鼠仓 MouseKeeper
实验小鼠管理工作站
把"纸质笼卡 + Excel"的混乱实验室,变成 10 秒定位任意一只鼠 的数字化工作站。从 PRD 到高保真原型,我独立完成了完整闭环。
这是我独立主导的产品案例:面向单 PI 课题组的实验小鼠管理工作站。实验室的真实痛点不是"缺一个系统",而是 现场操作被流程阻塞 —— 研究生戴着手套在动物房里,没时间打开 Excel 找笼号;伦理年审时要花数天反推实际用鼠数量。
我在 无法收集用户数据、无法搭建服务器 两个硬约束下,做了四个关键决策:用纯前端 + 分享码快照替代后端同步、用全量留痕替代权限管控、用事实登记与归因分离平衡现场效率与数据准确、用状态机驱动保证全链路一致性。最终交付了 PRD v0.4 + 10 个 FR 模块 100% 落地的高保真原型,所有指标可现场演示自证,不依赖任何用户反馈类软数据。
背景与痛点
为什么值得做 · 真实场景的观察,不是想象出来的需求
小型实验室的小鼠管理普遍依赖纸质笼卡 + Excel:研究生换笼时手抄笼号,繁育对的合笼、断乳日期记在个人备忘录里,基因型鉴定结果以文件名混乱的 PDF 散落在群里。
目标与约束
聚焦可观察的硬指标,而不是"提升效率"这种虚话
产品目标(可观察表述)
任意一只在养小鼠,10 秒内可从笼位图或扫码定位到其档案、谱系和所属实验计划
每一窝仔鼠在断乳日龄到达前自动生成提醒,不出现"靠人脑记"的环节
任意时间点,系统可按伦理编号导出实际用鼠数量与死亡记录,无需人工对账
换笼、死亡登记等现场操作可在手机浏览器扫码完成,尸体不因流程等待而滞留笼内
硬约束(产品架构必须适配的前提)
无法收集用户数据 —— 实验室合规与数据敏感性
无法搭建服务器 —— 零预算、零运维人力
单实例部署、单实验室租户 —— 不做多机构权限
Web 优先 —— 不开发原生 App,扫码依赖手机浏览器
四个关键决策
每一个决策都对应一种可迁移到 AI 产品的核心能力
纯前端 + 分享码快照同步
问题:没有服务器,多设备数据怎么同步?不能用账号体系,数据怎么备份?
- 单文件 HTML 即完整应用 —— 整个产品是一个 .html 文件,双击即开,任何浏览器都能跑
- 数据只存在用户浏览器 —— localStorage 持久化,零数据外发,天然满足合规
- 分享码快照实现多设备同步 —— 一键导出全量数据为一段码,另一台设备粘贴即恢复,无需任何后端
- 版本化数据校验 —— 分享码带数据版本号,高版本码直接拦截,避免旧原型读新数据导致损坏
这就是 AI 产品里 "本地优先 / BYOK / 隐私优先" 的同构思维 —— 把资源限制重构为架构决策,反而成为差异化卖点。当所有人都在卷云端 SaaS 时,零部署、零数据收集反而成了最硬的信任状。
无权限限制 + 全量操作留痕
反共识判断:小课题组全员互信场景下,权限管控的维护成本高于其风险收益。
- 所有成员可执行全部操作 —— 建档、换笼、繁育、送检、终态登记、撤销,零权限阻塞
- 补偿控制:全量操作留痕 —— 任何操作可追溯到具体的人与时间,足以支撑内部问责与伦理审计
- 角色仅作身份标识 —— 用于时间线留痕与待办路由(死亡归因确认通知分配人),不用于授权
这是 AI 产品里 "信任设计" 的核心 —— 不是用权限堵住所有路径,而是用可追溯性让用户敢用。AI 输出同样如此:不可能拦住所有错误,但可以让每一次生成、每一次人工修改都留痕可审。
事实登记与数据归因分离
