第 3-4 天：我的用户读不懂他们自己生成的 AI 内容

日常运营日志第 3-4 天。这两天里，关于为全球受众构建 AI 产品，我有三个新发现。

启示 1：语言盲点

一位来自巴西的新用户注册了——他们运营着一个关于多动症（ADHD）日常管理的产品（葡萄牙语中称为 TDAH）。他们关联了 Twitter，AI 分析了他们的个人资料，自动生成了营销策略，并开始创建英文内容。一切都按设计运行。

唯一的问题是：该用户英文并不流利。

他们想发布英文内容以触达全球受众——这策略没错。但他们无法审核 AI 写的内容。他们只能盲目地批准自己看不懂的内容。这用户体验太糟糕了。

修复方案：在每一条 AI 生成的内容旁添加了一个“翻译”按钮。点击它，Gemini 就会将文本翻译成你的母语。它的工作原理类似于 Twitter 的“翻译推文”——点击一次，在原文下方显示翻译，再次点击即可隐藏。结果会被缓存，这样就不会因为重复翻译相同内容而浪费 API 调用。

这是一个小功能，但它解锁了一个关键的工作流：用受众的语言生成内容，用你自己的语言进行审核。这是单一语言工具从未考虑过的事情。

启示 2：一个单词毁了 Onboarding

我在 onboarding wizard 中添加了分析追踪——记录每一步、每一次点击、每一次流失。几小时内，我就从一个真实的用户会话中获得了数据：

• onboarding_wizard_view —— 用户打开了引导
• onboarding_product_type: saas —— 选择了 SaaS
• onboarding_product_type: ecommerce —— 等等，改成了 E-commerce
• onboarding_product_type: saas —— 又改回了 SaaS
• ...然后就没了。他们流失了。

用户在“SaaS”和“E-commerce”之间切换了三次，然后放弃了。他们不知道该选哪一个。他们的产品——ADHD 日常管理——既不是传统的 SaaS，也不是电商网店。它是一个内容/教育类产品。

修复方案：彻底删除了这个选项。SaaS/E-commerce 的区别是我为了 internal routing 而关心的，而不是用户应该考虑的事情。现在默认所有人都是“saas”，系统会根据他们的实际产品描述进行调整。

教训：如果用户必须问“我是哪一类？”，那么你的分类就错了。

启示 3：用户想看“黑盒”内部

AI Agent 每天处理数百个学习事件。它构建营销记忆，调整策略。但用户无法看到这些。对他们来说，AI 就是一个偶尔发布内容的“黑盒”。

修复方案：构建了一个“AI Insights”页面，包含三个标签页：

• Learning Cycle（学习周期） —— AI 今天学到了什么的实时流（哪些帖子表现好，哪些失败了，检测到了什么模式）
• Memory Bank（记忆库） —— AI 积累的关于你产品的知识：成功的营销角度、受众偏好、需要避免的失败方法
• Weekly Report（周报） —— 汇总的性能数据，并用通俗易懂的语言解释策略调整

这就是我所说的“白盒 AI”——黑盒的反面。如果用户能看到 AI 的推理过程，他们会更信任它。当 AI 犯错时，他们也能及时发现。

Task Executor：AI 现在会自己做家务了

构建了一个每天运行两次的任务执行器（Task Executor）。AI Agent 会创建自己的 todo 列表（写博客、互动、发布内容），现在它可以自动执行这些任务，无需人工干预。

昨天的执行情况：

• 完成 84 个任务 —— 写了 39 篇博客，33 次互动操作，发布了 12 条社交动态
• 系统中共有 217 篇博客（今天新增 8 篇）
• 零失败 —— 所有任务均成功完成

Agent 正变得真正自主。它决定做什么，去执行，从结果中学习，然后调整。我只是在看仪表盘。

第 3-4 天数据（2026 年 3 月 12-13 日）

用户与增长

• 总注册用户： 67（+3 昨天，+0 今天）
• 自动驾驶用户： 7（第 2 天是 6 个）
• 新用户亮点： 来自巴西的 TDAH 日常管理产品 —— 关联了 Twitter，完成了全部 onboarding
• 付费客户： 0（仍处于营收前阶段）

AI Agent 活动

• 生成的帖子： 38（昨天 29 + 今天 9）
• 自动执行的任务： 100（昨天 84 + 今天 16）
• AI 撰写的博客： 总计 217 篇（今天新增 8 篇）
• 处理的学习事件： 1,367（昨天 1,052 + 今天 315）
• 生成的新见解： 228（昨天 190 + 今天 38）
• AI 记忆总数： 964（第 2 天是 613）
• 处于活跃学习状态的产品： 7

代码发布

• 新功能： 4（AI Insights 页面、翻译按钮、Onboarding 分析、Task Executor）
• UX 修复： 从 onboarding 中删除了 SaaS/E-commerce 选项
• Bug 修复： 中文博客现在通过 AI 翻译获得正确的英文 URL slugs
• 部署： 8 次以上（frontend, backend, celery worker）
• 人工编码时间： 约 3 小时，配合 Claude Code（跨度 2 天）

我学到了什么

这两天最大的感悟是：你的用户不是你。我讲英语，所以我从未注意到语言问题。我知道“SaaS”是什么意思，所以我从未质疑过 onboarding 的选项。我构建了 AI 系统，所以我知道它在做什么——但用户不知道。

我对用户的所有假设都基于我自己。分析数据和那位巴西用户教会了我，我的产品需要为那些与我完全不同的人服务——不同的语言、不同的思维模型、不同的期望。

AI 记忆数在两天内从 613 跃升至 964。这是关于 7 个不同产品中哪些有效、哪些无效的 351 个新数据点。系统的学习速度超过了我的审核速度——这正是重点所在，也正是为什么“白盒”透明度仪表盘如此重要。

明天的工作重点

• 监控巴西用户的首批自动生成内容 —— AI 是否正确瞄准了 ADHD/健康受众？
• 检查简化后的 onboarding 是否减少了流失（需要更多数据点）
• 开始开发 LinkedIn 集成 —— 好几个用户都提出了这个要求

日志第 3-4 天。AI Agent 现在拥有 964 条记忆，能自己写博客，执行自己的任务。但直到一位来自巴西的用户出现，才让我意识到我的产品存在语言盲点。最好的产品反馈往往来自那些你最意想不到的用户。