© 何卓芬AI 消费决策助手
Pickwise
AI Multi-source Purchase Decision Assistant
面向高决策成本商品的 AI 多源消费决策助手。通过整合多源消费信息与个性化需求，帮助用户理解不同选择之间的 Trade-off，而不是替用户直接做决定。
研究与设计逻辑
项目概述
Pickwise 是一款面向高决策成本商品的 AI 多源消费决策助手，通过整合官方参数、专业测评、真实用户体验和价格信息，帮助用户理解不同选择之间的 Trade-off，减少跨平台反复搜索和信息验证成本。
核心问题与目标用户
- 核心问题
- 在手机、电脑等高价格复杂商品购买过程中，用户需要在多个平台之间反复搜索、比较和验证信息，但现有 AI 推荐主要解决“找到商品”的问题，难以帮助用户理解信息差异、判断信息可信度以及完成最终选择。
- 目标用户
- 计划购买手机等高决策成本商品、具有明确预算但缺乏专业知识的消费者，尤其是需要综合考虑价格、性能、体验和使用场景的年轻用户。
- 产品愿景
- 帮助用户从找到商品走向做出选择。
- MVP 场景
- 智能手机选购。
- 未来扩展
- 手机 → 笔记本 → 相机 → 家电 → 户外装备 → 其他高决策成本商品。
前期研究
项目首先从用户真实购买行为入手，通过半结构化访谈与桌面调研，梳理高决策成本商品购买过程中用户的信息需求、搜索行为和决策障碍，并据此构建后续竞品测试所使用的 Query Set。
用户访谈
了解用户购买手机、电脑、相机等高决策成本商品时的真实决策过程，重点关注用户如何搜索信息、比较候选商品、验证购买风险并完成最终选择。
受访用户均
近期购买
最近 6 个月购买过 3000 元以上的数码产品。
正在决策
正在考虑购买手机、电脑、相机等高决策成本商品。
主动比较
购买前有主动搜索、比较和查看测评的习惯。
跨平台
曾使用两个及以上平台辅助完成购买决策。
| 访谈模块 | 核心问题 | 可选追问 | 访谈目的 |
|---|---|---|---|
| 购买背景 | 最近一次购买比较贵、让你比较纠结的商品是什么？从产生需求到最终购买，大概经历了哪些步骤？ | 为什么想买？大概花了多久决定？最终购买了吗？ | 还原用户完整购买过程，识别高决策成本商品的典型决策阶段。 |
| 平台使用 | 购买过程中你使用过哪些平台？每个平台主要用来解决什么问题？ | 为什么这个问题会去这个平台看？有没有在几个平台之间反复切换？ | 理解小红书、B站、电商平台、官网等不同信息渠道在购买决策中的角色。 |
| 真实搜索行为 | 你还记得当时实际搜过哪些内容吗？能不能举几个比较典型的搜索词或问题？ | 搜过“推荐”“哪个好”“缺点”“值不值得”这类内容吗？ | 收集用户自然语言表达，为后续 Query Set 提供真实来源。 |
| 比较与决策困难 | 整个过程中你最纠结、最难决定的是哪个环节？最后两三款商品之间主要在比较什么？ | 是参数太多、信息冲突，还是不知道什么更适合自己？有没有“多花 500/1000 元值不值”的纠结？ | 找出用户核心决策障碍，并识别 Preference、Constraint 和 Trade-off。 |
| 风险与最终确认 | 快准备下单的时候，你还会继续确认什么？最后是什么让你真正决定购买？ | 会不会专门搜索缺点、差评、真实体验？有没有担心买错、降价或者还有更好的选择？ | 理解决策末期的风险验证和信任需求，识别 Risk Validation 与 Confirmation Query。 |
| AI 使用（可选） | 你有没有使用过 ChatGPT 或其他 AI 帮助自己选商品？ | AI 哪里有帮助？哪些回答你不太相信？如果让 AI 帮你选，你最希望它告诉你什么？ | 探索现有 AI 辅助消费决策的价值与信任问题，为后续 AI 产品设计提供参考。 |
访谈结果整理
综合访谈结果，可将用户行为归纳为四个核心任务。
| 阶段 | 用户核心问题 | 典型行为 |
|---|---|---|
| Explore 探索 | 有哪些值得考虑？ | 搜推荐、排行榜、主流产品 |
