即刻App年轻人的同好社区
下载
置顶整理一下自己AI写过的各种内容，包含AI精选知识库、AI文章、AI思考、AI产品体验四个维度，这条动态长期更新🌟，如果大家觉得不错，可以收藏一下呀~
欢迎大家加我微信交流呀，AI时代期待与诸位一起同行~
1.🧰 AI精选知识库
用了几百款AI工具之后，精选了100个AI工具做了一个AI精选知识库，方便大家发掘好用的AI工具。
逛一逛知识库：t16jzwqrzjx.feishu.cn
精选的初衷及产品定义的思考：web.okjike.com
2.📝AI文章：关于AI的一些深度思考
用户视角看AI丨教了3000小白AI提效后，聊聊小白用户在AI上的2大卡点：mp.weixin.qq.com
智谱Z沙龙活动后，对AI工具应用和商业化的3点思考总结：mp.weixin.qq.com
AI万字长文丨发展迅速而又缓慢的AI时代：mp.weixin.qq.com
Sora深度解析：OpenAI的文生视频革命：mp.weixin.qq.com
3.🤔AI思考：日常AI工作和学习中的总结
- 提示词prompt内容汇总：
A.提示词工程三个阶段：个人应用——小团队提效——批量化应用web.okjike.com
B.prompt工作流实践总结：web.okjike.com
C.如何写好一个prompt：web.okjike.com
- 企业AI提效之路
A.给老板讲课AI后对于企业提效的思考：web.okjike.com
B.企业提效的两个层级：web.okjike.com
- AI产品经理工作
A.AI业务和之前业务时候对产品经理的能力项要求变化：web.okjike.com
- AI学习经验分享
A.最简单用好AI的办法：遇事不决，问问GPT：web.okjike.com
- 做业务的一些想法
A.可规模化拓展的PMF时刻：web.okjike.com
B.创业者不管是成功还是失败其实都没有开天眼：web.okjike.com
- 日常复盘
A.寻找个人长板：对业务本质的洞察能力：web.okjike.com
B.学了一年命理八字后的感悟：web.okjike.com
C.盈亏同源：web.okjike.com
4.🎮AI产品体验
25-Omost AI绘图产品：web.okjike.com
24-微信输入法AI能力：web.okjike.com
23-Luma AI视频生成软件：web.okjike.com
22-wegic AI+快速建站工具：web.okjike.com
21-GPTs：web.okjike.com
20-Fatetell AI+国学：web.okjike.com
19-海螺智能体：web.okjike.com
18-豆包智能体：web.okjike.com
17-智谱智能体：web.okjike.com
16-Remini 黏土AI：web.okjike.com
15-Remove.bg 图像处理：web.okjike.com
14-toolify AI工具站：web.okjike.com
13-豆包 LLM产品：web.okjike.com
12-海螺AI LLM产品：web.okjike.com
11-flowith 白板AI工具：web.okjike.com
10-通义听悟（音视频转译文本工具）：web.okjike.com
09-Devv AI程序员搜索：web.okjike.com
08-开源大模型Llama3：web.okjike.com
07-Way To AGI 知识库：web.okjike.com
06-kimi Copilot 网页总结助手：web.okjike.com
05-钉钉AI助理：web.okjike.com
04-Dify LLM应用开发平台：web.okjike.com
03-AI购物助手Lumona：web.okjike.com
02-阶跃星辰跃问产品体验：web.okjike.com
01-infospaceAI信息汇总产品：web.okjike.com
欢迎大家加我微信交流呀，AI时代期待与诸位一起同行~
1.🧰 AI精选知识库
用了几百款AI工具之后，精选了100个AI工具做了一个AI精选知识库，方便大家发掘好用的AI工具。
逛一逛知识库：t16jzwqrzjx.feishu.cn
精选的初衷及产品定义的思考：web.okjike.com
2.📝AI文章：关于AI的一些深度思考
用户视角看AI丨教了3000小白AI提效后，聊聊小白用户在AI上的2大卡点：mp.weixin.qq.com
智谱Z沙龙活动后，对AI工具应用和商业化的3点思考总结：mp.weixin.qq.com
AI万字长文丨发展迅速而又缓慢的AI时代：mp.weixin.qq.com
