LONG TAO
AI算力平台大模型训练链路体验优化
优化AI算力平台大模型训练全链路体验，续约率↑20%，CPO进线率↓13.6%，训练配置耗时缩短24分钟
↑20%老客户续约率
↓13.6%CPO客服进线率
↓24min训练配置耗时
↑48.3%用户满意度
Role
独立 UX 设计师
设计侧全流程主导
Timeline
约 4 个月
项目周期约 4 个月
Team
团队约 10 人
设计 / 产品 / 运营 / 技术
Market
AI 大模型
B端PaaS · 企业算力服务
我的角色
| 项目名称 | AI算力平台大模型训练链路体验优化 |
|---|---|
| 项目类型 | 体验优化 |
| 客户类型 | B端PaaS |
| 行业 | AI大模型 / 企业算力服务 |
| 平台 | Web端 |
| 项目时间 | 4个月 |
| 我的角色 | 独立UX设计师，全链路负责用户调研、机会挖掘、方案设计、落地验证、资产沉淀 |
| 参与深度 | 全流程主导（用户研究→体验地图→机会点挖掘→设计策略→原型设计→竞品对标→方案推动→数据验证→资产沉淀→团队赋能） |
| 团队规模 | 10人（UX设计师1人即本人 + UI设计师1人 + 产品经理1人 + 运营1人 + 前端2人 + 后端2人 + 算力底层1人 + 测试1人） |
| 项目状态 | 已上线（有上线后3个月数据） |
具体任务清单
- 客户反馈整理与归类分析
- 行为埋点数据分析（模型训练页跳出率54.34%等关键指标）
- 大模型工程师分层访谈（初级+高级）
- 全链路体验地图绘制
- HMW 机会点共创分析（How Might We 方法）
- 三层设计目标拆解（业务→体验→量化指标）
- 三大模块设计策略制定与方案输出
- 竞品对标分析（阿里云/百度/火山引擎）
- 全流程交互原型设计（首页/数据集/训练配置/任务列表/在线调优 5大核心页面改版）
- 向业务&技术团队推动方案落地
- 《步骤引导卡片组件规范》输出
- 内部设计分享与团队赋能
我直接产出的交付物
- 用户研究报告（客户反馈分析+埋点数据+工程师分层访谈+全链路体验地图）
- 全流程交互原型（首页/数据集/训练配置/任务列表/在线调优 5大核心页面改版）
- 竞品对标分析文档（阿里云/百度/火山引擎）
- 《步骤引导卡片组件规范》可复用UI资产
- B端AI算力平台训练链路设计方法论
- 内部设计分享PPT
协作对象
| 平台 CPO | 对齐续约率和进线率两大经营性指标，共同制定商业目标与数据口径 |
|---|---|
| 产品经理 + 运营 | 需求对齐与方案评审，客户续约策略和用户反馈渠道对接 |
| 前后端工程师（4人） | 方案技术可行性评估、分步落地排期制定、开发实现与数据埋点对接 |
| 算力底层技术团队 | 资源池和基模技术约束沟通——在不改动底层架构的前提下寻找体验创新空间 |
项目挑战
项目背景与目标
平台处于产品成长期，商业模式为软硬件一体售卖。客户采购后由内部大模型工程师使用平台完成「数据集准备→训练→调优→部署」全流程研发工作。核心经营痛点是 CPO 客服进线率居高不下——大量人力消耗在基础操作答疑上，同时老客户使用体验差、续费意愿犹豫。业务目标明确：降低 CPO 进线率，提升老客户续约率。
用户痛点
两类核心用户面临差异化痛点：
初级大模型研发工程师（占60%）—— 看不懂复杂参数逻辑、操作易出错、无完整入门引导。
高级大模型研发/管理者（占40%）—— 需要高效完成复杂多步骤任务，但训练配置步骤割裂、模型调优对比布局混乱、参数调试成本高。
全链路锁定三大根源问题：
- 引导缺失：用户操作缺少完整引导体系，流程牵引力弱
- 配置低效：数据处理/模型训练页面配置繁琐、步骤割裂，模型训练页跳出率高达54.34%