| Compare 比较 | 哪一个更适合我？ | 比较参数、价格、实际体验 |
| Validate 验证 | 我会不会买错？ | 搜缺点、差评、长期体验 |
| Confirm 确认 | 我的选择合理吗？ | 看替代方案、判断是否值得加预算 |
“我经常一个问题在好几个平台搜，因为单在一个平台上去看总觉得信息不够全面。”
“一个拍照好，一个续航好，我不知道选哪个对我来说更好。”
“我快买的时候反而会专门去搜它的缺点，前面看优点已经看得够多了。”
桌面调研
为验证访谈中发现的跨平台搜索与决策行为，我进一步观察小红书、淘宝、京东等平台中的搜索联想、选购内容与评论区问题，分析用户如何表达需求，以及不同平台分别承担怎样的信息角色。
推荐探索
- 4000 左右高性价比手机推荐
- 今年有什么值得买的手机？
条件筛选
- 小屏轻薄手机推荐
- 拍照好续航好的手机推荐
商品比较
- 小米 XX 和 vivo XX 怎么选？
- A 和 B 哪个更值得买？
价格权衡
- 多花 1000 值得吗？
- 苹果 16 的 Plus 和 Pro 差别大吗？
风险验证
- XX 最大的缺点是什么？
- 长期使用有什么问题？
最终确认
- 准备买 XX 了，还有更好的选择吗？
| 平台 | 用户主要行为 | 信息价值 | 潜在局限 |
|---|---|---|---|
| 小红书 | 看真实体验、避坑、场景化使用 | 真实用户体验 | 信息碎片化、主观性较强 |
| 淘宝 | 看商品、价格、销量、评价 | 商品与交易信息 | 偏交易导向 |
| 京东 | 看参数、价格、评价、商品比较 | 标准化商品信息 | 复杂场景与体验信息有限 |
| B站（辅助） | 看深度测评、横向比较 | 专业解释与测试 | 内容较长、决策效率较低 |
用户并不缺少商品信息，而是需要在多个平台之间主动拼接不同类型的信息，才能形成完整的购买判断。
总结
Fragmented Sources
参数、专业测评、真实体验和价格分散在不同平台。
Different Information Roles
不同平台解决的是不同问题，单一来源难以覆盖完整决策需求。
Decision ≠ Information
用户获得大量信息后，仍需要自己完成比较、验证和 Trade-off。
Query 分类
将真实提问归纳为八类消费决策 Query，覆盖从探索到确认的完整过程。
我有哪些选择？
什么商品符合我的具体条件？
A 和 B 到底有什么差别？
多花钱或牺牲某项能力是否值得？
这些推荐和评价可信吗？
我可能踩什么坑？
在我的真实使用场景中应该怎么选？
我现在的选择是否合理？
竞品体验
现有 AI 购物体验，真的能帮助用户做决定吗？
基于前期用户访谈、平台搜索行为与高决策成本商品购买流程，我构建了 8 个典型消费 Query，并使用同一组问题测试小红书点点、淘宝千问与京东 AI 搜索。
本次分析重点观察三个平台能否完成从理解需求 → 推荐商品 → 解释差异 → 暴露风险 → 收敛决策的完整链路。
Query Design
基于用户访谈、竞品平台搜索行为以及高决策成本商品购买流程，构建覆盖需求探索、商品比较、风险确认和最终决策阶段的典型消费 Query。
| 来源 | 发现 | Query |
|---|---|---|
| 用户访谈 | 有明确预算，但不知道该看哪些型号 | 预算 4000 左右，平时主要拍照和刷视频，有什么手机比较值得买？ |
| 用户访谈 | 在意尺寸和重量，但不会用参数表达 | 手比较小，不想要太重太大的手机，4000 左右有什么推荐？ |
| 评论分析 | 用户经常在两三个候选之间反复比较 | 小米 17 和 vivo X300 怎么选？主要拍照，偶尔玩游戏。 |
| 用户访谈 | 用户会纠结加预算到底换来了什么 | vivo X300 的标准版和 Pro 差快 1000，我平时就拍照刷视频，游戏玩得不多，真的有必要加钱上 Pro 吗？ |
| 评论分析 | 越接近购买越主动搜缺点和风险 | 准备买 vivo X300 了，它有什么比较明显的缺点或者坑吗？ |