Sora深度解析：OpenAI的文生视频革命：mp.weixin.qq.com
3.🤔AI思考：日常AI工作和学习中的总结
- 提示词prompt内容汇总：
A.提示词工程三个阶段：个人应用——小团队提效——批量化应用web.okjike.com
B.prompt工作流实践总结：web.okjike.com
C.如何写好一个prompt：web.okjike.com
- 企业AI提效之路
A.给老板讲课AI后对于企业提效的思考：web.okjike.com
B.企业提效的两个层级：web.okjike.com
- AI产品经理工作
A.AI业务和之前业务时候对产品经理的能力项要求变化：web.okjike.com
- AI学习经验分享
A.最简单用好AI的办法：遇事不决，问问GPT：web.okjike.com
- 做业务的一些想法
A.可规模化拓展的PMF时刻：web.okjike.com
B.创业者不管是成功还是失败其实都没有开天眼：web.okjike.com
- 日常复盘
A.寻找个人长板：对业务本质的洞察能力：web.okjike.com
B.学了一年命理八字后的感悟：web.okjike.com
C.盈亏同源：web.okjike.com
4.🎮AI产品体验
25-Omost AI绘图产品：web.okjike.com
24-微信输入法AI能力：web.okjike.com
23-Luma AI视频生成软件：web.okjike.com
22-wegic AI+快速建站工具：web.okjike.com
21-GPTs：web.okjike.com
20-Fatetell AI+国学：web.okjike.com
19-海螺智能体：web.okjike.com
18-豆包智能体：web.okjike.com
17-智谱智能体：web.okjike.com
16-Remini 黏土AI：web.okjike.com
15-Remove.bg 图像处理：web.okjike.com
14-toolify AI工具站：web.okjike.com
13-豆包 LLM产品：web.okjike.com
12-海螺AI LLM产品：web.okjike.com
11-flowith 白板AI工具：web.okjike.com
10-通义听悟（音视频转译文本工具）：web.okjike.com
09-Devv AI程序员搜索：web.okjike.com
08-开源大模型Llama3：web.okjike.com
07-Way To AGI 知识库：web.okjike.com
06-kimi Copilot 网页总结助手：web.okjike.com
05-钉钉AI助理：web.okjike.com
04-Dify LLM应用开发平台：web.okjike.com
03-AI购物助手Lumona：web.okjike.com
02-阶跃星辰跃问产品体验：web.okjike.com
01-infospaceAI信息汇总产品：web.okjike.com
39 123
今天花了两个小时带着Claude把deepseek的API文档过了一遍，然后找算法聊了聊function call和API的区别，勉强算是对如何通过API调用deepseek的模型有了更多的理解。
这块我之前一直是让AI去搞定，我自己只提需求就行了，但写了一些脚本之后我去整体看LLM调用的时候，我发现我其实缺乏一个框架型的认知，我不知道LLM支持几种模式的调用、我不知道有哪些参数可以调参达到效果（温度值还是知道的），看起来我能发起一个请求调用LLM完成对应的内容，但是没有那种得心应手的感觉。
后来我琢磨了一下为什么？原因还是在于我偷懒了，我没有自己去读去死磕API文档，了解每一个请求的构建到底该如何进行，我直接扔给了Cursor，所以60分水平的内容我还是能够做出来，但是再往上更加系统化的去控制和调配模型，我总感觉卡在哪里，但我也说不出来的这种感觉。
这个其实有点像AI时代下我们大规模借助AI的通病，比如说写代码也一样，我感觉我就是写个60分的水平，再复杂一点的系统，反正我感觉我设计不明白，这种设计不明白不是产品上我梳理不明白，而是说我真正在用AI写代码的时候我搞不明白。
但这块我没有选择去学习代码，它不是我的核心竞争力，我只需要拿cursor能够把简单的需求或者系统弄出来就行了，足够我去应用了，更复杂的内容有研发和算法团队来和我配合完成。
但LLM的API的调用则不一样，这个地方是必须要清晰的了解和深度测试的，总不能说如果有一个场景需要视觉模型，我当在去网上现搜市面上哪些模型能够支持视觉，这也干的太不称职了。
