IdeaSense AI
IdeaSense AI
IdeaSense 最早完成于一次 10 周实习，之后继续演进成产品系统。它是我最能代表 AI 工作流能力的案例：受控编排、持久状态、复核门禁，以及真实部署约束下的取舍。
概览
IdeaSense AI 引导早期创始人在 30–60 分钟内完成一次 DVF 评估。产品没有把聊天本身当成最终形态，而是通过分阶段对话、显式确认、结构化状态、评分和报告生成，让每次评估都可以被复核和复用。
问题
创始人访谈里有很多有效信息，但原始对话很难比较，也很难直接信任。通用聊天容易偏离流程，把事实和假设混在一起，并生成看似自信但缺少稳定评估路径的结论。挑战是在保留自然对话的同时，让评估过程受控且可复核。
我的角色
实习阶段的 AI 工作流负责人。我负责题库结构、编排逻辑、上下文设计、模型路由、验证策略，以及从原型到可用产品流程的集成路径。
背景与约束
初版 MVP 需要在 10 周实习周期内完成，并按 Prototype、MVP、Final Release 的节点推进。
目标部署环境偏轻量，系统不能依赖本地大模型或过重的检索层。
延迟和成本都需要控制，因此普通对话速度与总结、评分、报告等强推理任务之间必须做取舍。
流程要让非技术创始人能顺畅使用，同时保证输出足够明确，方便后续复核。
交付内容
基于 DVF 的题库和分阶段访谈流程，覆盖 problem、market、technology 和报告汇总。
确定性的 turn orchestrator，用显式阶段确认替代过于灵活的 agent 流程。
分层上下文策略，组合系统规则、滚动摘要、最近轮次、清洗后的输入和阶段指令。
面向声明、评分和最终报告的验证与证据处理钩子。
技术路径
采用解耦的 Next.js 前端和 FastAPI 后端，使用 PostgreSQL 持久化状态，并通过 SSE 提供聊天流式体验。
不依赖原始聊天记录作为唯一状态，而是保存确认字段、元状态和待复核值，把事实和建议区分开。
使用按任务分流的模型路由，让普通对话保持速度，总结、评分和报告生成走更强的推理路径。
在此基础上继续扩展认证、项目空间、示例报告流程、导出能力和组织管理界面。
结果
构建了端到端 MVP，覆盖分阶段流程控制、项目状态持久化、SSE 流式对话、结构化证据采集、DVF 评分和报告导出。
在实习评估阶段，混合路由方案的平均聊天延迟约为 1.8 秒，同时保持了结构化任务所需的较强指令遵循。
用 4 个已知创业案例做回测时，系统给出了相对合理的判断带：Notion 和 Discord 被判定为 proceed，Google Glass 和 Juicero 被识别为风险案例。
最重要的产品结论是：受控的工作流设计，比不受约束的聊天界面更容易让 AI 输出被信任。
复盘
可靠性真正提升，是在我不再试图让 agent 更自主，而是把工作流做得更明确之后。状态机方案没有那么炫，但它让产品边界更清楚，输出也更站得住。