- 对比困难：模型调优对比、参数调试成本高——多模型对比布局混乱，参数与模型无法精准对应
核心挑战
挑战1：同一界面，两类用户的体验鸿沟
初级工程师（60%）要简化、防错、引导——看不懂复杂参数，操作易出错；高级工程师（40%）要效率、灵活、可控——需要快速完成复杂多步骤任务。同一套界面必须兼容两类截然不同的使用模式，且无法通过角色权限分流（两类用户的实际身份相同，差异仅在于熟练度）。
💡 为什么难：AI 训练本身是技术密集型任务，初级和高级之间的技能鸿沟远大于传统 B 端产品。不同于常规的按角色分权限，本案中同角色用户因熟练度不同而需求完全分化——简化则高级用户觉得被限制，专业则初级用户被劝退（跳出率 54.34% 已验证）。这在 B 端设计中是一个经典矛盾：如何在专业工具中引入新手引导，又不让专家用户觉得被「降级」。
挑战2：复杂流程的信息架构重塑
训练全链路（数据集准备→训练→调优→部署）涉及多个独立页面，每个页面内部又有复杂配置逻辑，需要在不明显改动底层架构的前提下降低用户感知复杂度。
💡 为什么难：底层架构由算力技术团队维护，设计侧不能要求技术侧为体验做大规模重构。必须在现有架构约束下，通过信息架构和交互模式创新来降低复杂度——这对设计策略能力要求极高。
挑战3：创新方案的内部推动
拓扑流程图等创新方案需要说服业务和技术团队接受开发成本，尤其是在团队对竞品方案缺乏认知的情况下。
💡 为什么难：10人团队中没有资深设计导师，作为独立UX设计师需要独自完成从方案设计到跨团队说服的全过程。拓扑流程图方案对前端来说开发成本不低，没有竞品对标和分步落地策略的支撑，很难获得团队buy-in。
设计过程
研究方法
- 客户反馈整理：系统梳理CPO客服系统中的高频进线问题，分类统计进线原因分布
- 行为埋点数据分析：前端埋点追踪用户操作路径、页面停留时长、跳出率等行为指标（如模型训练页跳出率54.34%）
- 用户分层访谈：深度访谈初级和高级大模型研发工程师，了解不同层级用户的实际操作场景和痛点差异
- 全链路体验地图绘制：沿「数据集准备→训练→调优→部署」全流程绘制用户体验地图，标注情感曲线和痛点密度
关键洞察
- 三维定位锁定三大根源问题：通过客户反馈+数据埋点+用户体验地图交叉验证，锁定无引导体系、训练配置效率低、模型调优对比难
- 用户分层是关键：初级工程师（60%）最需要引导和防错，高级工程师（40%）最需要效率和灵活度，一刀切设计无法满足任一组
- 跳出率54.34%背后的真相：模型训练页跳出率高企，原因不是"不想训练"而是"不知道怎么配置"——参数繁多+缺引导=放弃
- 竞品对标发现差异化机会：阿里云/百度/火山引擎的数据处理任务普遍割裂（清洗和增强分开操作），拓扑可视化整合是差异化机会
- 量化基线确立：数据处理配置平均耗时34分52秒——其中有大量时间耗费在重复配置和误操作上，通过流程整合+行业模板可缩短配置时间
用户分层
| 初级大模型研发工程师（60%） | 新手用户 → 看不懂复杂参数逻辑、操作易出错、无完整入门引导 → 需要简化操作、防错容错、步骤引导 |
|---|---|
| 高级大模型研发/管理者（40%） | 资深用户 → 需高效完成复杂多步骤任务 → 需要灵活配置、高效批量操作、快速对比决策 |
设计策略
按训练全流程拆解三层设计目标，对应三大模块策略：
- 业务目标：减少CPO进线率、提升老客户续约率
- 体验目标：完善全链路训练引导体系 · 提升训练配置操作效率 · 提升模型调优对比、参数调试效率
- 量化指标：CPO进线率下降、老客户续约率提升、训练配置耗时缩短、页面跳出率下降、用户满意度提升
三大设计策略模块：
- 完善训练引导体系（解决训练前"无引导"问题）：操作前首页强引导 → 操作中页面标准化步骤 → 操作后断点补齐跳转
- 提升训练配置效率（解决训练中"配置繁琐"问题）：数据处理拓扑流程图整合 + 行业模板提速；模型训练提炼核心必填项 + 决策辅助信息透出