这其实就是我们和AI协作的一个边界点，有哪些内容是自己核心要去深度掌握的，哪怕没有AI自己也必须把这个事情干好的，这些要梳理出来，包括产品的洞察、文档能力、API文档的阅读能力，把他们搭建成一个网络地图，在这个地图上用自己的konwhow串成一条线，从而发挥更大的价值。
剩下的靠AI来解决的，比如说AI编程，那就增加自己和AI协作的熟练度，然后等待AI模型进步就好了，反而不需要去学基础知识，除非你就想成为这个赛道的专家。
这块我之前一直是让AI去搞定，我自己只提需求就行了，但写了一些脚本之后我去整体看LLM调用的时候，我发现我其实缺乏一个框架型的认知，我不知道LLM支持几种模式的调用、我不知道有哪些参数可以调参达到效果（温度值还是知道的），看起来我能发起一个请求调用LLM完成对应的内容，但是没有那种得心应手的感觉。
后来我琢磨了一下为什么？原因还是在于我偷懒了，我没有自己去读去死磕API文档，了解每一个请求的构建到底该如何进行，我直接扔给了Cursor，所以60分水平的内容我还是能够做出来，但是再往上更加系统化的去控制和调配模型，我总感觉卡在哪里，但我也说不出来的这种感觉。
这个其实有点像AI时代下我们大规模借助AI的通病，比如说写代码也一样，我感觉我就是写个60分的水平，再复杂一点的系统，反正我感觉我设计不明白，这种设计不明白不是产品上我梳理不明白，而是说我真正在用AI写代码的时候我搞不明白。
但这块我没有选择去学习代码，它不是我的核心竞争力，我只需要拿cursor能够把简单的需求或者系统弄出来就行了，足够我去应用了，更复杂的内容有研发和算法团队来和我配合完成。
但LLM的API的调用则不一样，这个地方是必须要清晰的了解和深度测试的，总不能说如果有一个场景需要视觉模型，我当在去网上现搜市面上哪些模型能够支持视觉，这也干的太不称职了。
这其实就是我们和AI协作的一个边界点，有哪些内容是自己核心要去深度掌握的，哪怕没有AI自己也必须把这个事情干好的，这些要梳理出来，包括产品的洞察、文档能力、API文档的阅读能力，把他们搭建成一个网络地图，在这个地图上用自己的konwhow串成一条线，从而发挥更大的价值。
剩下的靠AI来解决的，比如说AI编程，那就增加自己和AI协作的熟练度，然后等待AI模型进步就好了，反而不需要去学基础知识，除非你就想成为这个赛道的专家。
3 00
今天跑去智谱的AutoGLM活动逛了逛，听了一下他们研发负责人讲AutoGLM是如何做出来的，并且上手体验了一下安卓和mac版的AutoGLM。
感觉这个功能还是很有趣的，相当于一个RPA和LLM的结合体，能够在一定程度上完成自定义功能的事情，比如说通过大众点评搜火锅店、比如去小红书点赞、比如总结一篇微信公众号文章。
我自己的关注重心主要在两个维度上，一个是它的技术实现路径是什么样子的，另一个是它的应用场景更多放在哪些维度。
技术实现路径智谱的研发负责人整体的分享了一下，在我的理解中我觉得他们说最难的一个事情莫过于，缺乏很多人真实操作的数据。
举个例子：打开微信朋友圈给云舒最新发的朋友圈点赞。
那这个事情我们人做的话需要几步，打开微信——打开朋友圈——找到云舒发的朋友圈——点赞，看起来是一个非常简单的事情对吧，但模型其实不理解什么叫微信、什么叫朋友圈、什么叫云舒发的、什么叫点赞，在文字领域里或许它都理解，但是在视觉模型里它是一无所知。
所以要先人来造这些数据，告诉模型这个APP叫微信，这个位置叫朋友圈，然后让模型拥有一定的规划和执行能力，这样最终一个LLM就能够实现“打开微信朋友圈给云舒最新发的朋友圈点赞”这个事情了。
但市面上实际上是没有这些数据的，那他们要开始一个造数据的过程。
在很多垂类场景都是没有数据的，那如果想更深度的用好模型，标准的SOP整理和数据汇总，会成为一个企业拥抱AI的一个卡点，毕竟很多企业信息化都不具备，拥抱AI确实有点难。
第二个应用场景，这块我体验了一下，我觉得AutoGLM还是要分端侧来看它最终适合什么？
不同端侧模型的效果是截然不同的，比如说虽然它能够在安卓手机上尝试模拟人点美团外卖，但是它没有荣耀AI做到OS层的那种丝滑，OS层的模型对于各种APP的调用和一个APP模拟人的调用效果是截然不同的。
AutoGLM在安卓上打开大众点评找到五道口的火锅花了50秒，但如果是OS系统层恐怕只需要10秒钟就搞定了，这个跟LLM的智能没关系，单纯是OS层的便捷性。
大胆猜测在端侧（手机、IPAD），Auto这个事情最终还是由各个OS系统来做核心解决，但在win或者mac又或者各种其余的系统来看，有可能AutoGLM会有很好的发展，封装好固定的场景，每个场景独立拥有自己的agent，然后有一个大脑统一进行agents的调用。
大家感兴趣的也可以去体验一下AutoGLM，不过只限安卓；也可以去体验一下荣耀的手机AI，这两种基于LLM的技术都是很不错的场景，值得去体验了解一下。
