---
url: /courses/ai-literacy/09.productization.md
---
# 第七章：从一次对话到一个 AI 应用

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：

```txt
用哪个模型最好？
```

更好的起点是问：

```txt
它到底帮谁，在什么场景下，完成什么任务？
```

比如：

```txt
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。

{{reflection-checkpoint:application-system-map-checkpoint}}

## 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：

```txt
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：

```txt
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。

{{reflection-checkpoint:application-feedback-loop-checkpoint}}

## 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：

1. 它服务谁？
2. 它解决什么具体任务？
3. 它的回答基于哪些上下文？
4. 它参考哪些资料，能否追溯来源？
5. 它能调用哪些工具？
6. 哪些动作必须人类确认？
7. 它怎样保护隐私和权限？
8. 它出错后能否解释、撤回或修正？
9. 它的速度和成本是否适合真实使用？
10. 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。

{{assessment:ai-application-check}}

## 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。