- 提升模型调优效率（解决训练后"对比难"问题）：训练进度卡片前置列表页；多模型对比布局重构 + 参数一一绑定
设计过程叙述
阶段一：问题挖掘
三重调研交叉验证，锁定核心痛点
- 客户反馈分析：系统梳理 CPO 客服工单，归类进线原因分布
- 数据埋点：追踪用户操作路径，发现模型训练页跳出率高达 54.34%
- 用户访谈：分层深度访谈初级和高级大模型研发工程师，理解操作场景和痛点差异
- 体验地图：沿「数据集准备→训练→调优→部署」全链路绘制，标注情感曲线和痛点密度
- 机会点共创：HMW 方法按训练前/中/后拆解 5 大核心痛点，输出用户分层画像（初级 60% / 高级 40%）
阶段二：设计策略与方案
三层目标拆解，三大模块并行推进
- 目标拆解：业务目标（降进线率、提续约率）→ 体验目标（引导体系、配置效率、调优效率）→ 量化指标
- 模块一 · 完善训练引导体系：首页主次分区重构 + 8 步训练链路分步卡片 + 全页面标准化步骤引导组件 + 流程断点补齐
- 模块二 · 提升训练配置效率：数据处理拓扑流程图（拖拽节点 + 行业模板）+ 模型训练分步卡片（提炼核心必填项 + 决策信息透出）+ AB 方案取舍（分步卡片 vs 平铺多栏）
- 模块三 · 提升模型调优效率：训练进度卡片前置列表 + 多模型对比布局重构（参数一一绑定）
阶段三：推动落地与验证
从方案说服到数据闭环
- 竞品对标：横向对比阿里云/百度/火山引擎，明确差异化机会
- 分步落地：制定分步排期降低技术风险，先上线基础拖拽节点验证效果
- 开发走查：全程跟进保证设计还原度
- 数据验证：上线后 3 个月数据追踪 + 用户定性反馈收集
- 资产沉淀：输出《步骤引导卡片组件规范》、设计方法论、内部分享
业务目标：两大经营性指标驱动设计方向
机会点挖掘：按训练前/中/后拆解5大核心痛点与HMW机会方向
设计目标拆解：业务目标→体验目标→可衡量量化指标，三层递进
关键设计决策
每个决策都包含了「选择了什么」、「为什么这样选择」、以及「放弃了什么替代方案」。
决策1：用户分层防错机制 — 新手默认简化 + 老手可展开微调
为什么：初级工程师（60%）看不懂复杂参数，高级工程师（40%）需要灵活度。一刀切设计无法同时满足——分层后新手默认简化、老手可展开，既降门槛又不牺牲专业性。
| ✅ 选择的方案 | ❌ 放弃的方案 |
|---|---|
| 新手自动匹配次要参数默认值，老手可展开微调；拆分三步核心配置（选基模→选数据集→选资源池），其余参数折叠隐藏 | 方案A：统一简化所有参数 方案B：全部暴露参数 |
决策2：数据处理采用拓扑流程图整合任务流
为什么：原清洗、增强任务独立分步操作，平均耗时34分52秒，逻辑割裂易造成资源浪费。拓扑流程图可视化拖拽节点配置，合并为单条任务流。竞品（阿里云/百度/火山引擎）都未做到这一点——这是差异化机会。
| ✅ 选择的方案 | ❌ 放弃的方案 |
|---|---|
| 拓扑流程图拖拽配置节点，合并清洗/增强为单条任务流 + 6套行业模板 + 自动文本量条件判断规避资源浪费 | 方案A：保持分步独立操作仅做UI优化 方案B：全自动合并 |
决策3：模型训练配置选用分步卡片方案，淘汰平铺多栏方案
为什么：AB两套方案做用户小范围测试——虽然平铺方案视觉屏效更高，但用户反馈动线混乱更容易误操作。最终选择逻辑更顺滑、开发改动更小的分步卡片方案，优先保障操作正确率。
| ✅ 选择的方案 | ❌ 放弃的方案 |
|---|---|
| 分步卡片方案：三步核心配置，逻辑清晰、开发改动小、用户测试反馈操作正确率高 | 方案A：平铺多栏方案 方案B：一步到位的极简表单 |
决策4：训练进度从表格查看改为卡片前置列表页
