在内部运营/中台工具里加一点 AI：从搜索到推荐

wuwenzen@outlook.com (wuwj) — Wed, 01 Nov 2023 00:00:00 +0000

相比 C 端产品，「内部运营/中台工具」看起来没那么光鲜，界面经常是：

一堆表格、一堆配置、一堆筛选项。

但正因为如此，AI 在这里往往很好落地：

用户数量受控，易于试点；
业务流程清晰，方便评估效果；
哪怕只提升一点效率，整体价值也不小。

这篇文章就分享几个我们在内部工具里「加一点 AI」的尝试：从搜索到推荐再到智能填写。

1. 智能搜索：从「条件筛选」到「自然语言搜索」

1.1 传统方式的痛点

运营同学以前查数据要：

打开一个复杂查询页；
选择 N 个下拉框（业务线、产品、日期区间、状态…）；
点击查询，发现忘记勾某个条件，再重新来一次。

于是我们考虑加一个入口：自然语言搜索。

例如：

「最近 7 天上海地区的私募新增高净值客户」
「失败次数超过 3 次的合同签署记录」

1.2 技术方案

用大模型把自然语言解析成结构化查询条件；
再把这些条件映射到后端已有查询接口；
最终仍然走「原有 SQL / ES 查询逻辑」。

伪代码示意：

const prompt = `
你是查询构建助手。请将用户的自然语言查询转换为 JSON 条件。...
`;

const llmResult = await callLLM(prompt + userQuery);
const conditions = JSON.parse(llmResult);

const data = await callSearchAPI(conditions);

关键点：

不直接让模型生成 SQL（安全风险 & 不可控）；
而是生成一个受控的 JSON 条件对象。

1.3 前端体验

搜索框下方展示「解析出的条件」，让用户确认；
支持一键切换到「高级筛选」视图，展示同样条件；
避免让 AI 变成黑盒——用户看得见它怎么理解的。

2. 智能推荐：运营配置页也能变「懂你」一点

场景：

运营在后台配置「某类用户看到哪些运营位/推荐产品」；
一般是靠经验拍脑袋选；
想利用历史数据做一点辅助决策。

2.1 我们做了什么

在原有「人工配置」的基础上，增加一个「AI 建议」按钮：