| 测评 / 内容观察 | 专业评价和用户体验经常不一致 | vivo X300 看测评都说不错，实际长期用起来怎么样？有没有什么问题？ |
| 购买路径分析 | 用户通常从真实使用场景出发，而不是参数出发 | 经常旅游拍照、一天都在外面，希望续航好又别太重，选什么手机比较合适？ |
| 决策确认阶段 | 用户已经倾向某款，但想确认是否存在更优解 | 我现在比较想买 vivo X300，预算差不多的话还有没有更值得考虑的？ |
测试框架
8 个 Query 覆盖用户购买高决策成本商品时的四个关键决策阶段。
| 维度 | 观察要点 |
|---|---|
| Intent Understanding 需求理解 | 是否准确识别预算、场景、偏好、限制条件 |
| Recommendation Relevance 推荐相关性 | 推荐商品是否真的符合用户条件 |
| Information Organization 信息组织 | 是否把参数、体验、价格等信息组织得容易理解 |
| Evidence & Source 证据与来源 | 推荐依据从哪里来，是否能够验证 |
| Trade-off Support 权衡支持 | 是否解释 A 为什么更适合、B 牺牲了什么 |
| Risk Transparency 风险透明度 | 是否主动说明缺点、风险和不适合人群 |
| Decision Closure 决策收敛 | 最后是否帮助用户缩小选择并形成判断 |
能力对比与平台能力画像
基于统一的 8 个消费决策 Query，我从 7 个维度对三个平台进行 1-5 级启发式评级。每一级均对应预先定义的可观察标准，用于识别本轮测试中的相对能力差异，而非衡量平台整体产品水平。
小红书｜Context & Experience Layer
最强价值：场景理解、真实体验、决策收敛。
优势
- 能将“小手、旅游、拍照”等生活语言转译为尺寸、重量、续航、影像等具体商品属性。
- 不只比较参数，还会结合用户场景解释差异是否真正有感知。
- 能延续前文偏好，在最终确认阶段逐步缩小候选范围。
局限
- 虽会标注“参考 N 篇内容”，但具体结论与单篇内容之间缺乏明确对应关系。
- 来源作者、时间与原始内容不易逐条核验，聚合信息尚未形成完整证据链。
结论
- 最接近“AI 决策助手”，但证据可追溯性仍有限。
淘宝｜Supply & Transaction Layer
最强价值：型号比较、商品供给、交易转化。
优势
- 用户明确提出具体型号后，AI 能较完整地比较差异并给出选择建议。
- 商品卡直接连接价格、销量、补贴与店铺信息，购买路径最短。
- 对明确购买对象的决策支持明显强于开放式探索场景。
局限
- 开放推荐中存在 AI 文案推荐 A/B，但商品卡展示 C/D 的情况。
- 用户条件、推荐理由与实际商品供给没有稳定共享同一套约束。
结论
- 强在“把商品送到用户面前”，但 AI 判断与商业供给之间仍存在断层。
京东｜Structured Product Layer
最强价值：标准化比较、属性筛选、交易信息。
优势
- 比较表、分类标签和筛选导航清晰，标准化商品信息组织能力最突出。
- 擅长帮助用户快速理解不同商品在参数和配置上的差异。
- 自营、物流、价格、销量等临近交易的信息较完整。
局限
- 面对“有什么坑”“长期使用怎么样”等问题时，回答容易转向配置或升级建议。
- 对真实使用风险、用户反馈和“不适合谁”的支持相对不足。
结论
- 强在“把商品讲清楚”，但还不够擅长“把购买风险讲清楚”。
小红书
Context & Experience｜场景与真实体验
淘宝
Supply & Transaction｜商品供给与交易
京东
Structured Product Information｜结构化商品信息
三个平台分别拥有消费决策中的不同优势，但用户仍然需要自己把这些信息拼起来，才能完成最终判断。
这成为后续产品设计的核心出发点：不是提供更多信息，而是帮助用户形成判断。
代表案例
四个案例共同说明从需求理解、权衡、风险透明到最终收敛的产品逻辑。
Case 01｜理解了“小手”，不等于推荐真的适合小手
- Query
- 手比较小，不想要太重太大的手机，4000 左右有什么推荐？
