我这周让AI帮我补了哪些坑

这周回头看，我用 AI 做的事情并不酷炫。

没有发布一个全新的大功能，也没有突然把产品做成“自动赚钱机器”。更多时候，我是在真实产品里补坑：官网跳转不对、邮件没打通、诊断工具还带着开源项目原来的限制、客服机器人回答能力不够、每日研报质量波动。

这些事情单独看都不大，但它们决定了一个产品是不是真的能被用户顺畅使用。

先把官网第一眼体验理顺

膳云官网之前已经有中英文切换，但我发现实际访问时还有细节问题：不同浏览器语言下默认展示不一致，隐身模式进入后看到的不是宣传页，而是登录页；www 重定向和部署状态也需要重新验证。

我让 AI 帮我一起拆：用户从搜索或链接进入，浏览器语言是什么，落到哪个页面，重定向是否正确，构建和部署是否真的生效。

最后解决的不是一个孤立按钮，而是“用户第一次打开网站到底看到什么”的问题。

把邮件链路补上

另一个实际问题是邮件。忘记密码后的自动重置、企业邮箱路由、云服务邮件发送权限，都不是写几行代码就结束。

这里 AI 更像一个操作陪跑：告诉我权限怎么创建、哪些选项要谨慎、验证邮件收到后下一步做什么、生产访问状态需要等待审批。它不能替我拥有账号权限，但能显著减少我在后台页面里乱点的时间。

这类工作很琐碎，但对 SaaS 来说很关键。用户忘记密码却收不到邮件，产品信任感会立刻掉下去。

把自用 GEO 工具变得可控

我还把一个开源 GEO 诊断项目部署并改成自己的内部工具。主要做了几件事：

• 去掉原作者相关宣传
• 移除强制注册限制
• 修复本地启动和分析失败问题
• 接入本地 embedding
• 并开始设计 AI 调用额度

这件事给我的提醒是：即使只是自用工具，也不能只想着“先跑起来”。如果以后可能商业化，就要提前考虑授权边界、账号体系、成本控制和安全风险。

客服机器人先别急着堆能力

新上线的客服机器人 Mika 还不够好用。最容易想到的方案是换更强模型、加更多资源，但这周我没有先这么做。

我让 AI 先检查知识库和检索链路，并参考成熟的 RAG 思路，先做 baseline 验证。也就是说，先回答一个基础问题：机器人回答不好，到底是知识不足、检索不到，还是生成环节不稳定？

这个顺序很重要。没有 baseline，就很容易把钱花在错误的地方。

结尾

这一周最大的感受是：AI 协作最有用的场景，不是替我拍脑袋做决定，而是把模糊问题拆成可验证的步骤。

我以前可能会在“不会弄”“先放一下”“以后再说”之间反复横跳。现在很多事情可以更快进入排查、验证、提交、部署的闭环。

如果你也在做产品，可以留言说说：你最想让 AI 帮你接管哪一种麻烦事？