“套壳”的四重进阶：

一阶：直接引用OpenAI接口，ChatGPT回答什么，套壳产品回答什么。卷UI、形态、成本。

二阶：构建Prompt。大模型可以类比为研发，Prompt可以类比为需求文档，需求文档越清晰，研发实现得越精准。套壳产品可以积累自己的优质Prompt，卷Prompt质量高，卷Prompt分发。

三阶：Embedding特定数据集。把特定数据集进行向量化，在部分场景构建自己的向量数据库，以达到可以回答ChatGPT回答不出来的问题。比如垂直领域、私人数据等。Embedding可以将段落文本编码成固定维度的向量，从而便于进行语义相似度的比较，相较于Prompt可以进行更精准的检索从而获得更专业的回答。

四阶：微调Fine-Tuning。使用优质的问答数据进行二次训练，让模型更匹配对特定任务的理解。相较于Embedding和Prompt两者需要消耗大量的Token，微调是训练大模型本身，消耗的token更少，响应速度也更快。

如果把模仿Llama2架构做预训练也算进去，可以看作第五阶。这五重进阶，基本囊括了大模型“套壳”的每一个场景。

尽管都是“套壳”，但“套壳”的程度不同，现在也有很多“套壳”的产品因为精巧的设计和良好的定价策略生存了下来，甚至活得不错。