为什么：原表格查看路径深，多任务无法横向对比指标。卡片前置后每个任务独立信息卡分四块展示（训练进度/效果趋势/模型信息/参数配置），三态视觉区分（初始化/训练中/完成），解决多任务对比痛点——无需逐个点开详情页查看数据。
| ✅ 选择的方案 | ❌ 放弃的方案 |
|---|---|
| 列表每行嵌入独立信息卡片，多维信息分块展示，三态视觉区分，一键直达体验/测评 | 方案A：优化表格列展示 方案B：做独立对比页 |
决策5：用竞品对标+分步落地策略推动创新方案
为什么：拓扑流程图等方案业务和技术团队担心落地成本。输出详细竞品对比直观展示竞品任务割裂的短板，拆分排期分步落地（先上线基础拖拽节点验证效果，再迭代复杂分支逻辑），降低技术风险后说服团队全量落地。
| ✅ 选择的方案 | ❌ 放弃的方案 |
|---|---|
| 竞品对标+分步落地的双轨说服策略：用数据证明差异化价值→拆分排期降低技术风险→全量落地 | 方案A：放弃创新方案选择保守优化 方案B：一次性全量上线 |
设计结果
🟢 有数据支撑（上线后3个月数据追踪 + 用户定性反馈问卷）设计方案
模块一：完善训练引导体系（解决训练前"无引导、流程断点"问题）
策略：操作前首页强引导 → 操作中页面标准化步骤 → 操作后断点补齐跳转
- 首页重构：主次分区布局——左侧放置「训练流程指引、业务案例」核心操作入口，右侧辅助功能；拆分8步训练链路做成分步卡片，支持折叠隐藏兼顾新老用户
- 全页面标准化步骤引导卡片：统一组件规范——步骤文案25-35字、自适应多步骤长度；所有核心操作页顶部嵌入线性步骤指引
- 流程断点补齐：多路径操作完成后给出多个"下一步"推荐入口；单路径操作完成高亮「去执行下一环节」按钮
- 验证反馈：75.43%用户反馈引导提示有效，24.62%反馈文案偏长（后续迭代精简）
首页重构：主次分区布局，左侧训练流程指引+业务案例
8步训练链路分步卡片：支持折叠隐藏，兼顾新老用户
模块二：提升训练配置效率（解决训练中"配置繁琐"问题）
场景1 — 数据处理配置
- 痛点：清洗、增强任务独立分步操作，平均耗时34分52秒，逻辑模糊易造成资源浪费
- 方案：① 拓扑流程图整合——清洗+增强合并为单条任务流，可视化拖拽节点配置，自动增加文本量条件判断规避资源浪费；② 预置行业模板——通用清洗、文本分类、文本抽取等6套开箱即用模板，预留高级模板付费运营位
- 效果：配置平均耗时从34分52秒→22分34秒，整体减少12分钟操作时长。对比阿里云/百度/火山引擎竞品，拓扑可视化逻辑更易懂、任务合并效率更高
场景2 — 模型训练配置
- 痛点：参数繁多、新手不会选基模/资源池，页面跳出率54.34%
- 方案：① 用户分层防错——新手自动匹配次要参数默认值，老手可展开微调；拆分三步核心配置（选基模→选数据集→选资源池）；② 卡片透出决策信息——基模卡片标注适用行业、能力优势；资源池卡片实时展示GPU/显存/存储占用，系统智能推荐匹配资源池
- 方案取舍：淘汰屏效高但动线混乱的平铺多栏方案，选用逻辑清晰的分步卡片方案
数据处理：拓扑流程图整合清洗/增强任务流，可视化拖拽配置
模型训练配置：三步核心配置+分层防错，卡片透出基模/资源池信息
模块三：提升模型调优效率（解决训练后"对比难、调试难"问题）
场景1 — 训练任务信息监控
- 痛点：表格查看路径深，多任务无法横向对比指标
- 方案：列表每行任务嵌入独立信息卡片，分四块展示——训练进度、效果趋势指标、模型基础信息、参数配置；分初始化/训练中/完成三态视觉区分，一键直达体验、测评功能
场景2 — 模型在线对比调优
- 痛点：多模型并排拥挤、参数调试和对话窗口错位对应
- 方案：① 结构重构——每个模型对话框右侧绑定专属参数调节区，一一对应；三模型并排布局优化空间；② 信息降噪——模型标题栏直接展示当前参数配置，对话区简化冗余UI
训练监控：进度卡片前置列表页，四块信息分区+三态视觉区分
