一、为什么 AI 产品需要重新设计信息架构？
在传统软件产品中，信息架构（IA）的核心是将功能按用户认知逻辑组织，比如电商 APP 的'商品 - 购物车 - 结算'流程，本质是对'人找货'逻辑的数字化映射。但 AI 产品的核心逻辑是**'货（服务）找人'**：用户的需求不再是明确的功能调用，而是模糊的任务目标（比如'帮我优化一份市场报告'）。
这种差异直接导致了两个核心痛点：
- 传统的菜单式导航无法适配 AI 产品的开放式交互
- 用户对 AI 能力的认知不清晰，容易产生'不会用'或'用不好'的挫败感
- AI 的输出结果不可控，需要在架构层设计'修正 - 反馈'闭环
核心结论：AI 产品的信息架构不是'功能的容器'，而是'用户需求与 AI 能力的连接器'。
二、AI 产品信息架构的 3 层核心模型
我将 AI 产品的信息架构拆解为 3 个递进的层次，从底层支撑到上层交互形成完整闭环：
1. 能力层：AI 能力的结构化封装
这是 AI 产品的底层骨架，核心是将零散的 AI 能力（如文本生成、图像识别、数据分析等）封装为可复用的原子服务，并定义清晰的输入输出规范。
关键设计原则：
- 每个原子服务只聚焦单一能力（比如'文本摘要'不掺杂'关键词提取'）
- 输入输出采用标准化格式（如 JSON 结构），便于跨服务调用
- 为每个服务定义明确的能力边界（比如'文本生成'最大支持 1000 字输入）
示例：AI 能力服务定义
{
"service_id": "text_summarization_v1",
"name": "文本摘要服务",
"description": "对长文本进行提炼总结，生成简洁摘要",
"input_schema": {
"text": "string // 待处理文本，最大 10000 字符",
"max_length": "integer // 摘要最大长度，默认 200 字符"
},
"output_schema": {
"summary": "string // 生成的摘要文本"