感觉这个功能还是很有趣的，相当于一个RPA和LLM的结合体，能够在一定程度上完成自定义功能的事情，比如说通过大众点评搜火锅店、比如去小红书点赞、比如总结一篇微信公众号文章。
我自己的关注重心主要在两个维度上，一个是它的技术实现路径是什么样子的，另一个是它的应用场景更多放在哪些维度。
技术实现路径智谱的研发负责人整体的分享了一下，在我的理解中我觉得他们说最难的一个事情莫过于，缺乏很多人真实操作的数据。
举个例子：打开微信朋友圈给云舒最新发的朋友圈点赞。
那这个事情我们人做的话需要几步，打开微信——打开朋友圈——找到云舒发的朋友圈——点赞，看起来是一个非常简单的事情对吧，但模型其实不理解什么叫微信、什么叫朋友圈、什么叫云舒发的、什么叫点赞，在文字领域里或许它都理解，但是在视觉模型里它是一无所知。
所以要先人来造这些数据，告诉模型这个APP叫微信，这个位置叫朋友圈，然后让模型拥有一定的规划和执行能力，这样最终一个LLM就能够实现“打开微信朋友圈给云舒最新发的朋友圈点赞”这个事情了。
但市面上实际上是没有这些数据的，那他们要开始一个造数据的过程。
在很多垂类场景都是没有数据的，那如果想更深度的用好模型，标准的SOP整理和数据汇总，会成为一个企业拥抱AI的一个卡点，毕竟很多企业信息化都不具备，拥抱AI确实有点难。
第二个应用场景，这块我体验了一下，我觉得AutoGLM还是要分端侧来看它最终适合什么？
不同端侧模型的效果是截然不同的，比如说虽然它能够在安卓手机上尝试模拟人点美团外卖，但是它没有荣耀AI做到OS层的那种丝滑，OS层的模型对于各种APP的调用和一个APP模拟人的调用效果是截然不同的。
AutoGLM在安卓上打开大众点评找到五道口的火锅花了50秒，但如果是OS系统层恐怕只需要10秒钟就搞定了，这个跟LLM的智能没关系，单纯是OS层的便捷性。
大胆猜测在端侧（手机、IPAD），Auto这个事情最终还是由各个OS系统来做核心解决，但在win或者mac又或者各种其余的系统来看，有可能AutoGLM会有很好的发展，封装好固定的场景，每个场景独立拥有自己的agent，然后有一个大脑统一进行agents的调用。
大家感兴趣的也可以去体验一下AutoGLM，不过只限安卓；也可以去体验一下荣耀的手机AI，这两种基于LLM的技术都是很不错的场景，值得去体验了解一下。
6 00
拿Cursor上线了几个项目之后，我在研究用AI编程还能低成本的有哪些可以让我们日常工作更高效的事情，写程序这个事情吧确实解决了一些问题，但要每一个问题都肝两个礼拜到一个月去做个复杂的开发，还是比较痛苦的。
于是我开始尝试思考研究这个事情，AI编程其实就让AI给我们写代码嘛，理论上代码能够搞定的事情我都可以尝试用AI编程去搞定，那么最重要的我要去找到对我日常工作最便捷的那个语言。
我需要代码搞定的东西更多是在数据处理上，然后它能调大模型的API接口就行了，只要让我写个小的脚本能够做很多短平快的demo就很方便了。
于是我去看了看编程的语言，问了问AI，最后发现它叫python，就是我各种项目的后端代码。
于是我搞了一堆python的数据处理分析的脚本，发现带上python各种已有成型的组件库真的很好用，来跟大家分享一些我的一些用法供大家参考：
1.原始数据处理转义：很多时候，当我们要做数据分析了，原始数据它的结构不一定是能够支持你的诉求的。
比如说我们数据库里存储的对话是两个role角色关联的一句话，他们的结构就是这样的：{id，role1，role2，time，message}，我压根不知道谁跟谁能够成组；于是我让python给我弄了个脚本，根据role聚合一下，一个对话组就这样成型了。
它的结构就变成了这样：
{messageid，
{role：
message：
time：
}，
{role： message：
time：
}，
}
这样的数组结构清晰了很多，不管是我看还是我去给模型都很省事。
2.python写个和AI交互的脚本，可以调各家模型的API，然后在把返回的JSON结构进行解析，看看模型返回的输出值符不符合预期；这样在测量API维度的模型效果省事了很多，一次打很多条，提示词稳定性也就出来了。
3.python写个可视化的html页面：我今天跟我们技术唠嗑就提了这个事情，他一脸震惊我居然会干这个，我说我啥都不会全是AI干的，十分钟搞定；
我们处理好的数据和各种AI返回的值都是json数组结构，可读性还是差了一点；那怎么办呢？让python写个可读性好的htlm页面，然后把数据塞进去，一个可以在各个同事电脑上打开的静态页面就出来了，质感还不错，大家看数据效果很方便。
重要是真的很快很方便，只需要10分钟就能搞定。
