对话式记账上线三个月，我作为负责人复盘 - 流程、协作与风险怎么管

一、业务痛点：记账产品的「输入摩擦」

我们是一个五人小团队，做个人财务管理助手。产品上线半年后，数据看板给了我们一个刺眼的数字：用户七日留存率不到 30%,而流失用户中 68% 从未成功录入第二笔账。

复盘用户访谈后发现，问题不在分析能力，而在输入环节：

手动选分类、填金额、挑日期，记一笔账平均要点 7 次屏幕；
用户期望的是「随手说一句」，比如「午饭花了 35,跟同事拼的奶茶 18」；
一句话里可能含多笔支出、缺时间、有歧义，传统表单完全接不住。

结论很明确：不做对话式记账，产品就活不下去。但作为负责人，我关心的不只是「能不能做出来」，还有三件管理层必须盯的事：

流程：从用户开口到账本落库，链路能不能标准化、可监控？
协作：算法、后端、产品三个人怎么并行开发而不互相阻塞？
风险：模型幻觉把 35 元记成 3500 元怎么办？用户隐私数据流向哪里？成本怎么控？

二、架构设计：把「对话解析」做成一条流水线

我们没有把大模型当成黑盒直接对话到底，而是拆成四个边界清晰的环节。这是管理上的关键决策——每个环节责任单一，出问题能定位到人。

用户消息 → ① 意图识别(轻量模型,便宜快)
        → ② 信息抽取(主力模型,结构化输出)
        → ③ 规则校验层(纯代码,不依赖AI)
        → ④ 确认卡片 → 用户点确认 → 落库

各环节职责：

意图识别：判断是记账、查询还是闲聊，用小模型即可，成本几乎可以忽略；
信息抽取：主力模型负责把自然语言转成 JSON(金额、分类、时间、备注)；
规则校验层：这一层是管理层必须坚持的。金额上限(单笔超过 5000 拦截复核)、日期合理性(不能记未来)、分类白名单校验，全部用代码写死，不信任模型的输出，只信任校验后的结果；
确认卡片：AI 只负责起草，落库前必须经过用户确认。这一步让「记错账」的责任从系统回到了人，投诉率明显下降。

三、关键实现步骤(附流程清单)

从立项到灰度上线，我们用了三周。给同量级团队一份可复用的清单：

第一周：定义契约

[ ] 产品与算法共同冻结 JSON Schema(字段、枚举值、必填项)
[ ] 准备 200 条脱敏测试语料，覆盖口语、方言式表达、多笔混合
[ ] 定好错误处理策略：解析失败时降级为表单，不硬拗

第二周：并行开发

[ ] 后端按 Schema mock 数据开发校验层与落库逻辑
[ ] 算法侧调 prompt + few-shot,目标是测试集准确率 ≥ 92%
[ ] 接入统一 AI API 网关，所有模型调用收敛到唯一 base_url

第三周：灰度与风控

[ ] 抽样 10% 流量灰度，每天抽 50 条解析结果人工复核
[ ] 配置单用户 token 用量告警，防止异常循环烧钱
[ ] 敏感字段(姓名、卡号)在请求模型前做脱敏中间件处理

解析环节的核心 prompt 思路(简化版)：

SYSTEM_PROMPT = """你是记账信息抽取器。从用户消息中提取账目,
严格按以下 JSON 格式输出,无法确定的字段填 null,不要编造:
{
  "items": [
    {"amount": 数字, "category": 枚举值之一,
     "time_hint": 原文时间描述, "note": 备注}
  ],
  "ambiguity": 需要用户澄清的问题, 无则 null
}
分类枚举:餐饮/交通/购物/居住/医疗/娱乐/其他"""

四、为什么统一 AI API 网关降低了维护成本

这是我作为管理者最有体会的一点。项目初期算法同学直接调某家 SDK,后来因为成本和效果原因要换模型，结果改了三天：SDK 不兼容、重试逻辑重写、监控埋点全部失效——而这三天猫本可以继续写校验层的。

后来我们把所有模型调用收敛到统一网关，情况完全不同：

换模型变成一次配置变更。意图识别用便宜模型、信息抽取用强模型，都在网关层路由，应用代码里只有一个 base_url。后续新模型上线，评估和切换不再阻塞业务迭代；
成本可归因。网关按「功能 × 用户」维度统计 token 消耗，月底我能直接拿到一张账：每个功能烧了多少钱、哪些用户的调用量异常，预算治理有据可依；
风控统一收口。限流、脱敏日志、敏感词拦截都在网关层做一次，不用每个功能各写一套。对五人小团队来说，少写三套重复代码，就是少养三个未来会烂掉的模块。

五、管理复盘：三个数字

灰度三个月后：单笔记账交互从 7 次点击降到 1 句话 + 1 次确认；第二笔记账率从 32% 升到 71%;因解析错误产生的客诉，因为确认卡片的存在，每月不超过个位数。

如果重来一次，我会从第一天就把网关和校验层建好——它们才是小团队真正的护城河，模型本身反而是最容易换的零件。

如果你也在规划类似的 AI 功能，想把模型调用统一收口、把成本和风控抓在自己手里，可以先去 https://api.thistoken.ai/register 注册试用，十分钟就能跑通第一个请求。

