AI驱动支付宝细分人群增长：从“人找服务”到“服务找人”的重构实践

导语

随着C端产品流量红利见顶，大而全的通用版APP面临增长瓶颈。支付宝基于大模型重构人群产品，推动产品形态从通用版向细分人群版演进。通过深度人群理解、动线驱动推荐及多模态AI应用，我们实现了真正的“服务找人”，有效提升了DAU与NPS。本文将拆解这一演进背后的核心挑战与工程实践，探讨如何用AI思维重构产品与技术逻辑。

核心问题与挑战

在推进细分人群增长前，我们面临着来自产品架构、人群认知和特定场景体验的三重挑战：

• 信息架构过载，服务发现效率低：通用版大而全的功能堆砌导致信息过载，用户“人找服务”成本极高。
• 人群理解浅层且覆盖率受限：精准人群分类强依赖用户主动认证（如上传护照），覆盖率极低；而基于规则标签的理解体系灵活性差，高度依赖专家经验，难以捕捉深层特征。
• 特定场景传统技术方案体验差：传统OCR课表导入耗时长（8s+）、成功率低（30%+），且教务系统定制成本极高；传统机器翻译上下文理解弱，准确性差。

方案与实践

从通用版到细分人群版：服务裁剪与潜在人群识别

针对信息过载痛点，核心解法是“做减法”。细分人群版本通过服务裁剪与定制供给重构信息架构，让服务主动找人，显著提升NPS与用户体验。

在人群分类上，为突破强认证导致的覆盖率受限问题，我们引入潜在人群识别机制。该方案摆脱了对用户主动上传信息的依赖，大幅扩大了人群版本的开启覆盖面。

深度理解人群：从规则标签到大模型推理

传统标签体系需要人工预设，灵活性差。我们构建了基于大模型的人群理解体系，利用其泛化与推理能力实现高度自动化。

• 工程架构：整合端内多维数据源，通过LLM推理与多智能体协同，自动生成人群运营策略与洞察报告。
• 在线链路应用：在线链路中，供给理解与用户打标Agent协同工作，实现人群供给偏好的精准匹配，为后续动线推荐提供深度特征支撑。

人群动线优化：动线驱动实现全局最优

原推荐体系下各展位各自为战，导致信息离散与视觉干扰，争夺用户注意力。我们提出动线驱动推荐：

• 策略生成：结合实时动线（物理世界数据如LBS、天气等）与长期画像，通过Agent工作流生成推荐策略。
• 端侧执行：在端侧执行前序行为全局召回与重排干预，打破单模块割裂，实现用户体验与转化的全局最优。

多模态与Agent：突破特定场景体验瓶颈

• 课表导入：用多模态大模型端到端并行解析替代传统多阶段OCR。耗时从8s+缩短至平均2.6s，整体解析成功率提升至94%。针对长尾教务系统，复用识图模型提供通用解析方案，彻底消除高昂的定制脚本开发成本。
• 翻译优化：构建翻译Agent，结合反思机制与模型蒸馏，大幅提升上下文理解能力与翻译准确性。

原则/方法论沉淀

在此次重构中，我们沉淀出以下核心原则：

1. 服务找人：基于人群理解重构信息架构，而非简单的功能堆砌。
2. 全局最优：动线驱动推荐优于各自为战的单模块推荐，打破数据孤岛。
3. AI思维重构：用大模型泛化与推理能力替代高成本、低灵活性的定制规则。
4. 数据与模型闭环：通过AB实验与人工评测反馈，持续优化提示词与知识库。

总结与行动建议

从通用大而全向细分人群定制化演进，从规则标签向大模型推理演进，从GUI向LUI（AI原生交互）演进，是C端产品增长的必然趋势。对于工程团队，建议采取以下行动：

1. 识别高成本链路：盘点产品中“人找服务”成本高的场景，尝试用大模型做供给裁剪与定制。
2. 评估规则替代ROI：审视现有依赖专家经验的规则标签体系，评估大模型推理替代的投入产出比。
3. 验证多模态收益：在复杂解析、翻译等长尾定制场景，优先验证多模态大模型端到端方案的收益。

开放问题与延伸方向

1. 大模型在线推理延迟如何满足首屏动线推荐的毫秒级要求？（关联：在线链路性能优化是落地关键）
2. 课表94%成功率是否存在长尾版式或低画质图片的数据盲区？（关联：需关注边缘Case的兜底策略）
3. 动线AI生成是否会削弱超级APP心智锚点引发用户排斥感？（关联：创新与用户习惯的平衡）
4. 大模型策略幻觉导致过度推荐高风险金融产品的合规拦截？（关联：金融场景必须设定工程硬边界）
5. 细分版本是否导致研发运营资源碎片化违背规模经济？（关联：需平台化中台能力支撑细分）
6. 动线全局最优在打破部门数据孤岛上的增量空间有多大？（关联：组织协同收益评估）
7. 能否引入实时负反馈做端侧小模型在线微调实现极速适配？（关联：个性化推荐的极致实时性探索）
8. LUI趋势下细分静态版本是否只是过渡态，未来走向千人千面实时渲染？（关联：架构终态推演）
9. 人工评测与AB数据结论相左时的决策优先级机制是什么？（关联：数据驱动与产品直觉的冲突处理）
10. 规则向大模型迁移的灰度切流止损标准如何制定？（关联：核心大盘稳定性保障）