模型对比调优：参数一一绑定+空间优化+信息降噪
项目成果概览：业务指标+体验指标+资产沉淀
业务成果
- 老客户续约率提升20%
- CPO客服进线率下降13.6%
体验成果
- 前期训练配置平均耗时缩短24分钟（数据处理：34分52秒→22分34秒）
- 模型训练页面出错率下降23.5%
- 整体用户满意度提升48.3%
- 75.43%用户反馈引导体系有效
团队成果
- 输出《步骤引导卡片组件规范》可复用UI资产，后续新功能可直接调用
- 沉淀B端AI算力平台训练链路设计方法论
- 面向业务、研发组织专项设计分享，传递用户视角设计思路，让业务方认可设计驱动的价值
数据来源明细
| 指标 | 数据来源 | 统计周期 |
|---|---|---|
| 续约率 ↑20% | CRM 系统 + 财务合同台账（续约客户数 ÷ 到期客户总数） | 上线后 3 个月 |
| CPO 进线率 ↓13.6% | CPO 客服系统工单统计（训练操作相关进线量 ÷ 总进线量） | 上线后 3 个月 |
| 训练配置耗时 ↓24min | 前端埋点操作时间戳 + 后端日志 | 上线后 3 个月 |
| 出错率 ↓23.5% | 前端埋点 + 后端日志（提交后被后端校验驳回次数 ÷ 总提交次数） | 上线后 3 个月 |
| 用户满意度 ↑48.3% | 产品内嵌满意度问卷（1–5 分量表换算百分制） | 上线后 3 个月 |
| 引导有效性 75.43% | 引导功能内嵌反馈入口 | 上线后 3 个月 |
客户反馈
- 超七成工程师认可引导体系，拓扑流程降低了操作门槛
- 少量反馈引导文案偏长，已列入后续迭代优化项
反思与成长
经验教训
- B端复杂流程设计必须做用户分层：初级（60%）和高级（40%）工程师的需求差异巨大，分层防错机制（新手默认简化+老手开放微调）是用一套方案兼容两类人群的关键。
- 竞品对标是推动创新方案的有效工具：拓扑流程图方案业务和技术团队一开始担心落地成本，通过阿里云/百度/火山引擎的竞品对比直观展示差异化价值，分步落地策略降低技术风险后，团队从抗拒转为支持。
- 引导体系需要兼顾新老用户：折叠式分步卡片既让新手有完整引导，又不干扰老手的高效操作——"可折叠"是B端引导设计的关键交互模式。
- 数据驱动设计闭环：客户反馈+埋点+体验地图三重调研定位问题→三层目标拆解→方案落地→数据验证+用户反馈→形成完整闭环。
- AB方案测试可以打破视觉屏效优先的惯性思维：平铺方案视觉屏效更高但用户测试反馈动线混乱，分步卡片方案逻辑更顺滑——操作正确率比屏效更重要。
后续优化方向
- 引导文案持续精简：75.43%认可引导体系但24.62%反馈文案偏长——应在上线前做更多轮的文案A/B测试，找到既清晰又简洁的最佳字数区间。
- 数据处理流程进一步简化：目前仍需两步创建流程，理想状态应合并为一步生成任务流。
- 长期数据追踪：部分指标需补充更长周期（6个月/12个月）的追踪数据，以验证方案效果的持续性。
方法沉淀
- 全链路复杂流程设计能力：在AI训练这一技术密集型场景中，从用户分层出发，完整处理了"训练前中后"全链路的复杂流程优化，形成了B端复杂流程设计的完整方法论。
- 业务价值导向的设计思维：直接聚焦续约率和CPO进线率两大经营性指标，设计决策始终围绕业务价值展开——这是高级UX设计师的关键能力。
- 跨团队推动与说服力：通过竞品对标+分步落地策略+AB方案测试，在业务和技术团队中推动创新方案落地，展示了设计领导力。
- 设计资产沉淀意识：不仅做完项目，还输出可复用的组件规范和设计方法论，提升团队长期效率。
能力映射
- 复杂B端流程设计
- 用户研究（三重调研交叉验证）
- 数据驱动设计决策
- 跨团队推动与说服
- 设计资产沉淀
- 用户分层差异化设计
- 竞品分析与差异化策略
- AI大模型领域设计