构建 TrendShop：当 AI 遇上时尚发现

TrendShop 的产品 pitch 很干净：一个社交平台，AI 根据你和与你相似的人的互动行为，浮现出你真正会买的时尚单品。想象一下 Pinterest 的发现模型，加上一个能更快学习的推荐引擎——因为它有社交信号，不只是个人行为数据。

我们信这个想法，我们把它做出来了。然后我们弄清楚了”人们说他们想要什么”和”人们实际上怎么做”之间的差距。

最初的架构

技术基础是一条社交数据采集管道，接着是一个 AI 推荐引擎。用户互相关注、收藏单品、分享穿搭。AI 分析这些信号——互动模式、收藏率、品类偏好、价格区间行为——生成个性化推送。

后端自然是 Rails。推荐引擎起步是协同过滤模型（相似用户购买了相似的东西），随着数据积累加入了基于内容的信号。社交图谱存在关系型数据库里，推荐模型单独运行，把结果写回到 Rails 应用可以查询的缓存。

我们通过联盟 API 接入了几家时尚零售商的商品目录，提供有真实库存的商品推荐，带实时定价和备货情况。

技术本身运转良好，应用体验也不错。但几乎没有用户按我们设计的方式使用它。

我们预期 TrendShop 会像 Instagram 一样被使用——每天打卡，刷推送，把东西加愿望单等以后买。分析数据显示的是：

用户来的时候带着具体的意图。“我需要一套婚礼宾客的穿搭。""找适合职场的夏装。""我朋友的风格，我想学。” 他们会重度使用 AI 发现功能 20 到 30 分钟，找到想要的东西，然后再也不回来——直到有下一个需求。

社交功能——关注、分享、建立主页——几乎没有自然生长的使用量。我们建了一个没人要的社交网络。我们观察到的行为，更接近一个推荐能力很强的搜索引擎，而不是一个社交平台。

当你的核心假设被证明是错的，有一种特定的组织性抵触情绪会出现。社交功能是产品里技术上最有意思的部分，是让我们与普通时尚搜索引擎不同的地方。放弃它，感觉像是承认失败。

我们花了两个月，用我们认为能解锁期望行为的新功能来提振社交参与度。没有任何改变。

诚实的清算：我们把产品假设编进了架构里，而我们不愿意修改那些假设，因为架构很难改。社交图谱深嵌在数据模型中，转向纯粹的发现和推荐模型意味着大量的重构工作。

我们还是做了。我们把社交层精简为一个”关注以改善推荐”的最小化功能（这样协同过滤的信号还能继续流动），把 UX 重建为围绕意图型会话：告诉我你在找什么，我们帮你在目录里找到最好的选项。

会话时长下降了，交易转化率提升了 40%。

推荐引擎最终在一个特定的交互场景里最有价值：帮用户找到某件他们喜欢但买不起的东西的平替。

我们叫它”同款风格，不同价位”。用户收藏了一款大牌包，引擎给出三个替代品，价格分别是原价的 30%、50% 和 70%，视觉特征和品类信号都相近。对预算有限的用户来说，这真的有用——他们来的时候清楚自己的审美方向，离开的时候有了真正买得到的东西。

这才是搜索引擎做不到而 AI 能做到的事：把风格理解为一个多维空间，找邻近点，而不仅仅是关键词匹配。

AI 功能应该解决用户本来就有的问题，而不是创造新的使用模式。 我们的社交发现假设要求用户采纳一种新行为（随意刷时尚灵感）。“同款风格”功能解决了用户带着来的问题（我知道自己想要什么风格，帮我找到买得起的版本）。

衡量你在改变的行为，不是你在增加的行为。 我们衡量了日活和会话时长，这两个指标都在优化随意浏览。我们本来应该更早衡量”用户是否找到了他们想要的东西并完成了购买”。

数据模型债是真实存在的。 我们为这次转型付出了显著的重构代价，因为社交假设深入骨髓。如果你对一个核心产品假设不确定，就把那部分系统做得尽可能低耦合。

TrendShop 教会我，AI 在增强用户现有意图时效果最好，而不是试图创造新行为。这个设计原则，我把它用进了之后的每一个 AI 产品里。