Insight AI

用户刷到“某种保健品能预防疾病”或“一个偏方三天见效”时，通常只想快速知道能不能信。普通 AI 可以直接给出结论，却很少告诉用户该看哪些证据、哪一步推理有问题，以及下次遇到类似内容怎么办。Insight AI 是一个面向健康信息判断场景的 AI 产品：它既能帮助用户核查眼前的说法，也能把判断过程转化为短时练习，让用户逐步掌握可重复使用的方法。项目由我独立负责产品定位、需求分析、核心功能、Agent 工作流、原型方案和效果验证设计。

目标用户是经常从社交媒体获取健康知识、关注健康但缺少专业背景的普通用户。他们面临三个连续问题：第一，不知道一条信息是否值得相信；第二，即使看到结论，也分不清来源、证据和推理哪里可靠；第三，面对下一条相似信息时仍要重新依赖别人判断。传统辟谣和通用问答往往只解决第一步，并采用同一种解释方式，忽略了有些用户容易被“专家背书”影响，有些用户则更容易被情绪、数据表达或因果故事说服。产品机会是把一次回答升级为“核查当下内容 + 练习判断方法 + 记录个人薄弱点”的连续体验。

产品目标分为三层。即时价值：帮助用户更快完成健康信息可信度判断，并看懂证据来源；能力价值：让用户能够说出自己的判断依据，并把方法应用到未见过的新内容；长期价值：记录用户容易忽略的判断维度，提供适合其水平的练习和复习。产品效果将关注真假判断准确率、判断依据完整度、分享意愿、判断信心和后续练习完成情况。当前这些指标用于指导产品验证，不代表已经取得量化提升。

用户真正要完成的任务不是“替我判断这一条是真是假”，而是“当我看到一条健康信息时，快速判断它是否可信，并知道下一步该如何验证”。沿着这一任务，我把用户常见的判断困难归纳为五类：来源与资质、证据质量、因果推理、数据表达、情绪与风险框架。产品体验需要做到两点：一是在用户做出判断后，立刻指出其已经关注和遗漏的线索；二是让用户在新的信息中再次使用同一种方法，而不是只读完一段解释。基于这一洞察，Insight AI 从单轮问答转向“真实问题处理 + 引导训练 + 能力回顾”的产品结构。

产品提供三个入口。快速判断允许用户粘贴真实遇到的健康说法，获得来源核查、证据分级、推理拆解和下一步验证建议；引导训练提供经过风险控制的健康信息微情境，让用户先判断可信度并说明依据，再圈定可疑线索，随后获得即时反馈，完成改写、反驳或验证路径选择，最后用一则新情境检查是否真正掌握方法；能力回顾汇总用户近期容易忽略的判断维度，并推荐下一次练习。一次完整训练遵循“首次判断 → 说明依据 → 识别薄弱点 → 微情境练习 → 即时反馈 → 新情境应用 → 更新画像与复习建议”的闭环。后台由 Understanding、Retrieval、Reasoning、Reflection 四层 Agent 能力支撑，但用户看到的是连贯的任务和反馈，而不是复杂的技术步骤。

MVP 先聚焦一条最短可用链路：输入健康说法 → 用户给出初步判断与信心 → Agent 检索可信资料 → 展示证据与推理问题 → 用户完成一则迁移练习 → 收集反馈。首版覆盖快速判断、依据解释、微情境训练和基础薄弱点记录；能力趋势、自动复习和跨领域扩展放到后续版本。工作流使用 LangChain 编排，通过 Prompt Engineering 控制提问、提示和反馈结构，Chroma 与 DashScope Embedding 负责知识召回，FastAPI 与 React 承载服务和交互；Coze 用于快速验证部分流程。RAG 的作用不是替用户做决定，而是为每次反馈提供可追溯的健康资料。

当前已完成产品定位、目标用户与任务拆解、三种产品模式、核心使用闭环、五类判断维度、四层 Agent 能力和 RAG 证据链路，并形成可继续验证的原型方案。下一步产品效果验证将比较个性化训练、普通 AI 回答和无引导三种体验，观察用户是否判断得更准、能否说清依据、是否更谨慎分享，以及能否在新情境中继续使用学到的方法。项目仍在进行中，页面不提前宣称这些效果已经成立。

当前产品仍有三个需要继续打磨的地方。第一，薄弱点画像主要来自显式选择和回答，后续应结合真实使用行为动态更新，减少填写负担；第二，训练路径目前以规则匹配为主，后续可根据用户表现自动调整难度、提示强度和题目类型；第三，只看一次练习后的答对情况并不足够，还需要通过短时复习和延迟回顾了解方法是否真正保留下来。产品化节奏上，我会先把健康信息的“快速判断 + 依据解释 + 一次练习”做顺，再逐步加入能力回顾、主动复习，以及浏览器和社交信息场景。