- 核心研究问题
- 当用户用“小手、不想太重太大”这种生活化语言表达需求时，AI 能不能把模糊需求转译成明确的商品约束，并真正落实到推荐结果中？
能够把“小手”进一步转译为屏幕尺寸、机身宽度和重量，并在候选商品中继续展示这些属性，再结合拍照、预算和生态偏好收敛到具体首选。
也提出了 185g、6.3 英寸、71mm 等轻小判断标准，但实际商品卡没有进一步证明这些候选是否满足前面提出的阈值，需求理解和商品结果之间存在断层。
能够给出轻薄、小尺寸等分类标准，商品卡也较丰富，但多数候选没有直接展示重量和宽度等关键证据，用户仍需进入详情页自行确认。
理解用户需求只是第一步。真正有效的推荐，需要让用户条件持续作用于商品筛选、属性展示和最终排序，并让用户看见“为什么它符合我的条件”。
Case 02｜参数差异不等于“对我值不值”
- Query
- vivo X300 标准版和 Pro 差快 1000，我平时就拍照刷视频，游戏玩得不多，真的有必要加钱上 Pro 吗？
- 核心研究问题
- 当用户已经明确两个候选产品时，AI 能不能超越参数比较，结合用户真实使用场景判断“升级是否值得”？
直接给出“标准版已经够用”的结论，并进一步说明 Pro 的价值主要体现在演唱会、远景、4K 视频和更高性能需求等场景，把产品差异转换成了用户是否真正有感知的体验差异。
除了比较标准版与 Pro 的影像和性能，还延续了用户此前“小手”的信息，指出 Pro 更大的尺寸和重量可能反而降低握持体验，形成了比较明确的个性化“反升级”建议。
通过表格清晰说明 Pro 额外预算主要换来了更强的长焦和专业影像能力，也能给出标准版更适合当前用户的结论，但对用户个性化场景的延续、风险边界和信息来源支持相对较弱。
真正有价值的比较，不是告诉用户 A 和 B 有哪些参数差异，而是解释这些差异在当前使用场景中是否值得付出额外成本。
Case 03｜风险透明度呈现最大平台差异
- Query
- 准备买 vivo X300 了，它有什么比较明显的缺点或者坑吗？
- 核心研究问题
- 用户已经接近购买，此时 AI 能不能从“推荐商品”切换到“帮助用户识别风险”？
按严重程度列出发热、续航、充电、外放、屏幕、系统等问题，还会说明个体差异以及这些问题对当前用户的实际影响。
能够列出发热、外放、暗光长焦、视频波动等具体缺点，但没有明确来源，而且最后较快回到“仍然可以买”的正向结论。
回答更多转向标准版配置、存储容量和电池健康等内容，没有充分回应“这款产品真正有什么坑”。
风险支持的关键不只是列出缺点，而是说明风险有多严重、在什么情况下发生，以及它是否真正影响当前用户。
Case 04｜推荐替代品，还是帮助用户完成最终决策
- Query
- 我现在比较想买 vivo X300，预算差不多的话还有没有更值得考虑的？
- 核心研究问题
- 用户已经有明显购买倾向，AI 是继续给更多候选，还是帮助用户验证当前选择并停止搜索？
延续此前“旅游、全天在外、续航、轻量”等上下文，再围绕电池、重量、长焦和价格比较，最终把候选收敛到 Find X9 / X9s Pro。
文字部分认为 X300 仍然是更合适的选择，并提出其他替代型号；但实际商品卡与文字推荐发生错位，导致结论难以直接执行。
使用表格比较 X300、X300E 等产品，结构清楚，但候选基本局限于 vivo 同系列，没有真正回答“同预算下有没有跨品牌更值得的选择”。
最终决策支持的关键不是继续增加候选，而是继承用户已有的预算、场景和偏好，只比较真正相关的替代方案，并帮助用户形成可行动的最终判断。
竞品共性缺口
信息结论缺乏可追溯的证据支撑
现有 AI 能快速给出推荐和判断，但具体结论通常难以追溯到明确来源。
- Opportunity：让关键判断可追溯到具体来源、时间与原始信息，提升推荐可信度。
需求理解与推荐结果缺乏一致性
AI 能识别“小手、轻量、预算”等需求，但商品结果未必真正满足这些条件。
- Opportunity：让用户需求、推荐理由和商品结果共享同一套约束，并明确说明“为什么推荐给你”。
推荐能力尚未形成完整的决策闭环
