多模态内容 / AI 应用
MuseSelect：构建AI 模块增长与迭代闭环
面向 KOL 的选款与 AI 内容创作平台，聚焦营销内容生成、创作体验及早期用户增长与复用。
业务目标、关键难点、产品决策与阶段成果
- 01 /业务目标
达人选中商品后，仍需要符合自身风格的推广内容。项目希望通过 AI 图片和视频，让达人无需等待实物寄样，即可准备营销内容，并推动新平台的首次使用与持续复用。
- 02 /关键难点
商品、人物和参考素材共同影响生成结果，需要兼顾商品一致性、画面自然感与创作体验；平台处于早期，还需验证达人是否愿意尝试 AI 创作，并将生成内容用于真实推广。
- 03 /产品决策
经调研用户主要为带货达人与 IP 信任达人，因此将一键复刻与定制需求分开设计，兼顾快速创作与个性化需求。用户可能会因为 AI 功能体验不好而流失，所以即使是平台早期，我也设计了统一的指标口径，并结合用户漏斗、工作流监控和内容反馈，定位体验与生成链路的问题，从而确定迭代重点。
- 04 /阶段成果
形成图片一键复刻与自由定制、视频复刻与人工代制作的创作路径，配套使用漏斗和工作流监控。统计期内，AI 使用渗透率为 67.8%，内容发布转化率为 28.6%，AI 复用率为 62.1%。
选中了商品，内容还没准备好
在 MuseSelect，达人选中一款衣服后，离真正开始推广还有一步：准备符合自己风格的内容。
项目希望通过 AI 图片和视频，让这一步不必等待实物寄样。对一个新平台来说，还需要回答更实际的问题：达人会不会尝试，生成的内容能不能用，以及用过之后会不会再来。
从选中商品到真正开始推广，中间还隔着一次内容创作。
我的工作从这条链路展开
我负责 AI 模块的产品设计，从创作入口、输入与任务状态，到模型选项、Dify 工作流和数据观察，围绕整条 AI 使用链路展开工作。
平台整体、商品供给、达人合作和交易业务由团队协作推进。进入 AI 创作后，我首先要处理的是：同样在准备营销内容，达人需要的创作方式是否一样？
同样是创作，达人要的并不一样
经调研，用户主要包括带货达人与 IP 信任达人。创作中既有快速产出的诉求，也有个性化表达的需要，因此我将一键复刻与定制需求分开设计。
需要快速准备内容时，可以从一键复刻开始；需要更多自主表达时，则进入自由定制。图片形成这两条创作路径，视频包括复刻与人工代制作。
我把快速创作与个性化需求分开组织，让不同的创作要求有各自的入口。
阶段目标变化后的方案调整
最初，视频方向计划提供固定模板与一键复刻。后来，为了尽快形成可向投资人展示的内容成果，团队将方案调整为一键复刻与人工定制，优先交付完整视频或 clips。
方向确定后，我负责相应的产品路径设计：区分一键复刻与人工定制入口，明确用户需要提交的素材与要求，以及任务状态和结果的查看方式。
补充：用户与路径的匹配范围
这些路径对应不同创作需求，带货达人更偏向于使用复刻，高粉丝量达人我们会直接定向邀约，推荐为他们人工定制。
路径分开之后，还需要让用户顺利完成一次创作。产品必须把入口、输入、任务和结果接起来。
先把一次创作，从选款到交付跑通
这里以用户生成图片的路径为例。用户从商品出发，不必一次填写全部要求，而是依次完成商品、人物与参考内容的选择。
图片创作分成三步：先确认商品，再选择是否使用人物，最后选择参考图并补充创作要求。商品是这次创作的对象，人物与参考图则分别决定谁来展示、希望怎样呈现。
商品、人物和参考图，分别回答“推广什么”“由谁展示”和“怎么呈现”。
用户怎样完成这次创作
- 先选商品。确认要展示的商品，可以继续添加其他单品，组成一套搭配。
- 再选人物。选择已有 Avatar，或新建一个；也可以关闭人物选项，让画面聚焦商品。
- 最后确认要求。选择或上传参考图，按需补充说明，并在提交前核对商品和人物。
- 提交后查看结果。任务与结果关联到商品，用户可以查看处理进度、失败状态和完成素材。
任务失败时，还要让用户有下一步
