note/课题一/AI 视觉对话助手/用户故事.md

---
tags: [AI, 用户故事, 产品设计, 多模态, 需求分析]
create time: 2026-06-12 11:13
---

# 用户故事

## 概述

用户故事是连接"技术实现"与"真实需求"的桥梁。本节列出 AI 视觉对话助手的典型用户故事，按**优先级分层**，并标注哪些属于 MVP 范围、哪些可后续迭代。

## 正文

### 用户故事全景

```mermaid
graph TD
    A["AI 视觉对话助手"] --> B["实时问答"]
    A --> C["场景理解"]
    A --> D["辅助功能"]
    B --> B1["这是什么物体"]
    B --> B2["读出屏幕上的文字"]
    B --> B3["帮我翻译这个标志"]
    C --> C1["描述当前环境"]
    C --> C2["识别人物动作"]
    D --> D1["视障用户导航辅助"]
    D --> D2["实时字幕生成"]
```

### 核心用户故事列表

#### P0 - MVP 必做

| 编号 | 用户故事 | 验收标准 |
|------|---------|---------|
| US-01 | 作为用户，我希望对着摄像头提问"这是什么"，AI 能识别画面中的物体并回答 | 准确识别常见物体，响应 < 3s |
| US-02 | 作为用户，我希望用语音与 AI 对话，无需打字 | VAD 准确检测语音，STT 准确率 > 95% |
| US-03 | 作为用户，我希望 AI 能"看到"我摄像头拍到的画面 | 每次提问时自动捕获当前帧 |
| US-04 | 作为用户，我希望 AI 用语音回答我，而不仅是文字 | TTS 自然流畅，延迟 < 1s |

#### P1 - 增强体验

| 编号 | 用户故事 | 验收标准 |
|------|---------|---------|
| US-05 | 作为用户，我希望 AI 能持续"看着"画面，主动提示重要变化 | 关键帧检测 + 主动推送 |
| US-06 | 作为用户，我希望 AI 能读出画面中的文字（OCR） | 中英文混合识别准确率 > 90% |
| US-07 | 作为用户，我希望连续对话时 AI 能记住上下文 | 支持多轮对话，上下文窗口 > 10 轮 |

#### P2 - 进阶探索

| 编号 | 用户故事 | 验收标准 |
|------|---------|---------|
| US-08 | 作为视障用户，我希望 AI 能描述周围环境并提示障碍物 | 实时环境描述 + 安全警告 |
| US-09 | 作为用户，我希望 AI 能翻译画面中的外语内容 | 支持主流语言实时翻译 |
| US-10 | 作为用户，我希望可以切换 AI 的"观察模式"和"对话模式" | 一键切换，模式状态清晰可见 |

### 用户旅程示例

以 US-01 为例，完整的用户旅程：

```mermaid
sequenceDiagram
    participant U as User
    participant App as Client
    participant AI as LLM

    U->>App: 打开应用, 授权摄像头
    App->>App: 启动摄像头预览
    U->>App: 对着花朵说 "这是什么花"
    App->>App: VAD 检测语音
    App->>App: 捕获当前帧 + STT
    App->>AI: 发送图像 + "这是什么花"
    AI->>App: "这是一朵红色的玫瑰..."
    App->>App: TTS 合成语音
    App->>U: 播放语音回答
```

> [!question] 思考
> 用户故事的验收标准中，"响应 < 3s"看似简单，但它约束了整条链路——帧采样、网络传输、LLM 推理、TTS 合成都必须在这个预算内完成。这反过来驱动了架构决策。这就是用户故事的价值：**用体验目标倒推技术方案**。

### 故事优先级决策依据

> [!tip] 如何判断优先级？
> 用两个维度交叉评估：
> - **用户价值**：这个功能对用户有多大帮助？
> - **实现成本**：需要多少开发工作量和 API 调用成本？
>
> P0 = 高价值 + 合理成本（MVP 必须有）
> P1 = 高价值 + 较高成本（第二版加入）
> P2 = 探索性（验证后再投入）

## 关联笔记

- [[视觉理解]]
- [[语音交互]]
- [[成本控制]]