一、背景随着生成式AI的快速发展，AI产品已经从单一的文本生成、图片生成、视频生成，逐步演化出一种全新的设计范式——AI-Native(原生AI)产品。 这类AI-Native产品的背后，并非依赖单一模型或在传统架构上附加智能模块，而是由一套更复杂、协同的体系构成：包括多个底层模型(负责不同模态和任务)、MCP(Model Control Platform)工具等外部能力接口(支持调用API、数据库与知识库)以及一整套工程化方法(提示设计、上下文编排、依赖管理、缓存与监控)共同组成。 通过大语言模型(LLM)、智能体(Agent)及多模态交互机制，实现了人机协作方式的重构，使得产品能够自主理解用户意图、动态生成内容与界面、并在交互中持续学习与优化。 二、VoxDeck介绍以我们的产品VoxDeck(官网：https://www.voxdeck.ai)为例，它就是一个典型的AI-Native产品。 VoxDeck允许用户通过自然语言描述或上传资料的方式直接与系统交互，快速生成风格统一、结构完整、可编辑的专业演示文稿。其用户界面围绕语义交互构建，而非传统的功能菜单操作；系统具备持续学习能力，能够根据用户反馈动态优化生成内容与风格，从而实现高效、智能的创作体验。 在这一过程中，VoxDeck不仅扮演了创作工具的角色，更像是一位能够理解团队意图的智能伙伴。然而，这种“直接生成内容”的模式虽然极大提升了生产效率与产品价值，也带来了新的挑战——AI生成往往伴随“幻觉”，生成结果在结构完整性、依赖管理及质量保障等方面可能存在不确定性，进而影响用户体验与信任度。这类问题往往难以通过传统测试手段完全覆盖，因此亟需构建面向AI生成的新型检测与质量保障体系，以确保生成内容的可靠性与可用性。 三、问题现状与示例以下是我们日常分析过程中遇到的一些典型案例。总体来看，AI生成的结果在风格统一性和内容完整性等方面都能满足预期，生成效果准确且稳定。 下面展示的是VoxDeck生成时的稳定结果示例： 不过，也有一部分情况下，AI会因为“幻觉”或逻辑偏差，生成结果出现结构缺失、依赖遗漏、样式错乱等问题，最终会影响演示文稿的可用性和呈现效果。 以下展示了VoxDeck在生成异常时的结果示例：
经过对这些异常生成结果的分析，我们汇总了一些AI自动生成代码中存在的明显问题，如： - 问题二：HTML代码重复、<thinking>等无关内容被写进代码
- 问题三：使用示例链接(example.com)、依赖第三方库(如使用了 ECharts 方法但未导入)
当然，除了上述截图展示的问题，实际出现的异常更多，如： 这些种种问题再一次表明，AI生成的代码并不完全可信，存在不稳定性和不可控性。 四、检测与保障方法根据对以上问题的分析，我们发现部分场景可通过约束输出或优化底层生成Prompt解决。另一些则需借助工程化手段去解决。但伴随着模型不断升级和切换，单纯靠人力肯定是无法覆盖更多的多场景与多模型行为结果的。 所以我们除了日常功能测试覆盖，也考虑通过对生成的样本方案进行问题回溯与抽样检测，并结合多维度异常分析与AI辅助质检，构建一套可量化、可回溯的AI-Native产品质量保障体系。 4.1 数据采样优先级在数据采集上，考虑到我们内部测试时产生的方案数量有限，所以为了尽可能发现问题，我们优先采集检测平台在真实使用场景下生成的、经过匿名化处理的方案样本，而非测试账号的测试产物或用固定Prompt去生成的方案。 采样频率结合发布时间点去采样，比如每周二全量发布完成之后间隔1-2小时执行采样，这样能更快的发现发布是否存在问题。 4.2 定义异常检测维度基于对历史问题的分析和AI生成代码的特性，我们定义了五个可工程化的核心检测维度： 维度一：HTML结构与内容完整性 维度二：资源引用与可用性 - 图片资源：逐一验证
