换例子、生成练习
上下文	AI 当前能看到什么	当前章节、选中文本、答题结果
资料	事实和依据从哪里来	教材内容、知识点、教师经验包
工具	能做哪些动作	读取学习状态、保存作答、生成练习卡
边界	什么不能做，何时要确认	隐私不进包、高影响建议要核验

如果这些层混在一起，应用就会变得不稳定：模型不知道该看什么，用户不知道该信什么，系统不知道该记录什么。

7.3 体验不是装饰

AI 应用的体验，不只是界面好不好看。

体验包括：

用户是否知道 AI 正在做什么。
回答是否太长、太慢、太难懂。
是否能看见来源和不确定性。
是否知道下一步可以怎么做。
重要动作前是否有清楚确认。
错误发生时是否能恢复。

比如学习助理讲错题时，如果它只说“你错了，正确答案是 B”，体验就很差。

更好的讲法是：

你选错的原因可能是把“AI 的建议”和“AI 自动执行”混在了一起。
这题考的是工具边界：AI 可以给建议，但提交、删除、付款这类动作需要确认。
我再给你一道相似题练一下。

这样的体验不只是更温和，也更有教学价值。

7.4 成本和速度也会影响学习

普通学生可能不会关心 token、推理成本、并发和缓存这些词，但他们会感受到：

回答是不是等太久。
助理是不是每次都啰嗦。
做一个小练习是不是很卡。
一节课几十个学生同时用时是否稳定。

所以，AI 应用要考虑：

简单问题不要动用过重的流程。
不必要的上下文不要全塞给模型。
稳定资料可以缓存。
长回答可以流式显示。
小测讲解要短而准。
练习题不要无限生成。

成本和速度不是后台小事，它们会直接影响学习体验。

7.5 信任来自可解释和可修正

用户信任 AI，不是因为界面写了“智能”，而是因为他能看懂：

这个回答基于什么资料。
哪些地方不确定。
哪些动作还没执行。
哪些内容可以修改。
出错后怎么撤回或修正。

比如，一个好的学习助理应该能说：

我根据你刚才的小测结果判断，你对“工具调用需要确认”还不稳。
这个判断只来自本章小测，不代表你整体 AI 能力。
你可以选择继续练 2 题，也可以先跳过。

这段话让用户知道：依据是什么，边界是什么，下一步选择是什么。

7.6 持续改进：把反馈变成下一版

AI 应用不是上线后就结束。

尤其是教育产品，更应该持续观察：

哪些题学生频繁答错。
哪些解释学生看不懂。
哪些练习太难或太简单。
哪些助理回复太长、太像套话。
哪些功能让老师觉得有帮助。
哪些交互让学生分心。

这些反馈不应该只停留在聊天记录里。它们应该回到：

章节正文。
练习题。
教师带教稿。
知识点映射。
助理提示策略。
Surface IR 和交互组件。

这就是你一直强调的“做电子书的过程中沉淀系统能力”：教材不是一次性内容，Reader、IR、助理、教师经验和反馈记录会一起成长。

7.7 一个 AI 应用的检查清单

以后你看到一个 AI 应用，可以问这十个问题：

它服务谁？
它解决什么具体任务？
它的回答基于哪些上下文？
它参考哪些资料，能否追溯来源？
它能调用哪些工具？
哪些动作必须人类确认？
它怎样保护隐私和权限？
它出错后能否解释、撤回或修正？
它的速度和成本是否适合真实使用？
它怎样从反馈中改进？

这十个问题，就是把整本书合起来使用。

7.8 本章小测

下面几道题帮助你确认：你是否能把一次对话背后的模型、资料、工具、体验、信任和改进闭环联系起来。

本章小结

从一次对话到一个 AI 应用，中间不只是多写几句 Prompt。

你需要把这些东西组织起来：

场景：帮谁完成什么任务。
模型：理解、生成、解释和改写。
上下文：当前能看到什么。
资料：事实和依据来自哪里。
工具：能执行哪些动作。
边界：什么需要权限和确认。
体验：用户是否看得懂、等得起、能修正。
改进：反馈怎样回到下一版。

这也是 XPKBook 和传统电子书不同的地方：它不是只展示文字，而是把内容、互动、学习状态、助理和反馈组织成一个可持续改进的学习系统。

到这里，第一本 AI 通识课的主线就闭合了。

你不需要一下子成为 AI 工程师，但你已经有了一套重要的判断框架：会提问，会追问，会核验，会保护边界，也能看懂一个 AI 应用背后到底在发生什么。