夜雨聆风大家好，我是幺幺。
今天是分享一篇关于AI产品拆解的文章，主要的框架结构如下：
1、为什么拆解？
过去做产品分析，大多沿用传统互联网拆解逻辑：用户→需求→功能→商业化，聚焦流量、留存、交互体验。但进入 AIGC 时代，AI 产品底层由大模型、Agent、向量知识库驱动，算力成本、模型能力、多模态生成上限直接决定产品边界，传统分析框架不再适用。
所以借助最近自己在参与AI短视频生成项目，分析了几个AI视频创作平台，想记录下分析的思路和方法。
2、拆解思路是什么，方法论怎样？
拆 AI 产品时，不能只问它有什么功能。更关键的是，反推它为什么选择这个场景，想让用户完成什么任务，如何把 AI 能力包装成可用的产品体验，最后又靠什么形成商业闭环和长期壁垒。拆 AI 产品时，不能只问它有什么功能。更关键的是，反推它为什么选择这个场景，想让用户完成什么任务，如何把 AI 能力包装成可用的产品体验，最后又靠什么形成商业闭环和长期壁垒。过去做产品分析，很多时候是记录体验，到了 AI 产品这里，还要多做一步结构推理，交互很重要，了解内核也很重要。
所以主要的核心方法论大概如下：用户需求 -> 场景任务 -> 产品交互 -> AI 工作流 -> 模型 / RAG / 工具调用 -> 数据 / 权限 / 评测 / 成本治理。
3、主要拆解产品，选择的原因
最近自己有使用到如下几个产品，Seko、即梦AI、vidu、可灵、MiniMaxHub。
因为我接手的项目是做短视频一类的，需要有连续剧，上下集的关联，所以我这里会觉得比较好的是seko和MiniMaxHub，然后基于目前行业内的视频生成，普遍都在采用画布的解决方式，而且我们的需求方也指定需要画布的方式，所以选择了MiniMaxHub。
4、拆解步骤
拆解MiniMaxHub的方向：
市场层：踩中内容工业化生产 + Agent 应用落地两大趋势，短视频、电商物料批量生产需求爆发，用户需要打破多软件来回切换的痛点，多智能体协同创作从技术落地到产品化；
商业层：订阅分级 + 按量计费 + 企业私有化部署，依托自研 Hailuo 视频、图像、语音模型降低算力成本，自研模型带来毛利率优势，商业模式具备可持续性；
用户场景层：服务短视频创作者、电商运营、品牌市场、中小企业内容团队，草稿、营销素材生成容错成本低，精品内容可人工介入工作流修改，错误成本可控；
产品层：通过画布拖拽、自然语言输入、内置技能模板三层封装，把复杂的大模型、Agent 技术转化为零代码操作；
技术模型层：多专业 Agent 拆分岗位，可视化 Workflow 画布编排流程，自研 + 第三方混合模型路由，用户私有素材 RAG 知识库接入；
基建层：素材本地存储保障数据安全，团队精细化权限配置，模型用量限额管控成本，用户反馈反哺模型迭代与产品优化。
下面会实操一个例子，沉浸式体验分析一下这个软件：
先来看下MiniMaxHub软件接入模型有哪一些，因为你的所有诉求都是依据下面这些大模型来做的。
自研类：
MiniMax M2.7（文本 / Agent 核心，旗舰），任务拆解、文案生成、逻辑推理、多 Agent 调度、画布指令理解、代码 / 技能编排、长文本理解（200K 上下文）
Hailuo 2.3（海螺，自研视频），文生视频、图生视频、视频续帧、动态 / 人物一致性、高清短视频生成、镜头 / 动作可控。
Speech 2.8（语音 TTS），多音色配音、自然语气 / 停顿、多语种 / 方言、情感语音、字幕配音、低延迟合成。
Music 2.6（音乐生成）,BGM、纯音乐、短视频配乐、风格化旋律、节奏匹配
接入的第三方：
图像类：
Banana 2 / Image 2（MiniMax 图像），文生图、图生图、海报 / 封面、风格生成、基础修图。
Midjourney（接入），顶级艺术生图、强风格 / 质感、创意画面、高清美学图
Seedream（星野，图像），写实图、电商图、产品图、细节还原
视频类：
