PROJECT 01 · AI AGENT
WordCraft 词义理解 Agent—— 从需求到可交互 Demo 的产品验证闭环
个人项目 · 角色：AI 产品经理（需求定义 → PRD → 原型 → Eval 独立全链路）01 · 定位与 PRD 核心用户定义 · 范围裁剪 · 北极星 · 质量分级（真实摘录）
痛点 —— 查词的真问题不是"查不到"
① 释义太多：一个词 8-12 条释义，不知道先学哪个② 例句太难：例句比单词本身还难，看不懂用法
③ 看完仍不会用：真实句子里认不出是哪个意思
方案 —— 受控词义理解 Agent
先给 3 条最值得学的释义卡片（减负），并能在真实句子里判断目标词用的是哪个义项（运用）。为什么要"受控"：
LLM 直接解释可能编造义项 → 义项只从词库原始释义中选择、不自造，可追溯可评估。
V2 愿景 通过造句练习 + AI 反馈达到真正的运用能力（已规划进 V2 待办清单）。
核心用户定义（PRD 原文）："有一定英语基础，但经常被多义词卡住的学习者。核心问题不是查不到释义，而是释义太多、例句太难、看完仍不会用。"不做零基础用户、不做词典重度研究型用户。
北极星指标 · MVP 范围裁剪 · 质量分级（展开看真实摘录）
北极星指标：单词从"见过"到"能用"的转化率，拆 3 个代理指标——查词完成率 / 释义复述率（24h 后能否复述核心义）/ 造句正确率。
MVP 范围裁剪：自由造句练习 + AI 评判反馈主动降级进 V2 待办清单，保留更易验收的"句子-释义匹配"——裁剪有记录、有理由。
质量分级与诚实降级：遇到低频、过时或无法生成自然现代表达的义项，不硬凑例句，而是标记为"低置信"并附说明，在用户侧提示"该释义较低频，暂不推荐优先练习"。数据不够时诚实降级，不硬编例句。
三条 User Story 对应三个痛点（真实摘录）+ AC 验收标准
US1（P0）As a 英语学习者，I want to 输入目标单词后优先看到 3 条最值得先学的核心释义卡片，So that 我不用被传统词典的 8-12 条释义淹没。
US2（P0）As a 想真正学会一个词的英语学习者，I want to 点击某条核心释义后看到简单解释、低难度例句和常见搭配，So that 我不只是知道中文翻译，而是知道这个意思通常怎么用。
US3（P0）As a 在真实句子里遇到多义词的英语学习者，I want to 输入句子和目标单词、让系统判断对应哪条释义并给出依据，So that 我能把释义和真实语境连接起来，避免"看懂词典却看不懂句子"。
AC = 验收标准，把每条 US 翻译成可判定的测试条件。如 AC1.1：Given 查词入口页 / When 输入有效单词提交 / Then 必须返回 3 条卡片、默认不展示第 4 条；失败场景：少于 3 条且无说明 / 超过 3 条 / 空结果；测试类型含大模型评判与人工评审。
02 · 从原型到工作流先设计（Figma 原型），后构建（Dify Agentic Workflow）
先设计 · 低保真原型
五页低保真原型：查词入口 → Top 3 释义卡 → 义项展开 → 句子-释义匹配 → 学习历史（点击放大）
低保真原型交互演示（51 秒）
后构建 · 真实 Dify Agentic Workflow
真实 Dify Agentic Workflow 节点图（点击放大）—— 下方为与之对应的逻辑流程
Agentic Workflow 逻辑流程与上方节点图一一对应
从用户输入到学习卡片，受控生成全程有边界判断与条件分支
① 任务类型判断查词 / 句中消歧 / 其他
→
② 任务边界判断防越界拦截
→
③ 条件分支按任务类型分流
→
④ 词库查询查词库取原始义项
→
⑤ 释义筛选选最值得学的 3 条
→
⑥ 格式清洗结构化为卡片 JSON
→
⑦ 学习卡片 / 澄清回复
任务路由Guardrail 边界受控筛选结构化输出
03 · 互动体验 Demo可真实使用 · 查 → 学 → 练 → 反馈完整闭环
04 · 模型选型与 Token 经济4 模型同一套 Prompt 实测 · 单价由调用日志反推
选型问的不是"哪个最好"，而是"怎么分工最优"。机会评估阶段要回答 4 个问题：哪个能稳定产出结构化 JSON？成本/延迟/质量怎么平衡？哪个适合主流程、草稿、Bad Case 重跑？有无爆 token 等生产化风险？
| 模型 | 成本 / 词 | 平均延迟 | 质量 | 路由角色 |
|---|---|---|---|---|
| Gemini 2.5 Flash | $0.00124 | 3.58s | 中高：JSON 稳定、语义例句均衡 | 主流程 |
| Gemini 2.5 Flash Lite | $0.00026 | 5.99s | 中低：释义浅、例句生硬，返工率高 | 草稿批量 |
| Gemini 3 Flash Preview | $0.00500 | 9.59s | 高：语义最好但成本 4 倍 | Bad Case 重跑 |
| Gemini 3.1 Flash Lite Preview | 不稳定 | 13.85s | acute/sound 爆 11k+ token | 不采用 |
最便宜 ≠ 总成本最低：Lite 单价仅 1/5，但质量不达标导致返工，综合成本反超
测试口径要干净：剔除 Dify 对话记忆带来的上下文污染样本后才计算平均成本；异常值给含 / 排除两种口径
05 · 测试与成果分层验证，先通路后规模 —— 全量 15/15
能力① 分层测试策略：5 个样本快速试通路 → 单点抽查边界用例 → 15 个样本全量验收封账，先通路后规模、先小成本后全量。
能力② Python 脚本批量测试：全程批测脚本执行，JSONL 原始结果 + CSV 运行日志留存，可一键重跑复现。
能力② Python 脚本批量测试：全程批测脚本执行，JSONL 原始结果 + CSV 运行日志留存，可一键重跑复现。
| 指标 | 结果 | 为什么看它 |
|---|---|---|
| 总通过率（单词类 8 + 句中词义类 5 + 短语类 2） | 15/15 · 100% | 端到端链路健康度 |
| 句中词义消歧通过率 | 5/5 · 100% | 核心差异化能力（语境判断）是否成立 |
| 义项原始释义可追溯率 | 8/8 · 100% | 幻觉控制的根基：卡片不是模型编的 |
| 回答 JSON 合法率 | 15/15 · 100% | 可程序化批测与前端集成的前提 |
06 · 反思
受控生成优于自由生成：让模型"从给定素材里选"而非"自由发挥"，是幻觉可控、结果可追溯的根本——可迁移到任何内容生成型 AI 产品
数据不足时诚实降级："素材只够 2 条就给 2 条、低频义项标低置信、不硬造例句"比"凑满更好看"更可信
模型选型是可解释的路由策略，不是选"最好的"：按成本 / 延迟 / 质量给每个模型分角色——成本思维是 AI PM 的必修课