Amplitude 实战：如何利用 AI 智能体将产品迭代周期缩短至 1-2 天

在数据驱动的产品开发中，如何将用户洞察迅速转化为可落地的代码改进，一直是团队面临的挑战。数据分析公司 Amplitude 通过引入基于 OpenAI 的主动式产品智能体 Wave，将这一周期从平均一个月压缩至 1-2 天。本文将深入解析 Wave 的工作流、模型选型策略及其带来的实际业务增长。

核心能力：Wave 如何驱动产品改进？

Wave 的核心价值在于它不仅能“看”数据，还能“做”决策。它约 80% 的能力依赖于 OpenAI 的模型构建，包括 GPT-6.1 Sol、GPT-6 Luna 和 GPT-Image-2.5 Flare。

完整的闭环工作流

Wave 的工作流程并非简单的自动化，而是一个包含洞察、规划、执行和评估的闭环系统：

• 目标设定：团队指定产品领域、改善目标和关键指标。
• 智能分析：Wave 整合产品数据、会话回放、客户反馈和代码，识别改进机会并确定优先级。
• 方案制定：生成包含解决方案、技术计划和验收标准的详细实施计划。
• 执行与衡量：协调人员或编程智能体（如 Codex）实施代码，并实时跟踪成效，将经验反馈至下一轮改进。

技术选型：为不同任务匹配最合适的模型

为了平衡推理质量、响应延迟和模型成本，Amplitude 并没有使用单一模型，而是构建了智能的模型编排策略：

• GPT-6.1 Sol（深度推理）：用于机会管理器和数据科学智能体。它擅长处理复杂的调研任务，如代码深度检查、数据验证和结论佐证。在 Amplitude 的评估中，GPT-6.1 Sol 在多项调研标准上均领先其他模型，且每次任务成本更低（约 1.34 美元），能大幅降低长期运营成本。
• GPT-6 Luna（高频扫描）：用于代码扫描、小型评估检查等需要重复执行且对延迟敏感的任务。它速度快、成本低，适合大规模的初步筛查。
• GPT-Image-2.5 Flare（视觉生成）：利用会话回放截图作为视觉参考，生成产品线框图和效果图，帮助团队直观展示改进方案。

实战案例：首页建议卡片提升 160% 互动

Amplitude 将 Wave 应用于自家产品，取得了立竿见影的效果。在首页的“建议卡片”功能上，Wave 发现了一个常被忽视的痛点：

• 问题诊断：Wave 分析发现，用户往往跳过通用建议卡片。在 100 次会话中，只有 12 位用户点击了建议，而 80 位用户选择自行输入问题。
• 方案生成：Wave 建议根据用户的浏览历史（如图表、仪表板）提供个性化内容，同时保留自由输入功能。它生成了包含技术细节的方案。
• A/B 测试结果：经过简短审查和编程智能体实施后，Amplitude 进行了 A/B 测试。一天后，建议卡片发送的消息量较对照组增长了 160%。

Amplitude 首席 AI 产品经理指出，这个案例证明了“非突破性”的改进也能显著提升功能使用率。

对开发者和产品经理的价值

Wave 模式为开发者和 AI 使用者提供了以下实用启示：

• 释放人力：将重复性、低价值的调研和代码检查工作交给 GPT-6 Luna 等模型，让人类专注于复杂决策。
• 成本控制：通过 GPT-6.1 Sol 等模型进行深度工作时，利用其高性价比优势，确保模型成本不失控。
• 快速试错：团队可以将自动化程度设为可控。对于缺陷修复，可直接交给编程智能体；对于新功能，则由人工审查后实施。

Amplitude 首席执行官认为，随着 AI 编程能力的提升，未来的软件将具备自我改进的能力，团队将惊讶于能与 AI 并肩协作所能取得的成果。