第4章 用户场景描述模板：角色·触发·期望·异常

用户场景描述是AI产品需求工程的最小可交付单元。一个规范的场景描述必须包含角色、触发条件、期望结果、异常路径四个要素。四要素不完整，RICE模型的权重评估就失去了可信的输入基底。本章逐一拆解每个要素的撰写规范，并展示如何将四要素输出为RICE可直接消费的结构化字段。

4.1 四要素总览

4.2 角色（Role）——谁在触发AI

角色描述必须区分人类角色与系统角色。AI产品中，触发者不一定是终端用户，也可能是上游微服务、定时器、数据变更事件。

• 人类角色： 标注“用户身份 + 使用意图”，例如“质检员在产线末端扫码触发AI缺陷检测”。
• 系统角色： 标注“系统名称 + 事件类型”，例如“订单系统在支付成功事件后触发AI推荐”。
• 反例： “用户上传图片” → 未说明用户身份，Reach无法估算。
• 正例： “门店收银员在结账时拍摄商品小票触发OCR识别”。

4.3 触发条件（Trigger）——什么时候启动AI

触发条件定义了AI推理的时间窗口和数据前提。两个维度缺一不可：

触发条件结构化示例（JSON格式）：
{
  "trigger_type": "event",
  "source": "pos_system",
  "event": "payment_completed",
  "latency_sla_ms": 1000,
  "data_precondition": {
    "image_count": 1,
    "min_resolution": "1280x720"
  }
}

4.4 期望结果（Expected Outcome）——AI输出什么

期望结果必须同时描述输出内容和质量指标。只写“给出推荐结果”是不够的。

• 输出内容： 结构化字段、置信度阈值、输出格式。
• 质量指标： 准确率、召回率、F1-score、延迟P99、兜底策略。

期望结果结构化示例（YAML格式）：
expected_outcome:
  output_schema:
    - field: defect_type
      type: string
      enum: ["scratch", "dent", "crack", "normal"]
    - field: confidence
      type: float
      min: 0.0
      max: 1.0
  quality_gates:
    accuracy: 0.95
    recall: 0.90
    p99_latency_ms: 800
  fallback: "置信度低于0.6时转人工复检"

4.5 异常路径（Exception Path）——边界与失败处理

异常路径是四要素中最容易被忽略、却对Confidence影响最大的要素。AI产品必然遇到分布外输入、模型拒答、超时、数据格式错误等情况。

异常路径应覆盖以下三类：

1. 输入异常： 图片模糊、文本乱码、字段缺失。
2. 模型异常： 置信度低于阈值、模型OOM、推理超时。
3. 输出异常： 生成内容不合规、结果与业务规则冲突。

异常路径结构化示例（TOML格式）：
[exception_paths]
input_blurred = { action = "返回重拍提示", retry_limit = 3 }
model_timeout = { action = "降级到规则引擎", notify = true }
low_confidence = { action = "转人工审核", threshold = 0.6 }
output_conflict = { action = "拒绝并记录日志", severity = "warning" }

4.6 四要素 → RICE 映射关系

下方SVG展示了四要素如何分别影响RICE的四个因子。箭头方向表示“输入 → 影响权重”。

4.7 用户访谈脚本模板（四要素版）

访谈时直接按四要素结构提问，避免收集到散装信息后重新整理。以下为标准化访谈脚本：

访谈问题模板（面向业务方）：
1. 角色：谁会在什么身份下使用这个AI能力？是终端用户还是上游系统？
2. 触发条件：在什么时间、什么事件之后AI需要开始工作？有没有延迟要求？
3. 期望结果：你希望AI输出什么？准确率、召回率要达到多少？输出格式有要求吗？
4. 异常路径：如果输入数据有问题、AI无法回答、或者结果明显错误，应该怎么处理？
5. 频率估算：这个场景每天/每周会发生多少次？峰值是多少？
6. 业务价值：如果这个AI能力上线，能给业务带来什么可量化的改善？

4.8 需求拆解操作步骤

从访谈记录到RICE可消费的结构化需求，需要经过三步拆解：

1. 要素提取： 从访谈录音/纪要中划出四要素对应的原始语句。
2. 结构化填充： 将原始语句填入四要素模板，补全缺失信息。
3. RICE映射： 将四要素内容转化为Reach、Impact、Confidence、Effort的评分依据。

4.9 方案表达模板

将四要素卡片转化为产品需求文档（PRD）中的“用户场景”章节时，使用以下统一模板：

# 用户场景：{场景名称}

## 角色
{身份描述} 在 {动作/时机} 时触发。

## 触发条件
- 事件：{具体事件}
- 数据前提：{必备数据条件}
- 延迟SLA：{最大容忍延迟}

## 期望结果
- 输出内容：{结构化输出定义}
- 质量指标：{准确率/召回率/P99等}
- 兜底策略：{不达标时的处理方式}

## 异常路径
| 异常类型 | 处理方式 | 通知机制 |
|----------|----------|----------|
| {输入异常} | {降级/重试/人工} | {是否告警} |
| {模型异常} | {降级/重试/人工} | {是否告警} |
| {输出异常} | {降级/重试/人工} | {是否告警} |

4.10 验收标准（Acceptance Criteria）

四要素中的期望结果和异常路径直接转化为验收标准。每条验收标准必须对应一个可执行的测试用例。

4.11 交付物模板：四要素场景卡

每个用户场景交付一张独立的四要素场景卡，作为RICE评分的输入附件。场景卡使用统一格式，方便批量评审和横向对比。

四要素场景卡 V2.0

场景编号：SC-0042
场景名称：门店收银小票OCR识别
需求提出方：零售事业部

【角色】
门店收银员在结账时拍摄小票触发OCR识别，系统自动读取金额和商品明细。

【触发条件】
- 事件：收银员点击“拍照识别”按钮
- 数据前提：图片包含完整小票，分辨率 ≥ 720p
- 延迟SLA：从拍照到返回结果 ≤ 2秒

【期望结果】
- 输出：结构化JSON（金额、商品列表、交易时间）
- 准确率 ≥ 97%，召回率 ≥ 95%
- 置信度 ≥ 0.7 时自动提交，否则转人工核对

【异常路径】
| 异常类型 | 处理方式 | 通知 |
|----------|----------|------|
| 图片模糊 | 返回“请重新拍摄”提示 | 无 |
| 置信度<0.7 | 转人工核对 | 通知收银组长 |
| 识别超时 | 返回“系统繁忙”并记录日志 | 通知IT |
| 小票内容不完整 | 返回“请拍摄完整小票” | 无 |

【RICE预评估】
- Reach：日均1200单，覆盖全部线下门店
- Impact：每单节省15秒收银时间，日均节省5小时
- Confidence：准确率指标已有POC验证，置信度高（9分）
- Effort：OCR模型微调 + 异常处理流程，预估3人周

【评审结论】
□ 通过  □ 需补充  □ 驳回
备注：______________________