學到的事

這個原型參加了一場公司內部的 AI Hackathon 初賽,沒有晉級。 但一個誠實的失敗,往往比一個好看的 demo 更值得寫下來 —— 以下是我們從評審回饋和事後覆盤裡,真正帶走的幾課。

1.「東西能跑」不等於「贏」

技術完成度其實是我們的強項:用自家資料端到端做語意搜尋、自動標籤、誠實計分,都做出來了。 但評審回饋很一致 —— 問題不在能不能跑,而在講不清楚、不夠可控、沒打中痛點。

帶走的一課:技術只是入場券。能不能讓人看懂、相信、而且有感,才是勝負手。

2. 把「結論怎麼來」攤開,比堆技術更重要

我們在搜尋管線後期疊了很多技巧(向量、關鍵字、重排、加權……),為個別案例調得很細 —— 但複雜到連自己都難用一句話講清楚結果是怎麼來的,簡報裡「技術說明」最後只能塞一個外部連結。回頭看,我太習慣用「再做一個東西」來表達 —— 連「解釋」都蓋成一個展示網站讓它自己說,卻忘了現場得親口講。

帶走的一課:原型後期該設一道閘門 ——「能不能在 60 秒內對外行講清這條結果怎麼來?」不行,就別加那一層。可解釋,勝過多疊一層分數。

3. AI 要「協作」,不要「一次性黑箱」

評審最想看的,是 AI 先把它對需求的理解攤開、讓人確認或修正方向,再往下做; 而不是丟一句話就吐一份片單。我們的 demo 呈現成了後者。

帶走的一課:把人放回迴圈裡 —— 先聯想、確認方向、再執行。我們事後也照這個方向補了「確認方向」的互動。

4. 最能打動人的招,要在台上親手演出來

我們的產品其實做得到評審最想看的事 —— 把「週末想看的片」改成「週末想看的動作片」讓結果明顯分流、或故意查一個片庫裡根本沒有的名字,看誠實計分怎麼老實地把分數壓低。但這些「會讓人哇一聲」的招,demo 現場一個都沒真的演到;最關鍵的互動,只在 QA 用一句話帶過,沒有按給大家看。

帶走的一課:能回答評審心裡疑問的那幾個動作,一定要在主舞台現場親手演出來,交給最熟產品的人操作 —— 別讓它留到 QA,或變成一句口頭描述。

5. 小眾的痛,要先讓房間裡的人也痛一下

這個產品解的是內容編輯的痛(人工分類耗時、選片像大海撈針)—— 真實,但小眾。台下的人多半不是編輯,對「分類片子很煩」沒有切身感受。我們把「這個痛大家都懂」當成前提、直接跳進功能,結果沒有人替我們著急。

帶走的一課:痛點不是越真就越有用,還要看台下的人有沒有感。越小眾的痛,越需要一個讓不相干的人也能瞬間有畫面、替使用者痛一次的故事。

6. 關鍵技術假設,先查證再下結論

我們一度認定「視覺情緒不可靠、底層終究要回到文字」,就放掉了用影像辨識情緒這條路 —— 但這是直覺,不是查證。 事後補了文獻才發現:視覺對粗粒度情感其實堪用(用 CLIP 做正負情感約 72–80%), 只是對細粒度多類情緒偏弱(即使微調也只約 40–56%)—— 而我們要的正是細粒度情緒標籤。

帶走的一課:方向其實沒選錯,但當初是「我覺得」、不是「數據顯示」。關鍵假設花 30 分鐘查證,結論才站得住,demo 時也答得出評審那句「你怎麼知道?」。

下一步會怎麼做

• 更小的 MVP:先把一條最打中痛點的流程做到能天天用,再逐步加維度。
• 零後端的 prompt 版:把核心能力包成一組提示詞,讓人用自己的 ChatGPT / Claude 就能跑 —— 零基礎設施、也最好解釋。
• 視覺當強化層:文字語意打底,影像處理粗粒度情感,互補而非替代。

沒晉級當然不好受。但這幾課,讓下一個版本更像「能落地的產品」,而不只是「跑得動的 demo」。