Parashar 案例研究 — Vinay Kumar

执行摘要

Parashar 是一款将预测分析应用于复杂传统知识领域的 AI 消费级产品。系统基于天文位置数据（Swiss Ephemeris）与数千条解释规则 — 需要精确输入与分层推理的计算密集型领域。产品挑战是战略性的：优先哪些分析体系、如何工程化正确应用相互依赖规则的 AI 循环、如何让密集多维输出对非专家可用。这是源于真正智识兴趣的副业项目 — 也是领域专长如何塑造 AI 产品思维的现实检验。

1. 问题

目标领域有三个特征，使软件服务变得困难：

规则复杂性。该领域基于来自天文位置数据（经 Swiss Ephemeris 计算）的数千个相互依赖变量。单次分析需交叉参照多个分析体系，各有规则、例外与情境修饰。专家从业者需数年学习才能驾驭这些互动。

计算强度。手动完成完整分析需将行星位置算到角分精度，再对数十数据点应用分层解释规则。专家一次解读可耗数小时。天文层是确定性的，但解释层需要跨竞争体系的情境判断。

专长守门。获得优质分析需找到熟练从业者。没有标准化认证，质量差异巨大，知识传统上通过师徒制传递。多数消费者无法区分严谨分析与肤浅工作。

机会

若天文数据精确（Swiss Ephemeris 提供）且规则可编码，AI 系统可规模化应用。产品论点：将精确科学计算与 AI 驱动的规则应用和情境推理结合，民主化专家级分析的获取。

2. 产品策略：构建什么

界定系统范围

该领域有 10+ 个分析体系，各覆盖不同维度。全部纳入输出全面但令人不堪重负；过少则专家会视为肤浅。

战略问题：产生有用、可信分析的最小体系覆盖是什么？经典 v1 范围界定 — 每个 PM 决定纳入什么时都会面对。

方法：按三标准给分析体系排序：

覆盖 — 该体系覆盖多少用户问题？
计算确定性 — 规则能否可靠编码，还是需要主观判断？
体系间依赖 — 输出是否喂给其他体系？（若是，则是基础设施而非可选项）

三项都高的体系先交付。需大量情境判断的体系标为后续迭代。

决定 AI 该做什么与不该做什么

并非领域每个部分都应自动化。战略框架：

Exhibit A — 构建 vs 推迟

AI 应做

天文位置计算
确定性规则应用
交叉参照多体系
跨数据集模式识别

AI（尚）不应做

跨模糊信号的情境综合
专家分歧处的判断调用
开放式解释叙事
无置信边界的规范性建议

每个 AI 产品都面对的构建-推迟纪律 — 知道 AI 在何处增值、何处制造虚假自信。

3. AI 循环工程

核心挑战

标准 AI 产品从数据模式学习。Parashar 需学习规则体系 — 数千相互依赖的 if-then、层级覆盖与情境权重。AI 循环被工程化为：

摄取精确天文数据 — Swiss Ephemeris 提供角分精度的行星位置、相位与时机。
应用规则级联 — 多分析体系顺序运行；各自产生喂给下一层的中间输出。
解决冲突 — 两体系矛盾时，加权解决框架遵循领域惯例。
生成分层输出 — 先主信号，再辅助分析，再边缘情况与注意事项。

工程评估标准

此处“正确”超越统计精度：

位置精度 — 计算与 Swiss Ephemeris 角分一致
规则保真 — 各体系规则按领域专家方式应用
体系加权 — 冲突解决匹配体系层级的专家共识
完整性 — 输出覆盖查询类型相关体系，不省略会改变结论的维度

这些标准来自领域专长，而非标注数据集。定义“正确长什么样”的人必须是领域专家 — 而非从训练数据近似正确性的 ML 工程师。

4. UX：让复杂性可及

该领域产生密集多维输出。完整分析可能同时覆盖 10+ 维度。一次全部呈现令人不堪；过少则产品显得肤浅。

Exhibit B — 渐进披露

Level 1 — 标题信号。清晰陈述主导发现。用户最需知道什么？
Level 2 — 辅助分析。强化、限定或复杂化标题的 3–4 个维度。
Level 3 — 完整深度。每个体系输出、交叉参照、置信边界、边缘情况 — 可用，从不强加。

产品观点：默认清晰，提供深度。两者兼得，互不牺牲。

5. 这揭示了怎样的产品思维

作为战略优势的领域专长

多数 AI 产品由学到足以交付的领域知识的团队构建。Parashar 将其反转 — 产品策略师即领域专家。这削减了通常削弱 AI 产品的翻译损耗：

无规格到实现的落差。界定范围的人理解边缘情况、体系互动与质量门槛。
评估标准反映真实专长。“正确输出”由知道专家会产出什么的人设定。
UX 优先级有领域依据。先呈现什么、如何处理冲突、此处渐进披露意味着什么 — 扎根实践。

产品策略 + AI 工程，而非 ML 工程

该角色跨越产品愿景、AI 循环工程、系统架构与 UX 策略 — 而非模型训练或基础设施：

Exhibit C — 角色边界

产品 + AI 策略（本角色）	ML 工程（不同角色）
AI 应做什么？	模型如何学习？
正确输出是什么样？	何种损失函数优化正确性？
规则冲突应如何解决？	模型如何处理矛盾？
v1 交付哪些体系？	最低可行精度是多少？
不确定性应如何呈现？	置信度如何校准？

两者都必要。本案例研究关注左列。

6. 当前状态

活跃副业项目（2024–至今）。产品愿景已定义，分析体系已界定并优先排序，AI 循环架构已规格化，评估标准已建立，UX 策略已设计。源于对该领域真正智识兴趣 — 科学根基的计算层加基于规则的解释，以及 AI 产品策略的现实检验。

7. 关键要点

关于领域到产品翻译：AI 产品最难的不是 AI — 而是战略范围界定。编码哪些规则、推迟哪些体系、AI 在何处增值 vs 制造虚假自信。是产品决策，不是工程决策。

关于 AI 循环工程：当 AI 应用规则体系（而非找模式）时，挑战从训练数据转向规则保真。评估标准必须来自领域专长，而非仅统计基准。

关于让复杂性可及：渐进披露是产品策略，不仅是 UX 模式。推到 Level 2 或 3 的内容决定产品是赋能还是压垮。

要点

与交易/风险 AI 相同的产品判断：知道什么是确定性的、什么是解释性的，以及当用户无法审计每一层时你先呈现什么。