---

本文的示例只需一个 API Key 就能复现：在 https://api.thistoken.ai/register 注册即用。

一、业务痛点：记账产品的「输入摩擦」

复盘用户访谈后发现，问题不在分析能力，而在输入环节：

手动选分类、填金额、挑日期，记一笔账平均要点 7 次屏幕；
用户期望的是「随手说一句」，比如「午饭花了 35,跟同事拼的奶茶 18」；
一句话里可能含多笔支出、缺时间、有歧义，传统表单完全接不住。

结论很明确：不做对话式记账，产品就活不下去。但作为负责人，我关心的不只是「能不能做出来」，还有三件管理层必须盯的事：

流程：从用户开口到账本落库，链路能不能标准化、可监控？
协作：算法、后端、产品三个人怎么并行开发而不互相阻塞？
风险：模型幻觉把 35 元记成 3500 元怎么办？用户隐私数据流向哪里？成本怎么控？

二、架构设计：把「对话解析」做成一条流水线

我们没有把大模型当成黑盒直接对话到底，而是拆成四个边界清晰的环节。这是管理上的关键决策——每个环节责任单一，出问题能定位到人。

用户消息 → ① 意图识别(轻量模型,便宜快)
        → ② 信息抽取(主力模型,结构化输出)
        → ③ 规则校验层(纯代码,不依赖AI)
        → ④ 确认卡片 → 用户点确认 → 落库

各环节职责：

意图识别：判断是记账、查询还是闲聊，用小模型即可，成本几乎可以忽略；
信息抽取：主力模型负责把自然语言转成 JSON(金额、分类、时间、备注)；
规则校验层：这一层是管理层必须坚持的。金额上限(单笔超过 5000 拦截复核)、日期合理性(不能记未来)、分类白名单校验，全部用代码写死，不信任模型的输出，只信任校验后的结果；
确认卡片：AI 只负责起草，落库前必须经过用户确认。这一步让「记错账」的责任从系统回到了人，投诉率明显下降。

三、关键实现步骤(附流程清单)

从立项到灰度上线，我们用了三周。给同量级团队一份可复用的清单：

第一周：定义契约

[ ] 产品与算法共同冻结 JSON Schema(字段、枚举值、必填项)
[ ] 准备 200 条脱敏测试语料，覆盖口语、方言式表达、多笔混合
[ ] 定好错误处理策略：解析失败时降级为表单，不硬拗

第二周：并行开发

[ ] 后端按 Schema mock 数据开发校验层与落库逻辑
[ ] 算法侧调 prompt + few-shot,目标是测试集准确率 ≥ 92%
[ ] 接入统一 AI API 网关，所有模型调用收敛到唯一 base_url

第三周：灰度与风控

[ ] 抽样 10% 流量灰度，每天抽 50 条解析结果人工复核
[ ] 配置单用户 token 用量告警，防止异常循环烧钱
[ ] 敏感字段(姓名、卡号)在请求模型前做脱敏中间件处理

解析环节的核心 prompt 思路(简化版)：

SYSTEM_PROMPT = """你是记账信息抽取器。从用户消息中提取账目,
严格按以下 JSON 格式输出,无法确定的字段填 null,不要编造:
{
  "items": [
    {"amount": 数字, "category": 枚举值之一,
     "time_hint": 原文时间描述, "note": 备注}
  ],
  "ambiguity": 需要用户澄清的问题, 无则 null
}
分类枚举:餐饮/交通/购物/居住/医疗/娱乐/其他"""

四、为什么统一 AI API 网关降低了维护成本

后来我们把所有模型调用收敛到统一网关，情况完全不同：

换模型变成一次配置变更。意图识别用便宜模型、信息抽取用强模型，都在网关层路由，应用代码里只有一个 base_url。后续新模型上线，评估和切换不再阻塞业务迭代；
成本可归因。网关按「功能 × 用户」维度统计 token 消耗，月底我能直接拿到一张账：每个功能烧了多少钱、哪些用户的调用量异常，预算治理有据可依；
风控统一收口。限流、脱敏日志、敏感词拦截都在网关层做一次，不用每个功能各写一套。对五人小团队来说，少写三套重复代码，就是少养三个未来会烂掉的模块。

五、管理复盘：三个数字

如果重来一次，我会从第一天就把网关和校验层建好——它们才是小团队真正的护城河，模型本身反而是最容易换的零件。

---

本文的示例只需一个 API Key 就能复现：在 https://api.thistoken.ai/register 注册即用。

对话式记账上线三个月，我作为负责人复盘 - 流程、协作与风险怎么管

一、业务痛点：记账产品的「输入摩擦」

二、架构设计：把「对话解析」做成一条流水线

三、关键实现步骤(附流程清单)

四、为什么统一 AI API 网关降低了维护成本

五、管理复盘：三个数字

想试试 Token.AI？

对话式记账上线三个月，我作为负责人复盘 - 流程、协作与风险怎么管

一、业务痛点：记账产品的「输入摩擦」

二、架构设计：把「对话解析」做成一条流水线

三、关键实现步骤(附流程清单)

四、为什么统一 AI API 网关降低了维护成本

五、管理复盘：三个数字

想试试 Token.AI？