4.一些基础算法的应用测试：python本身有很算法库，调用这些算法你能够完成一些聚类、近似值的调试，很多意图识别模块的测试可以直接自己搞了，可以用python做些demo。
5.数据分析：python能做数据分析我不是很震惊，这个效果做的还挺好的，然而它做完数据分析还能跟你画个图标写个文档就离谱了，安装自己的图标库，效果真是杠杠的没得说，它不仅算各种数据分析算的话，可视化还直接给你安排了，真的太方便了。
还有一些python别的功能我还在摸索：爬虫、AI、算法，感觉每天都是想办法用AI替自己多干一点活，hhh
低成本提效，用Cursor写python真的太强了，你不需要搞什么复杂的程序，一个脚本就能帮你搞定一个复杂的事情。
于是我开始尝试思考研究这个事情，AI编程其实就让AI给我们写代码嘛，理论上代码能够搞定的事情我都可以尝试用AI编程去搞定，那么最重要的我要去找到对我日常工作最便捷的那个语言。
我需要代码搞定的东西更多是在数据处理上，然后它能调大模型的API接口就行了，只要让我写个小的脚本能够做很多短平快的demo就很方便了。
于是我去看了看编程的语言，问了问AI，最后发现它叫python，就是我各种项目的后端代码。
于是我搞了一堆python的数据处理分析的脚本，发现带上python各种已有成型的组件库真的很好用，来跟大家分享一些我的一些用法供大家参考：
1.原始数据处理转义：很多时候，当我们要做数据分析了，原始数据它的结构不一定是能够支持你的诉求的。
比如说我们数据库里存储的对话是两个role角色关联的一句话，他们的结构就是这样的：{id，role1，role2，time，message}，我压根不知道谁跟谁能够成组；于是我让python给我弄了个脚本，根据role聚合一下，一个对话组就这样成型了。
它的结构就变成了这样：
{messageid，
{role：
message：
time：
}，
{role： message：
time：
}，
}
这样的数组结构清晰了很多，不管是我看还是我去给模型都很省事。
2.python写个和AI交互的脚本，可以调各家模型的API，然后在把返回的JSON结构进行解析，看看模型返回的输出值符不符合预期；这样在测量API维度的模型效果省事了很多，一次打很多条，提示词稳定性也就出来了。
3.python写个可视化的html页面：我今天跟我们技术唠嗑就提了这个事情，他一脸震惊我居然会干这个，我说我啥都不会全是AI干的，十分钟搞定；
我们处理好的数据和各种AI返回的值都是json数组结构，可读性还是差了一点；那怎么办呢？让python写个可读性好的htlm页面，然后把数据塞进去，一个可以在各个同事电脑上打开的静态页面就出来了，质感还不错，大家看数据效果很方便。
重要是真的很快很方便，只需要10分钟就能搞定。
4.一些基础算法的应用测试：python本身有很算法库，调用这些算法你能够完成一些聚类、近似值的调试，很多意图识别模块的测试可以直接自己搞了，可以用python做些demo。
5.数据分析：python能做数据分析我不是很震惊，这个效果做的还挺好的，然而它做完数据分析还能跟你画个图标写个文档就离谱了，安装自己的图标库，效果真是杠杠的没得说，它不仅算各种数据分析算的话，可视化还直接给你安排了，真的太方便了。
还有一些python别的功能我还在摸索：爬虫、AI、算法，感觉每天都是想办法用AI替自己多干一点活，hhh
低成本提效，用Cursor写python真的太强了，你不需要搞什么复杂的程序，一个脚本就能帮你搞定一个复杂的事情。
7 00
最近在给客服团队做AI自动化的方案，在这个过程中大家其实比较关心我们到底是用AI协作人还是取代人，毕竟一直说公司有想用AI来取代人的计划，把所有的事情都交给AI去做，整个客服系统再也不需要人了。
这个事情我们澄清了一下，AI还是用于协作人，只是部分高流量阈值且重复标准化的内容我们会用AI来做的多一点，人只需要监控就行了，不需要实际做那么多。
这里衍生出来了一个有意思的问题，我们到底用什么维度去判断AI在业务内是取代人还是和人协作？
这个事情我复盘琢磨了一件事情，我目前的思考答案是：业务最核心价值的内容AI永远是和人协作，业务边缘价值的内容想办法用AI取代人。
以我干的比较深度的教育和电商这两个业务来给大家举例子：
教育我们用成人教育来举例子，一家想活的健康的教育公司，业务最核心的点是：高销转、低退单。这里边没有复购，成人教育的复购相对来说还是比较难的，认可A课程并不代表他认可B课程并且继续付费。
所以依赖IP也好投放也好，最重要的就是做高ROI，降低退费率，这样整体的利润率就上来了。
那围绕这个链路来看，你的销转环节、课程服务环节必定是以人为主导的核心，AI最多起到辅助的价值，AI可以做24小时的辅导老师、AI可以去写各种学习报告，但最核心的价值是人和人的信任感建立，人与人的交互。