现有 AI 擅长提供候选，但在权衡差异、理解风险和最终收敛选择上仍有限。
- Opportunity：从“推荐更多商品”转向“解释取舍、展示风险并帮助用户完成最终选择”。
产品机会
Pickwise，帮助用户从“找到商品”走向“做出选择”的 AI 消费决策助手。
产品机会点
可信依据
让关键结论有来源、有上下文、可验证。
一致推荐
让用户需求持续作用于筛选、推荐、比较全过程。
决策收敛
不仅告诉用户“可以买什么”，还帮助判断“为什么选它”。
产品定义
- 产品定位
- 面向高决策成本商品的 AI 消费决策助手，通过多源信息整合、个性化需求匹配和可解释权衡，帮助用户更高效、更有依据地完成复杂购买决策。
- 目标用户
- 对预算与使用场景已有一定认知，但缺乏专业知识、需要跨多个平台反复搜索和比较才能完成决策的消费者。
- 产品目标
- 帮助用户找到“对自己更合适的商品”，并理解为什么。
产品策略
三项策略直接回应竞品共性缺口，并构成产品的核心竞争力。
Evidence-based Recommendation｜基于证据的推荐
推荐不仅展示结论，还展示来源、真实体验、专业测评和风险信息。
- 回答：为什么可信？
Constraint-consistent Recommendation｜需求一致性推荐
把用户自然语言转化为预算、场景、偏好和硬约束，并贯穿筛选 → 推荐 → 比较。
- 回答：为什么适合我？
Decision-oriented Comparison｜面向决策的比较
不是简单比较参数，而是解释收益、代价、风险和适用条件。
- 回答：所以我该怎么选？
产品设计
核心产品流程
4.2 Core Experience｜核心体验
核心功能导航
点击功能名称，查看对应的体验逻辑与界面。
告诉 AI 你真正想要什么
Natural-language Need Input
用户直接用生活语言描述需求，而不是先填复杂筛选表。
降低用户将生活需求转换为技术参数的门槛。
AI 产品逻辑
让模型理解需求，让数据约束推荐
Pickwise 并不让大模型直接生成“你应该买什么”。用户的自然语言需求会先被拆解为预算、使用场景、选择重点与硬约束，再结合结构化商品数据和多源 Evidence 完成候选筛选、比较与取舍分析。LLM 主要负责理解自然语言，并把复杂的商品差异转化为用户能够理解的决策解释。
01｜Structure before Generation
先形成决策结构，再生成答案
- 预算与硬约束负责过滤，使用场景和选择重点影响比较维度与推荐顺序，避免推荐只依赖模型的语言生成能力。
02｜Evidence before Conclusion
判断建立在信息之上
- 商品参数、专业测评与真实体验共同支撑推荐。系统不仅告诉用户“哪个好”，还解释这些信息对当前使用场景意味着什么，并允许进一步查看来源。
03｜Decision as a Loop
需求变化，推荐也随之变化
- 用户可以在推荐、比较甚至最终决策阶段继续补充需求或调整取舍，系统重新计算候选关系与解释，而不是重新开始一次搜索。
MVP采用“结构化数据与规则 + LLM”的混合架构：事实、约束与候选比较由数据负责；需求理解与个性化解释由模型负责。
从方案到可交互产品
为验证产品逻辑，而不仅停留在静态界面设计，我进一步通过 AI Coding 将核心产品流程开发为可交互 MVP，当前用于作品集演示与后续验证。
MVP 范围
自然语言需求输入
AI 需求结构化
Preference 调整
商品推荐
Evidence 展示
商品比较
决策总结
条件修改后重新推荐
可交互 MVP（已完成开发）
- 核心交互流程已完成，可用于演示与后续验证
- 当前未补充公开链接
MVP 验证
当前状态
MVP 开发已完成，用户验证与定量效果评估待后续补充。
问题与迭代
当前状态
MVP 已完成开发，待补充用户测试后继续迭代。
项目收束
推荐可信度
AI 购物的核心问题不只是推荐准确率，也包括推荐是否值得相信。
决策成本
更多商品和更多信息，并不一定降低用户的决策成本。
AI 的角色
AI 真正有价值的角色不是替用户决定，而是帮助用户理解自己的 Trade-off。