抖音服装切片 RAG 智能文案生成工具

模型选型服务产品目标，而不是服务参数崇拜

服装切片团队最需要的是可批量、可复核、可导出、可风控的生产流。模型能力只是其中一环，真正的产品问题是如何把商品资料、账号风格、历史爆款经验和平台风险规则接进同一条链路。

业务约束 → 失败定义 → 候选方案 → MVP 取舍 → 后续替换

我先看业务约束和失败成本，再决定是否值得一开始堆多模型。

1. 01

   业务约束

   个人 MVP、时间有限、接口稳定性和字段可控性优先。

2. 02

   失败定义

   商品事实编造、JSON 字段丢失、文案不可用是不可接受失败。

3. 03

   候选方案

   比较纯 Prompt、多模型编排、RAG + 单模型、后续向量库升级。

4. 04

   MVP 取舍

   先用 MiMo-V2.5 跑通图文理解、结构化输出和风控流程。

5. 05

   工程兜底

   用 Prompt 约束、规则替换、人工复核降低概率性风险。

6. 06

   替换策略

   模型名通过环境变量配置，后续可替换供应商或升级多模型。

MiMo 选型复盘

把模型能力放到产品系统里评估，而不是只看单次生成效果。

真实背景下的未上线 Demo

影棚曾接到矩阵账号切片带货需求：同一批服装素材要被拆成大量标题、口播、封面字和挂车文案。人工挑选效率低，输出风格不稳定，还容易写出夸大承诺或商品事实错误。基于这个需求，我设计了半自动 AI 文案工具；但由于合作方素材缺少达人授权，项目没有继续交付。

40 条近期内容 + 12 个账号一周跟踪 + 用户访谈

我围绕“服装切片”“带货切片”等关键词检索近期内容，观察标题模式、前 3 秒钩子、封面关键词和 AI 口吻；同时用飞书表格跟踪 12 个不同体量账号一周，并对做切片的朋友做了轻访谈。

个人创作者、小达人、矩阵账号

5k-5w 粉丝个人创作者通常一个人完成选品、剪辑、文案和发布，最需要稳定输出；5w-50w 小达人可以把剪辑交给助理，但文案经验很难复制；矩阵账号每天几十条内容，靠人工逐条挑标题和口播不可持续。

多数工具停留在“上传图片 → 写文案”

我观察到很多 AI 文案工具没有真正连接商品资料、账号风格和平台风控，也没有记忆与风格沉淀。它们能给一次性答案，却很难支撑连续生产。因此这个 Demo 的重点不是聊天框，而是内容生产链路。

素材上传入库 → 选择商品 + 账号风格 → RAG 召回 → 结构化生成 → 风控检查 → 人工修改 → 导出剪映字段

这条流程把模型放在生产系统中，而不是让模型凭空创作。商品事实来自资料或人工确认，爆款结构来自知识库，风险项进入校验和改写，最终导出剪映可用字段。

“上传即分析”不符合真实工作节奏

早期版本图片一上传就分析，但用户反馈：“我一次传 20 张图，不是想立刻分析——我先囤素材，后面再统筹配哪个品、走什么风格。”这句话推翻了原流程。后来改成素材先入库，等用户选择商品和账号风格后再统一生成。

MVP 阶段优先减少复杂度

常见方案是视觉模型负责图片理解，文本模型负责文案生成。但对一个人用 vibecoding 做 MVP 来说，多模型会带来字段映射、异常兜底、接口失败和成本评估的额外复杂度。这个阶段更重要的是验证需求、流程和风控是否成立。

没有致命短板，比单项能力特别强更重要

我把不可接受的失败定义为三类：编造面料、尺码、价格等商品事实；JSON 字段丢失导致无法导出剪映；文案像机翻导致用户放弃。相比之下，“不够惊艳”或“某些风格识别不细”可以后续迭代。

原生多模态、中文表达、结构化输出、上下文和成本

MiMo-V2.5 在原生多模态、中文表达、JSON schema 稳定性、较大上下文和成本可控方面没有致命短板。视觉细节丰富度不是当前 MVP 的首要矛盾，因为商品事实应来自资料和人工确认，而不是让模型猜。

“请根据商品信息写带货文案”不可规模化

第一版提示词过于开放，输出风格不稳定，有时像通用营销文案，不能直接进入批量生产。它证明了一个问题：Prompt 不是产品，产品需要字段、流程、约束和兜底。

固定标题、前三秒口播、封面字、挂车文案和剪映字段

第二版把输出拆成可导出的结构化字段，明显提升了可用性。但问题也随之出现：模型可能为了“好卖”而补充未经确认的面料、价格、版型和功效描述。

从“创作者”改成“信息整合者”

第三版加入拒答和风险规则：不确定的信息必须提示“请查看详情页”，宁可少一个卖点，也不要编造商品事实。同时要求风险命中时给出可替换表达，而不是只告诉用户“违规”。

风控不能只靠 Prompt

后端加入 softenCopy 这类确定性替换逻辑，对“全网最低”“100% 显瘦”“闭眼入”等高风险表达做正则改写；再叠加敏感词扫描、人工复核和违规反馈回流。AI 产品不能把体验完全建立在概率上。

这是内部基线，不是线上 SLA

我把 Demo 的目标定义为：商品事实幻觉率 ≤5%，字段完整率 ≥95%，高风险表达拦截率 ≥80%，单商品生成延迟 ≤30 秒，首轮可用率 ≥70%。这些来自 8 个测试用例的初始观察，尚未经过大规模线上验证。

项目终止本身也是产品教训

这个 Demo 最后没有交付，不是因为模型无法工作，而是因为合作方切片素材缺少达人授权。对我来说，合规不只发生在产品页面里，也发生在业务链路上。接需求前必须确认素材授权、账号归属和商业使用边界。

需要诚实标注 Demo 边界

当前没有真实用户灰度数据，敏感词库仍以人工整理为主，成本测算较粗，发布表现到知识库权重的回流还没有完整跑通。因此这份作品更适合作为产品思考和 MVP 设计展示，而不是宣称已商业验证。

MiMo-V2.5 是当前 MVP 的务实选择

我没有把时间花在横向模型排名上，而是先用 MiMo-V2.5 跑通“素材入库 - 商品/风格选择 - RAG 召回 - 结构化生成 - 风控改写 - 人工回流”的闭环。模型可以通过环境变量替换，但用户需求、流程节奏和合规边界必须先被验证。