除此之外的各种环节，其他环节可以考虑用AI来解决，比如用户加老师之后那段标准的互动环节、正式课程结束后的长期辅导环节，这些可以用AI为主导的方案来实现，降低人力的成本。
接下来说电商赛道，这个赛道典型的是依赖复购的生意，业务最核心的点是高复购、低退货、高客单价，围绕这三个点就能够有不错的利润产出，那这三个点最后在落地上我们可以简化为两个事情：供应链、售后服务。
供应链是一切的基础，是你电商平台存在的核心依托；而售后服务影响更大的是复购，一个年购物10-20万的用户，买了一个100块钱的产品觉得质量不好要求退货，你该怎么办？
弄个AI机器人去节省人力成本吗？当然不是，你应该立即马上无条件的退款并且给它换一个新的，分人群的精细化售后运用策略，才是公司能够维持高复购的核心。
但凡你一次售后让老用户不满意，它离离开你这个平台也就不远了。
那除此之外的私域的文案、运营固定策略，售前的咨询，这些环节都是尽可能的用AI去替代人。
围绕这两个案例来看，这个核心的决策其实是你对于行业的knowhow（大家都用这个词我也用 hhh），核心决策对了做什么都会事半功倍，核心决策错了，一年过去竹篮打水一场空。
这个事情我们澄清了一下，AI还是用于协作人，只是部分高流量阈值且重复标准化的内容我们会用AI来做的多一点，人只需要监控就行了，不需要实际做那么多。
这里衍生出来了一个有意思的问题，我们到底用什么维度去判断AI在业务内是取代人还是和人协作？
这个事情我复盘琢磨了一件事情，我目前的思考答案是：业务最核心价值的内容AI永远是和人协作，业务边缘价值的内容想办法用AI取代人。
以我干的比较深度的教育和电商这两个业务来给大家举例子：
教育我们用成人教育来举例子，一家想活的健康的教育公司，业务最核心的点是：高销转、低退单。这里边没有复购，成人教育的复购相对来说还是比较难的，认可A课程并不代表他认可B课程并且继续付费。
所以依赖IP也好投放也好，最重要的就是做高ROI，降低退费率，这样整体的利润率就上来了。
那围绕这个链路来看，你的销转环节、课程服务环节必定是以人为主导的核心，AI最多起到辅助的价值，AI可以做24小时的辅导老师、AI可以去写各种学习报告，但最核心的价值是人和人的信任感建立，人与人的交互。
除此之外的各种环节，其他环节可以考虑用AI来解决，比如用户加老师之后那段标准的互动环节、正式课程结束后的长期辅导环节，这些可以用AI为主导的方案来实现，降低人力的成本。
接下来说电商赛道，这个赛道典型的是依赖复购的生意，业务最核心的点是高复购、低退货、高客单价，围绕这三个点就能够有不错的利润产出，那这三个点最后在落地上我们可以简化为两个事情：供应链、售后服务。
供应链是一切的基础，是你电商平台存在的核心依托；而售后服务影响更大的是复购，一个年购物10-20万的用户，买了一个100块钱的产品觉得质量不好要求退货，你该怎么办？
弄个AI机器人去节省人力成本吗？当然不是，你应该立即马上无条件的退款并且给它换一个新的，分人群的精细化售后运用策略，才是公司能够维持高复购的核心。
但凡你一次售后让老用户不满意，它离离开你这个平台也就不远了。
那除此之外的私域的文案、运营固定策略，售前的咨询，这些环节都是尽可能的用AI去替代人。
围绕这两个案例来看，这个核心的决策其实是你对于行业的knowhow（大家都用这个词我也用 hhh），核心决策对了做什么都会事半功倍，核心决策错了，一年过去竹篮打水一场空。
12 67
上周五研发看到一个智能体的内容甩给了我，他好奇我们规划什么时候开始做智能体的产品，之前我们很多项目都是用prompt来完成的，agent项目相对用的比较少。
从高大上来讲agent肯定是强于prompt的，但是从应用效果来看就不一定了，不同场景下的诉求选择不同的解决方案。
我们目前典型应用的解决方案其实是三种：
1.单prompt：依靠提示词来解决具体某个场景的问题，典型是知识库场景。
2.prompt工程：用于标准化内容的生成，AI和代码相互配合来完成高准确率的内容生成。
3.agent场景：客服拟人场景下在测试的内容，主要依赖搭建意图大脑和工具调用来完成作业。
这三种解决方案从技术实现路径上来讲，肯定是 agent场景 ＞ prompt工程 ＞ 单prompt，但在某一个场景下的作业效果，还是要看对应的场景复杂程度到底是什么。
复杂程度低的场景，用低成本的方案来解决；复杂程度高的场景，用高成本的方案解决。
做业务解决方案不是炫技，能用20个字prompt解决的，不要用100个字；能简单则简单，用最简单最高效的办法来解决问题。
