完成 20 道题后，用户会获得六维倾向评分，匹配一个与自己特征相近的 AI 人格，并收到一份结合当前状态生成的个性化解读。
这不是一项心理测评，也不试图给人下定义。它更像一面轻量的镜子：通过一次答题、匹配和结果阅读，让人重新留意自己的选择偏好与情绪状态。
我为什么做这个产品
很多人格测试最吸引人的部分，并不是分数本身，而是用户看到结果时产生的那一刻共鸣。
我想尝试把这种体验做得更完整一些：用户不仅能看到几项抽象分数，还能获得一个更具形象感的人格匹配，以及一段与结果相呼应的个性化表达。
但在制作过程中，我也逐渐明确了产品边界。
AIsoul 不应被包装成心理诊断工具，也不应通过复杂概念制造权威感。它的目标只是提供一次轻量、有趣、具有情绪价值的自我观察体验。
因此，产品最终被收敛为一条非常清晰的路径：
进入测试 → 完成 20 道题 → 查看六维倾向 → 获得人格匹配 → 阅读个性化解读
入口页：访问者输入统一体验码后，可以开始 20 道题的完整测试流程。
一次完整体验是如何形成的
用户输入统一体验码后，可以进入 20 道题的完整测试。
答题页面持续显示当前题号和完成进度，每一道题提供四个明确选项，尽量减少理解成本，让用户保持连续作答。
答题页：通过明确的题号、进度和选项反馈维持连续体验。
完成答题后，系统会根据答案计算六个维度的原始分数和展示分数，再依据既定规则匹配七种 AI 人格中的一种。
结果页最终呈现三类内容：
- AI 人格匹配与匹配度；
- 根据六维倾向生成的个性化解读；
- 六维评分图谱与具体倾向说明。
统一体验码只是个人作品展示的入口控制，不承担付费、会员或正式账号系统的功能。
结果页：组合人格匹配、经过校验的生成式解读与六维评分，形成完整反馈。
我在产品中做出的几个关键判断
1. AI 不负责决定用户是谁
六维评分和人格匹配全部由本地确定性规则完成，大模型不会直接读取答案后判断用户属于哪种人格。
这意味着，相同答案会稳定得到相同结果，产品的核心判断不会随着模型输出而发生变化。
生成式 AI 只负责结果表达：它根据已经计算好的六维倾向和人格画像，组织一段更自然、更有针对性的解读。
模型是表达层，不是判定层。
这是整个产品最重要的设计原则之一。
2. 生成失败不能破坏完整体验
调用模型并不意味着产品必须依赖模型才能运行。
每一种人格都准备了独立的本地结果。当模型请求超时、接口报错或返回内容不符合要求时，系统会自动切换到对应的本地版本。
用户仍然可以正常完成测试并看到完整结果，而不是在最后一步面对一个错误页面。
这种设计看起来并不显眼，但它决定了产品究竟是一个只能演示的原型，还是一条可以稳定跑完的用户流程。
3. 删除不服务核心体验的功能
项目早期曾经包含支付、周通行码、小红书运营入口和更复杂的用户系统。
继续增加这些模块，会让项目看起来更庞大，但不会让核心体验变得更好，反而会分散开发和维护精力。
因此，我主动删除了这些功能，把产品重新收敛到三件事：
答题是否顺畅、匹配是否清晰、结果是否值得读完。
这次删减也让我更加明确：个人项目的价值不在于功能数量，而在于是否围绕一个明确目标形成了完整闭环。
生成式内容如何接入产品
结果页的个性化解读通过 DeepSeek API 生成。
服务器发送给模型的内容只包括生成结果所必需的六维特征和匹配人格画像，不包含用户的 20 道逐题答案。
模型需要按照约定结构返回结果。后端会检查字段是否完整、数据类型是否正确以及内容长度是否合理，结果页只展示经过校验的内容。
真实 API Key 仅保存在服务器环境变量中，不会进入浏览器，也不会提交到公开代码仓库。
在这个项目中，接入模型并不只是完成一次 API 请求，还包括：
- 明确模型需要和不需要接收的信息；
- 约束返回内容的结构；
- 处理超时、错误和无效输出；
- 准备不依赖模型的备用结果；
- 避免密钥和敏感配置暴露。
这些工作共同保证了生成式能力能够被稳定地放进产品流程，而不是成为一个不受控制的随机环节。
我如何观察产品是否正常运行
产品上线后，我搭建了一套匿名数据记录和统计页面，用来判断流程是否稳定，以及后续应该优化什么。
系统记录的信息包括：
- 测试时间和题目版本；
- 用户在 20 道题中的选项；
- 六维原始分和展示分；
- 最终匹配人格；
- 模型生成成功或使用备用结果的状态；
- 请求耗时和错误类型。
统计页面可以查看测试完成数量、七种人格的分布、六维平均倾向、模型生成成功率、备用结果使用比例和单次匿名结果。
系统不保存姓名、手机号、账号或 IP 地址，记录会在 180 天后自动删除。
作品页中的后台截图使用的是演示数据，只用于展示统计和异常处理能力，不代表真实用户规模。
后台统计概览（演示数据）：用于说明趋势、人格分布和六维统计能力，不代表真实用户规模。
DeepSeek 运行统计（演示数据）：展示生成状态、响应耗时和匿名记录列表，不包含用户身份或逐题答案。
我具体完成了什么
在这个项目中，我负责的不只是某一个页面或某一次模型接入，而是从产品收敛到公开上线的完整过程。
我的主要工作包括：
- 重新明确产品定位和非心理诊断边界；
- 设计体验码、答题、评分、匹配和结果展示流程；
- 维护六维评分规则并整理人格匹配逻辑；
- 接入 DeepSeek，并设计结构化输出和备用结果机制；
- 设计匿名数据结构和统计后台；
- 将 API Key、后台密码和 Session 密钥迁移到服务器环境变量；
- 增加输入校验、安全响应头和自动化测试；
- 整理 GitHub 仓库和项目目录；
- 完成 Gunicorn、systemd、Nginx 与 HTTPS 部署；
- 清理旧版本、旧服务和不再符合定位的功能。
这个过程让我真正经历了一次个人产品从想法发散、功能堆叠，到重新收敛、稳定运行的完整周期。
当前成果
目前，AIsoul 已经完成并公开上线：
- 用户可以从入口连续完成全部 20 道题；
- 系统可以稳定计算六维倾向并完成 AI 人格匹配；
- 个性化解读已接入真实模型；
- 模型请求失败时不会中断用户体验；
- 匿名数据记录和统计后台已经运行；
- 项目具备自动化测试、GitHub 版本管理和服务器部署流程。
项目线上地址为：
soul.nihaofengzi.top
局限与下一步
AIsoul 目前仍处于上线初期，现有样本量还不足以支持对题目权重和人格分布进行可靠调整。
题目、六维结构和人格画像都属于娱乐性产品设计，不具备专业心理测量效度。这一边界不会因为数据量增加或使用生成式 AI 而改变。
接下来，我会优先观察：
- 七种人格的分布是否出现明显偏斜；
- 部分题目是否对结果产生过强影响；
- 用户是否能够理解六维评分；
- 结果页哪些内容真正值得阅读；
- 模型成功率和响应时间是否稳定；
- 个性化表达是否存在重复、空泛或过度解读。
后续优化不会继续增加大量功能，而是围绕答题节奏、结果表达和整体体验进行精简。
对这个项目而言，下一阶段最重要的不是让它变得更复杂，而是让每一个已经存在的环节更准确、更稳定，也更值得用户完成。