<img>的src，检查状态码与文件大小； - CSS/JS链接：检查链接是否可访问，是否存在空文件；
维度三：文本语言一致性与可读性 维度四：内容加载完整性 维度五：品牌名合规 值得注意的是，每个维度都存在一些特殊逻辑。比如在检测文本语言一致性时，需要考虑品牌、人名、公司/组织对整体语言一致性的影响；在检测验证URL有效性时，我们也添加了URL白名单，剔除部分URL的检测；还有根据历史方案检测结果，在定义需要检查的HTML标签的同时，我们也定义了一些不应该出现的标签等。 4.3 AI 辅助质检以上的检测维度主要基于已知问题设计，且能通过工程化手段实现。但工程化手段只能覆盖部分已知的问题，并不能对所有场景做到全面覆盖。一方面，工程化更适合规则明确、可量化的问题；另一方面，面对复杂多样且难以预定义的问题，工程化往往力不从心。 因此，我们尝试引入AI质检，对生成结果进行分析和补充验证，以帮助发现更多潜在或未知的问题。在实际使用中，我们也依托质量效能部的工作流平台进行Prompt调优。对于那些修复成本高且投入产出比低的问题，我们优先通过优化质检Prompt来忽略问题，而无需重新部署或改动业务代码。该流程显著提升了AI质检的迭代速度与工程可操作性。 以下是我们当前使用的质检Prompt示例部分信息： 4.4 指标体系与运行结果为了更准确地确认每次执行结果是否存在问题，我们定义了以下异常指标： 为了方便对异常问题的跟进与分析，我们也构建了一个前端可视化页面，将每次检测任务的汇总数据与匿名化样本执行结果进行结构化呈现，且单独标记每次执行结果存在异常的部分并推送，帮助快速判断问题、分析问题。 以下为单次执行时，对所有执行结果的汇总示例： 以下为单次执行时，对单个样本方案执行结果示例： 需要注意的是，单纯的数据指标只能反映“存在问题”，并不能解释“为什么有问题”。因为AI也在不断变化，所以就算区分了场景了，也不代表覆盖全面。 因此，在发现数据异常后，持续分析样本方案并进行系统性总结，才是推动质量改进的关键。而且，许多问题并非一经发现就能立即解决。我们需要持续观察异常数据的趋势；若趋势平稳，则可暂缓解决；反之，则需人工介入进行干预。 五、检测后的结果与价值5.1 效率提升- 回归覆盖率提升：目前单次任务可抽检30%以上样本方案数据(人工每次最多抽检几个方案，较之前效率提升超过100%)显著减少漏测与盲区；
- 提前发现问题：高风险问题(结构缺陷、资源缺失等)的发现时间由等待用户反馈或内部发现的T+N天 → T+0天，实现上线即拦截。
5.2 质量提升 5.3 业务价值延伸 六、总结与未来展望当前，我们已构建了一套VoxDeck产品质量保障体系的初步框架。然而，作为一个处于建设初期的体系，它在覆盖范围、运行环境和分类粒度都有一定局限。此外，AI质检本身也存在误差，难以完全替代人工与工程化手段，我们也需要投入大量的时间去分析总结。 6.1 挑战与局限当前主要的一些挑战有： 覆盖率不足：受限于样本方案数量庞大，且使用AI检测时存在成本考量，目前主要还是依赖抽样检测，暂无法实现全量覆盖。 场景粒度有限：现有检测维度仍较为粗略，随着产品功能扩展与迭代，亟需更精细化的分类与量化。 AI质检误差：AI天生存在“幻觉”，导致质检环节可能产生误报。 难以彻底修复的问题：部分生成缺陷难以完全修复，只能暂时搁置，可能导致渲染结果存在不完整性或不一致性。
6.2 未来方向针对上述挑战，我们计划沿以下路径进行持续迭代，以构建一个更强大、智能的质量保障体系： 数据监测升级：在日维度基础上，补充月度/季度级别的数据统计与趋势分析，以便持续追踪和防止部分问题长期被忽略。 场景检测细化：进一步区分不同生成来源与模式，如PDF 上传生成、图片上传生成等，并针对底层不同模型输出，建立差异化的检测规则。 多模型验证探索：在成本可控的前提下，逐步尝试引入多模型交叉验证，降低误报率。
| 