场景:巡查时发现一只死鼠,尸体不能等流程;但这只鼠属于哪个实验计划、死因是什么,现场人不一定知道。
- 快速登记即时生效(事实层) —— 任何人在现场 30 秒内完成登记,尸体可立即处理
- 归因 48 小时闭环(归因层) —— 死因与所属计划由分配人 48h 内确认,确认前不参与统计
- 确认后自动回写 —— 归因确认后,伦理用量、死因统计、待办全部自动联动,无需人工对账
- 误判可撤回 —— 当日可撤销,全链路状态回滚(鼠状态、笼位、统计、伦理用量、待办、日志)
这就是 AI 产品里 "事实 vs 生成"的信任分级 —— AI 输出可以先展示(事实层),但进入核心数据前必须有人确认(归因层)。幻觉防控不是靠模型更准确,而是靠产品分层。
状态机驱动 + 幂等性
问题:小鼠从入笼到终态,涉及笼位、谱系、实验计划、伦理用量、统计、待办、日志 7 个下游。任何一处不一致,整个系统的数据可信度就崩了。
- 状态机:在养 → 已用于实验 / 自然死亡 / 淘汰(三态并列终态,原则上不可回退)
- 当日撤销例外:仅两类场景允许回退,且必须留痕,杜绝"悄悄改数据"
- 全链路联动:死亡登记 → 笼位自动清空 → 统计实时更新 → 伦理用量回写 → 待办自动闭环 → 操作日志留痕
- 幂等性:同一操作重复提交不产生副作用,断网重试不会双倍扣减伦理用量
AI 产品最容易被忽视的就是 "状态一致性" —— 用户撤销一次生成、修改一次输入、切换一次模型,所有下游数据都要正确联动。这是工程能力,更是产品对用户的承诺:系统不会在你看不见的地方悄悄出错。
效果与硬指标
不依赖用户反馈类软数据,所有指标可现场演示自证
| 维度 | 指标 | 自证方式 |
|---|---|---|
| 需求覆盖 | PRD v0.4 · 10 个 FR 模块 100% 落地 | 打开原型逐模块点验,每个 FR 对应一个可交互页面 |
| 状态一致性 | 死亡登记触发 6 个下游联动,无遗漏 | 现场登记一只死鼠,观察笼位、统计、伦理用量、待办、日志同步变化 |
| 部署成本 | 单文件 HTML · 零依赖 · 零运维 | 双击文件即可在任何浏览器打开,无需 npm / 后端 / 数据库 |
| 数据可迁移 | 分享码快照实现 多设备同步 | 现场导出分享码,在另一窗口粘贴导入,数据完整恢复 |
| 操作可追溯 | 全量操作日志 + 每只鼠的完整档案时间线 | 任意鼠档案可查看从建档到终态的每一次操作 |
| 合规支撑 | 按伦理编号 一键导出 实际用鼠数量与死亡记录 | 现场演示伦理年审的数据导出流程,无需人工对账 |
AI 岗位契合点
这个案例证明的不是"我会调 AI API",而是 AI 产品岗位最稀缺的三种能力
在约束下做架构权衡
没有服务器、不能收集数据,依然做出完整产品。AI 产品同样如此 —— 算力成本、数据合规、模型能力边界,都是约束。能在约束里找到产品形态,比会堆功能重要得多。
把技术指标转译成产品价值
"状态一致性"对用户来说就是"敢用、不慌";"幂等性"对用户来说就是"断网重试不会出事"。AI 产品的技术指标(token 成本、幻觉率、延迟)同样需要被转译成用户能感知的价值。
用可自证数据说话
不依赖用户反馈、评分、留存这些软数据,所有指标可现场复现。AI 产品的效果同样需要这样的硬证据 —— 账单前后对比、固定任务集的准确率、可复现的延迟测试。
演示入口
所有产出物可现场打开,无需准备环境