☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
万字解析！能提高10倍效率的多agent系统：附智能海报项目实战！
前言ai领域比较火的几个词，我们先大概走马灯一下：1. rag（检索增强生成）这篇文章对rag这块有介绍，感兴趣的可以看一下：2. world model（世界模型）就是用生成式大模型直接“想象”出可交互的 3d 虚拟环境，供 ai 或人类在其中训练、测试。
二、懂用户
刚开始，设计师们也尝试过用 GPT 这类通用 AI 写文案，但总会卡在两点。
第一点就是：文案看着不错，用着别扭。
语法没问题，表达也流畅，但一放进真实界面，就和产品气质“对不上”。
问题出在哪？——AI只知道要写页面中的一句话，却看不见“这个页面在干嘛”。
文案好不好，必须放在具体上下文里看，脱离背景的文案，往往只是“语言正确”，但“用法不对”。
但让设计师通过提示词把背景写清楚，既费劲又不稳定。
所以我们当时就在想：能不能不让设计师写提示词？能不能从别的地方拿到上下文？
能。答案就是：图片。
大家看下语义助手的样子：有一个很大的图片上传框。
用户可以直接扔图，一键生成。
重点是：支持一次扔多张图——玄机就在这里。
除了上传要改文案的界面图，还可以把前后相关界面一起扔进来。
这样AI拿到的就不是“一个页面”，而是一个流程的上下文。
拿到图之后，AI会先做分析。分析什么？
一句话：不只是识别文案，而是理解界面。
翻译成人话就是：它先搞清楚这个页面在干嘛，再决定怎么写。
除了提取UI文案，它还需要理解：
- 文案在哪个位置、承担什么功能？
- 这个页面属于什么结构/类型？
- 页面整体在流程里做什么事？
那如果是多张图呢？就还要加一层：
- 判断这些图是不是同一个流程？
- 是什么流程？顺序是什么？
- 上下文怎么衔接？
为了实现这套理解，我们引入了 schema，让大模型强制返回结构化 JSON。
说白了就是：强制AI先把页面“拆成固定的表格结构”，再去写文案。
这样就实现一个很直观的效果：
只要一传图，大模型就知道这是哪个业务、哪个流程、处在什么环节。
这比靠提示词描述可靠太多。
但支持多图，也意味着输入情况会非常复杂：用户可能不传图、传文字截图、传错图或者噪音图；传一张UI图、或者标记过的UI图、或者一部分截图；或者多张互不相关图、或者多张相关但乱序的图……各种排列组合都会出现。
那么我们要做一个合格的系统，就必须对各种情况都全部的去兼容。这块我们用MECE的方式去搭工作流：各分支互相独立、覆盖完全，保证每种输入都能走到正确路径，尽量不漏不翻车。
我们拿一个非常“刁钻的例子测试过：
要改的是 toast 弹窗里的文案。用户上传了：一张toast截图、一张文字截图（需求）、一张无关噪音图、一张相关表单页面。
神奇的是，AI准确识别出了哪张是噪音图、哪张是有效图，也读懂了文字截图里的要求。
更重要的是：它清楚地知道任务是只改 toast 文案——审题正确，没有乱改其他地方。
这件事在人类实习生身上都不一定稳定发生，但AI做到了。
我们用「用图提问」这个设计，不仅让用户更省事，也解决了上下文问题，并且支持批量提问走查，效率提升非常明显。
此外，如果用户要写提示词，我们也提供了提问模板，直接填就行，省掉大量通用废话。
回答，也不是只输出“文案正文”，而是一整套交付物：包括文案、写作要点、术语用法、注意事项、参考文献，方便快速核对、快速选用。
到这里，AI已经能“看懂页面”，但它还不一定“说对话”。
真正难的是第二件事：懂业务。
三、懂业务
通用AI的第二个卡点是：文案需要严格遵循语义规范、贴合业务场景。但使用通用AI，即使给了它资料和要求，也有可能不执行、瞎执行。
很自然地，我们想起来——加知识库。
但深入用下来会发现一个很现实的情况：很多问题就算不加知识库，大模型也能答得像模像样。
看起来效果很好，其实只是模型本来就会，知识库并没发挥作用。
更坑的是：如果只是简单把知识库“挂上去”，效果就会时灵时不灵；甚至有时候还不如直接用通用AI。
所以关键不是“有没有知识库”，而是：知识库能不能每次都强制生效，又能答得好？
要做到这一点，就得把知识库变成“硬规则”。
通过 RAG 机制，流程变成：先把需求转成规范关键词，再强制检索最相关规范，并强制说明“为什么选这些规范”。
说白了就是：AI写之前，必须先翻一遍“公司文案说明书”。
这样拿到的就是最相关、最精确的规范知识。
接下来，把规范片段和业务背景一起写成大模型必须执行的“硬规则”。
比如前面解析图片提取的类型和元素，本质上都来自我们根据业务背景推导出的一个字段池，提前写进系统提示词里。
也就是说它不是临时猜，而是按规则体系在跑。
到这里，它已经不仅“看懂页面”，还“知道该怎么说话”。
但还有最后一个问题——它听起来还是像AI。
四、去AI味儿
AI写作最大的问题，其实不是对错，而是“味道”。
太长、太客套、太模板化，一眼就是 AI。
我们做的事很简单：让它别像AI，像人。
我们对工作流里 7 类关键大模型节点做系统优化：提示词、参数、格式，前后调试30多次，形成 2w+ 字提示体系。
再通过 AB 测试，反复验证模型选型、知识片段数量、创造性参数的影响，逐步锁定关键因子。
此外，还做了双语识别、答案反馈闭环、权限保护知识资产等设计。
最后
通过“懂用户、懂业务、去AI味儿”三个维度的打磨，我们把语义助手做成了一个真正能落地的产品化 Agent。
它不只是翻译工具，而是理解上下文、遵循规范、输出专业结果的 AI copywriter。
最重要的是：它让设计师不再需要配专职文案，也能高效、准确完成出海业务的英文文案工作。
这就是我们想做的事——用AI产品化专业能力，让更多人能做原本做不了或做不好的事。
欢迎关注「58UXD」的微信公众号：
