社科大数据平台是经管类社科研究中进行数据回归等实验步骤中获取数据的服务平台，与知网类似，均是有高校统一采购的重要学术资源站。随着 2025 年 RAG 的兴起，利用 AI 帮助用户更好使用平台数据也成为了社科大数据平台的重点工作。
项目起点
企研社科大数据平台面向高校、科研机构和社科研究场景，核心能力是提供哲学社会科学研究、宏观经济分析与决策支持所需的数据服务。2024 年末平台完成 3.0 系统重构，底层数据架构更加稳定，但用户仍然需要在“查找数据、下载数据、处理数据”之间来回切换。
进入 2025 年后，RAG、Agent、Workflow 等 AI 能力开始具备落地条件。对这个平台来说，AI 不是一个可以独立摆放的功能模块，而是一次重新梳理研究工作流的机会：它应该帮助用户更快找到目标数据，更清楚理解权限和使用方式，并在拿到数据后继续辅助后续处理。
问题定位
我们通过用户调研的实际数据，利用词云图总结了核心问题所在。
在设计走查过程中，我把用户路径拆成三个连续动作：查找数据、下载数据、处理数据。问题并不只出现在某一个页面，而是分布在整个数据获取生命周期中。
权限感知滞后：用户经常不知道某份数据为什么不可见、为什么不可下载，也不知道应该向谁确认权限。原有客服入口存在感弱，用户遇到阻塞后往往转向人工咨询。
路径检索深冗：数据被组织在多层级目录中，检索高度依赖用户是否知道准确关键词和数据所在位置。对非专家用户来说，找到数据本身就已经消耗大量精力。
因此，这次升级的关键不只是“加 AI”，而是让 AI 进入这些断点：在用户不知道怎么问时提供引导，在用户不知道怎么找时理解意图，在用户拿到数据后继续辅助整理和使用。
设计策略
明确问题之后，我没有把方案收敛为一个独立的聊天窗口，而是把 AI 能力拆进三个更贴近业务的方向：权限感知、意图检索、流程联动。
让权限和帮助被用户看见
权限问题本质上不是单纯的按钮状态问题，而是用户缺少可解释的反馈。设计上需要强化 AI 客服入口，让它在用户遇到不可见、不可下、不会用时能够被及时发现，并通过预设问题和帮助文档降低提问成本。
让检索从关键词转向意图
社科平台的用户通常带着明确研究目标而来，但不一定知道应该输入哪个关键词、进入哪个目录。AI 检索的价值在于把用户的自然语言意图转换成可执行的检索路径，并直接返回更接近目标的数据结果。
让数据获取延伸到数据应用
平台过去更像“数据仓库”，而 AI 升级应该把能力延伸到数据使用阶段。围绕检索、收藏、筛选、清洗和可视化建立连续流程，才能真正降低研究门槛，而不是只把问题从“找不到”转移到“拿到后不会用”。
方案拆解
AI 客服解决权限问题
竞品分析
我们调研了市面上不少主流产品的 AI 智能客服功能，总结出了以下特点。
解决方案
考虑我们的用户群体本身对电脑技术操作不如调研产品的用户群体（这类云服务平台更多是精通网络网页使用的开发、工程师等人员），因此我们强化了入口感知，并且内置了常见问题，引入企研数据的 IP 形象企小喵来强化情感化。
效果复盘
配合运营宣发和教学，我们获得了明显的收益。明显线上客服的压力月度下降了 20% 以上。
AI 检索更快找数据
交互选型
社科数据平台的用户目的性很强，他们不是来和系统闲聊，而是希望快速找到可用于研究的数据。因此 AI 检索不应停留在长段文本总结上，而应尽可能直接展示目标数据、相关字段、表格入口和可继续筛选的路径。
设计方案
正因为搜索的核心是直达目标，我们将平台用户目的性强的特点进行了聚焦探索，相比于传统的文案式输出，我们选择直接给出结果清单让用户直接跳转。
效果复盘
我们对 RAG 的实际效果进行了 RAGAS 测试，并且进行了用户主观测试，有开发同事们提供的全新的 RAG 方案确实解决了传统 RAG 方案的问题，RAG 的准确性也有了很好的提升。
复盘与思考
从作品集复盘的角度看，这个项目最有价值的部分不是某一张界面，而是我对 B 端 AI 产品设计的一次重新理解：模型能力只有被放到正确任务节点里，才会真正变成产品能力。
AI 入口要有存在感，但不能抢占主任务。客服入口常驻右侧，是为了随时可用；非模态对话和收起状态，是为了不打断用户的查找与阅读。
AI 输出要直接服务用户目标。对社科数据用户而言，“解释一段话”不如“给出可继续操作的数据结果”有效。设计要尽量把大模型输出转成用户能马上使用的界面状态。
B 端 AI 体验首先要建立信任。涉及数据权限、研究依据和结果准确性时，系统需要解释来源、展示路径、保留人工可判断的空间，而不是只追求自动化。
这次项目也让我意识到，产品设计师在 AI 项目里的角色会更靠前。我们不仅要画出界面，还要参与定义任务边界、输出形态、异常状态和用户心智。此外，还需要参加技术的测试、选型等人物，向着更加多元化的工作角色转型。
42 次点赞
今天可以点赞一次
