AI 游戏增长投放与实验评测工作流
视觉代号 · 流光投放
围绕素材诊断、假设生成、人工确认和实验复盘整理游戏增长工作流。
游戏 AI增长实验Dify 工作流
项目定位、用户问题与产品目标
项目定位
基于现有本地案例材料整理的游戏增长 AI 工作流；当前没有可核验的公开 GitHub 仓库，也不展示未公开的运行指标。
目标用户与使用场景
需要把素材观察和实验假设整理成可评审流程的游戏增长或 AI 产品团队。
用户问题
素材问题、用户假设、生成建议和实验复盘容易分散在不同文档中，模型输出也可能缺少依据。
为什么需要 AI
模型适合帮助归类文本信息和生成候选假设，但真实投放决策必须由业务人员结合数据审核。
产品目标
让模型建议进入可检查的增长实验流程，而不是直接输出不可追踪的投放结论。
我的职责
- 01
拆解素材诊断、假设生成和实验复盘步骤
- 02
定义各节点输入输出与结构化字段
- 03
设置人工确认和失败恢复位置
- 04
整理后续需要补充的真实验证证据
产品方案与技术工作流
核心产品决策
用 Dify 工作流区分已知事实、素材问题与待验证假设，再连接人工确认、实验记录和复盘字段，避免模型直接给出投放结论。
- 01提交素材与背景
- 02检查输入完整性
- 03归类素材问题
- 04生成候选假设
- 05人工确认
- 06记录实验方案
- 07补充结果并复盘
Prompt、RAG 与 Agent 技术方案
- 输入字段区分已知事实、业务背景和待验证假设
- 模型输出采用结构化字段，方便人工逐项检查
- 缺少素材或业务上下文时返回补充提示
- 实验结果必须由真实记录补充，模型不能代填
人工确认节点
确认素材问题是否成立批准实验假设录入真实结果并完成复盘
测试方法与 Evaluation focus
以下内容是项目中记录或计划观察的评测维度，用于指导验证与迭代，不代表已经取得对应结果。
E01
输入字段完整性
E02
问题归类可解释性
E03
假设可验证性
E04
人工确认覆盖
E05
复盘记录完整性
失败案例、边界与风险
模型边界与风险
不自动执行投放操作；不生成不存在的实验数据；业务结论需人工确认
失败类型
- 把模型推测写成用户事实
- 建议无法对应可验证实验
- 没有结果数据却声称效果提升
异常与边缘场景
- 素材信息不完整
- 建议缺少可验证假设
- 模型混淆事实与推测
- 没有真实实验结果
迭代记录
现有增长思路缺少统一的输入、输出和人工确认结构。
- 分析
- 需要先把事实、假设和结果字段分开，避免模型代填业务证据。
- 改动
- 本地案例保留工作流结构、结构化输出和人工确认节点。
- 结果
- 已整理页面所需的流程和评测关注项；未发布仓库，也未对外声明运行数据。
- 下一步
- 在获得可公开材料后补充流程截图、版本记录和真实实验复盘。
产品思考与下一步
增长工作流的价值在于帮助团队形成可验证假设，不能用生成内容替代真实投放证据。
- 补充可公开的工作流文件
- 记录版本与失败样本
- 在有真实实验后再填写结果
为什么保留这个案例
它补充了作品集中“如何把模型能力放进业务工作流”的思考：事实、假设、人工判断和真实实验结果必须分开记录。
当前证据边界
本页没有公开 GitHub 入口，也不展示虚构的投放、转化或效率数据。后续只有在工作流文件和真实复盘可公开后，才会补充运行证据。
PROJECT GALLERY
界面与过程证据
真实项目截图尚未写入本地。页面先使用原创概念封面保持完整体验，待补充文件已记录在资源清单。