我们刚开始做个一个场景是结合商品和客服的问题来生成对应的回答，这其实是一个知识库场景，这种场景下其实核心的要求是回复的准确度，即模型不能瞎编乱造，剩下的反而都不是那么重要的要求，比如说模型回答多少个字、模型回答的格式必须是什么样子的，这都是不重要的。
这块封一个prompt就好了。
在这个方案之后我们去做整体的私域营销内容的AI生成，我们刚开始觉得之前知识库的内容生成也没什么问题，效果还挺好的，那我们做私域营销内容的时候也这么写就好了，于是我们把整体的私域文案拆解完了，弄成了几个prompt来产出对应的效果，最后结果惨不忍睹。
第一期直接干到了50%以上的产出错误率，不管怎么调整，模型看起来在小批量测试的时候表现都很好，千次测试的时候直接崩盘，各种乱七八糟的bug层出不行。
这个时候我们开始把AI生成内容做成整体内容生成的一个环节，把所有模块都拆散掉，我举个例子：这个奶油慕斯蛋糕限时特惠100元，纯动物奶油、低糖零添加。
我们需要把这个文案拆成：这个{name}限时特惠{price}元，{point1}、{point2}。
这些参数该由模型生成的继续模型生成，该约束字数做质检的继续约束，剩下的全部由代码逻辑控制，这样优化后我们的私域营销内容基本上准确率能够在99%以上了，再也没有各种乱七八糟的bug。
agent场景是因为我们发现如果想让模型拟人，那prompt工程这套逻辑也不行了，我们不需要让这个工具具备足够复杂的意图识别能力，同时要具备工具调用、流程调用等多种能力，模型构建的意图识别变成了工具的大脑，基于大脑来进行各种流程的叠加，最终实现在售前的环节拟人化。
不同的场景有其对应最好的解决方案，纯写prompt不代表有问题，纯做agent也不代表高大上，解决对应的业务问题，用最低的成本解决，才是更应该关注的事情。
从高大上来讲agent肯定是强于prompt的，但是从应用效果来看就不一定了，不同场景下的诉求选择不同的解决方案。
我们目前典型应用的解决方案其实是三种：
1.单prompt：依靠提示词来解决具体某个场景的问题，典型是知识库场景。
2.prompt工程：用于标准化内容的生成，AI和代码相互配合来完成高准确率的内容生成。
3.agent场景：客服拟人场景下在测试的内容，主要依赖搭建意图大脑和工具调用来完成作业。
这三种解决方案从技术实现路径上来讲，肯定是 agent场景 ＞ prompt工程 ＞ 单prompt，但在某一个场景下的作业效果，还是要看对应的场景复杂程度到底是什么。
复杂程度低的场景，用低成本的方案来解决；复杂程度高的场景，用高成本的方案解决。
做业务解决方案不是炫技，能用20个字prompt解决的，不要用100个字；能简单则简单，用最简单最高效的办法来解决问题。
我们刚开始做个一个场景是结合商品和客服的问题来生成对应的回答，这其实是一个知识库场景，这种场景下其实核心的要求是回复的准确度，即模型不能瞎编乱造，剩下的反而都不是那么重要的要求，比如说模型回答多少个字、模型回答的格式必须是什么样子的，这都是不重要的。
这块封一个prompt就好了。
在这个方案之后我们去做整体的私域营销内容的AI生成，我们刚开始觉得之前知识库的内容生成也没什么问题，效果还挺好的，那我们做私域营销内容的时候也这么写就好了，于是我们把整体的私域文案拆解完了，弄成了几个prompt来产出对应的效果，最后结果惨不忍睹。
第一期直接干到了50%以上的产出错误率，不管怎么调整，模型看起来在小批量测试的时候表现都很好，千次测试的时候直接崩盘，各种乱七八糟的bug层出不行。
这个时候我们开始把AI生成内容做成整体内容生成的一个环节，把所有模块都拆散掉，我举个例子：这个奶油慕斯蛋糕限时特惠100元，纯动物奶油、低糖零添加。
我们需要把这个文案拆成：这个{name}限时特惠{price}元，{point1}、{point2}。
这些参数该由模型生成的继续模型生成，该约束字数做质检的继续约束，剩下的全部由代码逻辑控制，这样优化后我们的私域营销内容基本上准确率能够在99%以上了，再也没有各种乱七八糟的bug。
agent场景是因为我们发现如果想让模型拟人，那prompt工程这套逻辑也不行了，我们不需要让这个工具具备足够复杂的意图识别能力，同时要具备工具调用、流程调用等多种能力，模型构建的意图识别变成了工具的大脑，基于大脑来进行各种流程的叠加，最终实现在售前的环节拟人化。
不同的场景有其对应最好的解决方案，纯写prompt不代表有问题，纯做agent也不代表高大上，解决对应的业务问题，用最低的成本解决，才是更应该关注的事情。
10 42
今年还有一周多就要过完了，最近在复盘今年自己在AI上有没有进步，勉强还算比前两年自己的成长快了很多，如果说让我对年初的自己打分AI运用能力，我觉得差不多是个10分的水平吧。