Seedance 2.0，文生视频、动态流畅、通用短视频
Kling（可灵）V3，高画质、强动态、长一点时长、动作 / 肢体自然、视频插值
Veo/Wan 等（补充视频），风格化、快生成、不同画质档位。
总结上述为：
自研：M2.7 管理解 / 拆解 / 调度；Hailuo/Speech/Music 管自家视频 / 音 / 乐；可控、本地、成本低、数据安全、跨模态联动强；短板：艺术 / 顶级画质不如第三方
第三方：补顶级生图 / 高画质视频；短板：要联网、计费、数据上云、受接口限制、联动差
下面来个实操案例：
用户目标：我想要生成一个介绍全国不同地方的特色旅游景区的视频。
首先我从网上随便找了一个图片，喂给了MiniMaxHub,跟它说了我的诉求：
这里使用到的能力（大模型 VLM 视觉理解）它识别了图片文案的内容
上面就是一整个的由一张图创建出整个视频的全流程，我们可以看到系统是怎么去做的任务拆解分析，怎么去规划的任务，以及怎么去筛选判断使用合适的模型生成对应的图片视频，每一步都是白盒，每一步都可以让用户知道它是怎么运转的，可以相对的去信任产出的结果。
另外产出的每一个节点任务，可以单独编辑的，灵活性非常的高。
其他遇到的一些问题和思考：
1、IP问题的处理
目前上传对应的人像，知名版权IP，一般是无法让其上传使用的，问题来了，他是如何做到识别我为真人还是本身就是AI生成的。后续公司跟某个IP达成了合作，可以使用某个IP的版权的时候，是跟火山那边进行申请，那边加了白名单后才支持上传，也就是火山那边其实也设计了口子，去控制这个版权的问题。
2、计费模式
minimaxhub的计费模式也是定制的，调用不同的模型，扣取的费用是不一样的。
结算载体：统一 Credit 点数，充值购买，全能力通用；
M3 对话模型：输入、输出双向按 Token 计费；
图像生成：按单次生成张数计费，图生图 / 参考图无额外加价；
视频生成：按时长 + 分辨率阶梯扣费，片段合成仅收取少量合成手续费；
自有本地素材上传、画布拖拽编排、工作流存储、质检调度不产生费用。
3、内容存储设计问题
官方说的是分层设计：MiniMax Hub 桌面客户端采用本地优先存储策略，用户自有原始素材 100% 保存在用户电脑本地磁盘,不会自动上传 MiniMax 云端服务器;云端临时缓存（仅 AI 推理中转，无长期留存）,触发 AI 生成请求时，少量临时数据才会加密上传至 MiniMax 国内合规云服务器，且有严格生命周期,推理任务完成后24 小时内自动彻底删除云端缓存文件。
生成的文件可以有2个选择，1、直接写回到本地磁盘，2、开启云端数据存储，看用户的喜好，另外针对大客户之类的支持私有化部署。
4、用户数据安全问题
常规的比如加密传输，多租户数据隔离，账号权限体系管控，运维日志记录这种常规的就不过多讲解了，说说几个平时不怎么接触的点：
（1）云端缓存文件采用分片加密存储，单张图片 / 文本会拆分为多碎片分散存储在不同服务器节点，无完整可直接读取的原始文件；
（2）内置内容安全审核：上传素材、生成画面、台词文本都会过国内合规内容安全模型，拦截违规内容，同时避免敏感隐私画面外泄；
（3）水印溯源：生成成片默认携带轻量隐形溯源水印，一旦出现内容泄露可定位产出账号；企业版可自定义关闭溯源水印；
5、如何减少token的使用
使用AI就伴随着token的消耗，如何减少输入和输出对Token的消耗也是每个AI使用者需要思考的课题。
这是自己第一次深度地了解到AI对一个产业的影响有多大，这个过程确实很有意义。在使用过程中，也明确的感受到AI的门槛已经没有门槛了，每个人都唾手可得AI，只是花费一点token而已，所以当工具的门槛已不存在的时候，比拼个人创造力，执行力时代将会来临~
人类的存在，基于每个人的独特，
基于那些不可被自动化的部分，
能被自动化的部分，叫数字员工和牛马，
不能被自动化的部分，叫灵魂。
想要获取更多干货内容
快来星标 置顶 关注我。
END
