端侧AI模型上线后遭遇三大用户体验问题：1）低端机因流式输出频率过高导致UI卡死，通过requestAnimationFrame节流解决；2）用户误点未加载完成的模型造成白屏，改为加载进度可视化+按钮状态管控；3）用户误将小模型当作ChatGPT使用，通过输入意图判断+预期提示引导。案例揭示技术优化不等于体验优化，需建立端到端思维，文末提供包含6项关键检查点的上线清单，特别强调低端机适配、加载状态

端侧AI模型上线后遭遇三大用户体验问题：1）低端机因流式输出频率过高导致UI卡死，通过requestAnimationFrame节流解决；2）用户误点未加载完成的模型造成白屏，改为加载进度可视化+按钮状态管控；3）用户误将小模型当作ChatGPT使用，通过输入意图判断+预期提示引导。案例揭示技术优化不等于体验优化，需建立端到端思维，文末提供包含6项关键检查点的上线清单，特别强调低端机适配、加载状态

前段时间团队在做内部知识库的AI助手，Agent能联网搜索，能调公开API，但一碰到"帮我查一下上个月订单库的退款率"就哑了。数据在本地SQLite里，Agent够不着。

翻车系列写了两篇，回头来看其实是个蛮有意思的过程。输入端翻车告诉你"不是所有论文都能被 AI 读懂"，输出端翻车告诉你"读懂了也不代表它能说对"。这两个问题叠在一起，才是 AI 论文阅读工具的真实水平——不是不能用，但得知道它会在什么地方犯错。做 AI 产品就是这样，踩的坑越具体，你对产品的边界理解就越清楚。下次如果再遇到"模型编了一个看起来挺真的引用"，至少你知道怎么把它揪出来了。

第一次深度做Prompt Engineering。以为写prompt就是"把需求说清楚"，结果从V1到V3迭代了20多版，踩过的坑比写过的prompt还多。这篇文章不聊产品，不聊创业，只聊一件事：一个论文速读工具的prompt，到底怎么从"能跑"调到"能用"。

16年移动前端，第一次独立做AI产品。从"想做论文摘要"到"做决策过滤器"，从画功能全景图到砍到只剩一个核心功能，从纯开发思维到被产品思维反复打脸。这篇文章不推销产品，只复盘过程中的真实决策和踩坑。

翻车系列写了两篇，回头来看其实是个蛮有意思的过程。输入端翻车告诉你"不是所有论文都能被 AI 读懂"，输出端翻车告诉你"读懂了也不代表它能说对"。这两个问题叠在一起，才是 AI 论文阅读工具的真实水平——不是不能用，但得知道它会在什么地方犯错。做 AI 产品就是这样，踩的坑越具体，你对产品的边界理解就越清楚。下次如果再遇到"模型编了一个看起来挺真的引用"，至少你知道怎么把它揪出来了。

端侧选模型没有银弹。你以为参数小的就省心，结果速度可以但中文不能看。你以为能力强的就全能，结果内存吃死你。所以我的建议是：别只盯着一款模型上。做一个模型管理层，根据用户设备自动切换。跑不动 Phi-3 就降到 Qwen，Qwen 也跑不动就降级到云端。这才是端侧 AI 的正确姿势。

Hybrid AI架构将Web的灵活迭代与端侧的强劲算力结合，为移动应用赋予了全新的智能形态。通过WebView内运行量化LLM，我们可以实现“离线、快速、私密”的基础AI体验，同时保持和云端、原生推理的无缝衔接。

产品经理要是自己搞不清楚模型能干啥不能干啥，就只能被研发牵着走，或者画大饼把团队带坑里。智能客服绝对不是一堆 if else，也不是上个 API 就完事，它需要你像经营一个刚上岗的新员工一样，给他建知识库、告诉他遇到不会的怎么举手、每天复盘他的表现。你把 PRD 当成这个新员工的《工作守则》，一切就清楚了。