2026.02-2026.03 / AI Agent / Vibe Coding / UX Design
Paid Ads 广告投放 AI智能分析模块建设
基于 Zebra 平台构建智能下钻与辅助归因工具，将广告大盘异动排查从数小时手动拉表压缩到分钟级自动洞察。 项目同时验证了一个更高效的协作方式：设计师通过 AI coding 快速生成可交互原型，让前端对接从“解释稿子”变成“共同调试体验”。
这个项目的关键不是“加一个 Copilot”，而是把分析师的专家路径拆成可配置、可追踪、可复用的系统规则。
通过 AI coding 先跑通意图输入、异步生成、报告 Tab 和历史复用，前端对接从口头解释变成逐状态校准。
Business Context
业务语境：分析时效被“手工拉数”拖垮
Zebra 平台的业务重心从广告创建效率，转向投放后的数据下钻与归因。但 Paid Ads 周报仍依赖人工取数、清洗、排查和对齐，导致效率、时效和口径同时失控。
分析师每周重复取数、清洗、拼表，核心精力被消耗在数据搬运而不是判断。
发现大盘异动后仍要层层下钻，问题定位经常错过预算调整窗口。
区域、渠道、指标解释方式不统一，周会容易变成数据口径对齐会。
Scenario Reproduction
现状重现：一份数据周报背后的“人肉流水线”
我先把业务流程还原为一条五天流水线，让读者直观看见分析师每周重复消耗在哪里，也为后续方案建立明确的优化靶点。
Breakthrough Strategy
破局策略：收窄边界，做 100% 确定的自动化基建
不盲目追逐黑盒 AI，而是用“有所为与有所不为”的漏斗策略，先完成自动归因底座，再为未来 AI 上层架构留下空间。
不做万能聊天框
纯 LUI 在广告数据场景里容错率太低，Prompt 歧义会直接污染业务判断。
先锁定 100% 确定场景
收敛到大包、Android、拉新等高频确定场景，优先兑现可验收提效。
为未来 AI 留架构空间
先沉淀自动取数与下钻 SOP，再接更上层的自然语言归因能力。
Core Solutions
四个核心解法：把不稳定的业务经验沉淀成可交付系统
每个解法都对应一个明确的体验风险：AI 幻觉、物理延迟、归因黑盒和重复配置。方案不是堆功能，而是把分析师的专家路径固化到产品结构里。
01
LUI + GUI 混合交互，守住确定性底线
左侧自然语言界面承接意图和状态通知，右侧图形界面用穿梭框、下拉菜单和指标行锁住关键参数，在智能化和确定性之间取得平衡。
- 为什么这样做
- 日期、国家、渠道、指标是不可容错参数，必须让用户显式确认。
- 我的判断
- 让 AI 负责调度和解释，让 GUI 负责边界和责任。
02
异步并发设计，化解物理延迟的体验黑洞
底层多维正交计算可能长达 10 分钟，因此把任务改造成后台并发：生成期间释放页面，完成后通过 Copilot 消息流和报告 Tab 召回。
- 为什么这样做
- 真实计算耗时无法被界面动画消灭，只能重构等待体验。
- 我的判断
- 把等待从“阻塞页面”改成“后台任务”，降低用户失控感。
03
沉淀三级下钻 SOP，将黑盒逻辑白盒化
把专家的“看盘脑图”固化为全局总览、AI 摘要定性、图形定量拆解和结构化卡片归责，让跨区域汇报口径稳定下来。
- 为什么这样做
- 分析结论必须能回到证据链，否则 AI 摘要只会制造新的不信任。
- 我的判断
- 先看大盘，再看异常，再看贡献拆解，最后落到可讨论的卡片。
04
零摩擦系统记忆，消灭重复配置
通过项目历史、智能反显配置和一键复用，把“每次重新填一堆表单”降维成只需核对一次，真正兑现 0.27 HC 的提效承诺。
- 为什么这样做
- B2B 周期任务最怕重复填表，记忆能力比炫酷生成更能省时间。
- 我的判断
- 把“重新配置”设计成复用上一轮专家参数，而不是清空重来。
Data Visualization
数据可视化深挖：用“旋风图”翻译高维业务因果
传统多线折线图很容易在多维场景里变成一团乱麻。旋风图把颜色、方向和长度变成业务语言，让高管用几秒钟识别正负贡献和核心元凶。
Interactive Demo
使用 AI coding demo 与产品、前端高效对接
这次项目里，设计交付不止停在视觉稿。我用 AI coding 快速搭建了可点击、可配置、可生成报告的网页 demo， 帮助前端提前理解状态流、异步反馈、配置边界和报告结构，大幅减少“看图猜交互”的沟通成本。
Live Prototype
Paid ads 智能归因 Copilot
进入交互 Demo
建议体验路径
- 点击首页「智能下钻报告」进入工作区。
- 在配置页检查日期、国家、渠道和指标配置。
- 点击「开始生成」，观察异步生成和 Copilot 状态反馈。
- 查看报告 Tab，重点看 AI 摘要、旋风图和问题卡片。
- 输入「重新配置」，验证系统记忆和参数反显。
移动端建议点击「全屏体验」，该 demo 主要用于桌面端复杂工作台对接。
Business Review
上线验收与预期商业价值
最终交付不只是 UI Code，而是一个可以被业务、设计、前端共同理解和复用的智能分析工作台。
Reflection
复盘：这不是“AI 套壳”，而是把不稳定经验变成可协作规则
问题抽象、信息架构、LUI+GUI 交互模型、异步状态设计、报告阅读路径、可运行 demo 搭建。
业务口径来自 Paid Ads 分析场景，技术实现需依赖 Zebra 平台数据能力和前端工程落地。
需要用真实任务数据验证指标、记录用户是否真的复用历史配置，并持续校验 AI 摘要可信度。