商品详情页的 Try-On 入口原来只有生成中和完成两种状态。失败交互的调整方案增加了提示与 Try again：生成中和完成时查看详情，失败时则直接重新发起任务，让用户知道应该继续等待还是重试。
这三步解决的是用户怎样提交需求。提交之后，工作流能否把人物、服装与参考内容处理好，是接下来的问题。
一次生成做不好，就把流程拆开
用户完成商品、人物和参考内容的选择后，生成并不总能顺利完成。首要保持人物一致性，服装细节也不能改变。测试中，同时修改人物、服装与视频时，出现了服装变形、人物细节异常等问题。
测试中的调整方向是先生成穿着目标服装的人物图片，再将这张图用于视频处理，减少同一步骤中需要同时处理的变化。这也是模板化视频遇到的限制之一。通过workflow 编排大幅改善了结果的可用性，但同时也牺牲了一部分生成耗时。
这让工作流的设计有了更具体的判断依据：哪些变化可以一起处理，哪些需要拆开。流程拆分之后，接下来还要看生成结果是否真的被达人使用。
补充：测试细节
测试中视频的问题主要出现在这些地方：
- 复杂裙装出现变形；眼镜可能提前出现或穿帮，包和纹身等细节也可能异常。
- 同时换脸和换衣服时出现失败，部分视频还出现镜头切换效果不佳的问题。
拆开处理：先做试穿图，再处理视频
- 先把目标人物与服装组合成一张试穿图。
- 再把这张人物与服装图，作为视频处理的输入。
- 继续检查服装结构、人物特征和镜头变化，不能只看任务是否成功返回。
模型选项也要看输入方式
模型测试也暴露了输入方式的限制：有的模型能完成换装，有的镜头切换效果较差，同时还要兼顾模型成本和响应时间，经过多轮测试，在保证结果可用性的前提下，图片单条耗时<4min，成本<2.5 元；视频单条15 秒视频耗时<10min，单条成本<12元。
下载之后，才知道内容有没有被用起来
现在内容通过了检查，也不能直接认定 AI 功能已经产生价值。还需要知道：达人有没有将它用于真实推广，之后是否继续使用？
为此，我先区分用户、创作需求、执行任务和生成素材。一个用户可以提交多次需求，一次任务也可能产出多份素材；人工定制还可能不立即进入自动工作流。统计对象不同，能够回答的问题也不同。
生成完成、获取素材和真实发布，分别指向不同的产品问题。
让数据回答下一轮该改哪里
- 执行表现：通过任务成功率、耗时和成本等指标，观察工作流的执行情况。
- 素材使用：观察素材选中、下载和发布意向等行为，判断生成结果有没有进入用户的后续操作。
- 真实发布：确认达人是否将 AI 素材用于实际推广。产品界面上会引导用户回填发布的社媒链接。
- 再次使用：观察用户是否再次发起创作，判断是否出现持续使用行为，统计用户留存和点击动作来统计数据。
业务侧核心关注 2 个指标和转化漏斗：周期内的渗透和留存，这代表有多少登录用户体验过 AI 能力，及还能回来再次使用，用户转化漏斗，从不同入口进入的用户每一步转化有多少；后端则关注每个工作流的成功率、耗时等硬性指标，当任一指标低于阈值时，会通过钉钉机器人在群里发消息预警提示我和开发同学。
下一步值得验证的是：完成首次 AI 内容发布的人，是否更容易再次使用？他们的效果如何？是否能按照预想带来足够多的 GMV？
上线初期的结果与交付
平台上线约两个月，AI 模块的使用表现如下。
尝试、发布与复用
- AI 使用渗透率：67.8%。
- 内容发布转化率：28.6%。
- 统计期内 AI 留存率：62.1%。
当前阶段的交付
- 产品与交付：设计图片一键复刻与自由定制、视频复刻与人工制作的创作路径，明确工作流和任务状态；部分相关需求已有完成记录。
- 实验与构建：构建并测试多条 dify 工作流，保障生产环境工作流稳定与结果可用，线上生成素材约 37% 被用户下载（每次会生成 4 条，意味着每次用户会下载 1-2 张图）；
- 数据与观察：构建任务看板与后台数据打通，梳理工作流执行、素材使用和真实发布的统计口径。
ChatGPT
Gemini
Dify
Claude