到了年底经过了一年的成长，我觉得差不多再去评估可能有个40-50分的水平，运用AI的能力差不多达到了小学生的水平，能够让AI基本上处理自己日常80%的业务，能够有一些好的运用技巧，但并没有实现AI的深度帮助，目前的很多AI运用还是在浅层的减负阶段，还没有到达我觉得更深层次的AI+人协作的事情。
让AI作为一个伙伴和人深度一起搞定一些事情，是我明年重点要去深度学习实践搞定的事情。
为什么今年成长速度感觉比前两年快很多了呢？
第一个点是把过去丢掉的实践猛干从新找回来了，8月份学习cursor从0-1用AI编程，一天多的时候能有12个小时，天天研究天天迭代，硬是逼了自己一个多月的时间，把整个内容自动化的项目用cursor写完了上线了；这个事情也解决了我过去一直有个一个心结，我没有办法做自己想要的产品。
最近在研究AI+人的深度协作，强迫自己把所有工作都扔给AI来一起搞定，刚开始效率肯定是降低的，但最近一步步的有所提升，昨天拿着AI写的PRD去评审，大家感觉PRD是我自己敲的，稍微走成功了第一步。
之前两年我在沉迷各种技巧，希望用巧劲能够实现更多的进步，今年真的是彻底放下了，做苦工，吃苦力，缓步前行，把地基打扎实。
第二个点是抹去了自己的傲气，不再觉得自己有多厉害，默认自己在很多领域就是一窍不通；我之前在做很多事情的时候习惯带着自己过去的业绩或者说成就来评判这个事情，来加自己的判断。
比如我之前会去判断AI发展到底怎么样，AI到底有没有，然而我都没有一天12个小时跟AI对话，我在不了解这个行业的前提下发表了一堆无用的言论。
今年看到很多AI上取得不错结果的大佬们，开始学习大家对AI的各种运用思路，学的时候就是一个空杯心态；你说什么是对的，我先去做了，我先去运用实践了。
你说AI编程是个很不错的产品值得深度用，好那我先去用一个月试试，看看效果怎么样；你举出来了你和AI协作的范式，那我先学习你的逻辑，我去和AI深度唠嗑看看怎么样。
把自己的判断扔掉，我先做了再去总结看你的判断到底怎么样，每个人总有值得你吸收学习的地方。
低头猛干+抬头学习，其实就是最简单最朴素的道理，往往践行起来是最难的。
到了年底经过了一年的成长，我觉得差不多再去评估可能有个40-50分的水平，运用AI的能力差不多达到了小学生的水平，能够让AI基本上处理自己日常80%的业务，能够有一些好的运用技巧，但并没有实现AI的深度帮助，目前的很多AI运用还是在浅层的减负阶段，还没有到达我觉得更深层次的AI+人协作的事情。
让AI作为一个伙伴和人深度一起搞定一些事情，是我明年重点要去深度学习实践搞定的事情。
为什么今年成长速度感觉比前两年快很多了呢？
第一个点是把过去丢掉的实践猛干从新找回来了，8月份学习cursor从0-1用AI编程，一天多的时候能有12个小时，天天研究天天迭代，硬是逼了自己一个多月的时间，把整个内容自动化的项目用cursor写完了上线了；这个事情也解决了我过去一直有个一个心结，我没有办法做自己想要的产品。
最近在研究AI+人的深度协作，强迫自己把所有工作都扔给AI来一起搞定，刚开始效率肯定是降低的，但最近一步步的有所提升，昨天拿着AI写的PRD去评审，大家感觉PRD是我自己敲的，稍微走成功了第一步。
之前两年我在沉迷各种技巧，希望用巧劲能够实现更多的进步，今年真的是彻底放下了，做苦工，吃苦力，缓步前行，把地基打扎实。
第二个点是抹去了自己的傲气，不再觉得自己有多厉害，默认自己在很多领域就是一窍不通；我之前在做很多事情的时候习惯带着自己过去的业绩或者说成就来评判这个事情，来加自己的判断。
比如我之前会去判断AI发展到底怎么样，AI到底有没有，然而我都没有一天12个小时跟AI对话，我在不了解这个行业的前提下发表了一堆无用的言论。
今年看到很多AI上取得不错结果的大佬们，开始学习大家对AI的各种运用思路，学的时候就是一个空杯心态；你说什么是对的，我先去做了，我先去运用实践了。
你说AI编程是个很不错的产品值得深度用，好那我先去用一个月试试，看看效果怎么样；你举出来了你和AI协作的范式，那我先学习你的逻辑，我去和AI深度唠嗑看看怎么样。
把自己的判断扔掉，我先做了再去总结看你的判断到底怎么样，每个人总有值得你吸收学习的地方。
低头猛干+抬头学习，其实就是最简单最朴素的道理，往往践行起来是最难的。
16 22
今天和我们公司内容负责人聊AI写内容的时候，他跟我描述了他希望探索性的写一些公众号的内容，问我有没有AI固定的prompt可以很好的产出内容。
我当时反问他，你既然是探索性的内容，你为什么不去尝试和AI一起创作，当大家一起完成满意的作品的时候，再来把这个内容标准化呢？
prompt这个事情其实更多是为了稳定的产出而使用的，当你不需要稳定产出的时候你其实可以忘记这个事情。
他听完若有所思，问我：为什么要去和AI一起创作？不是用prompt来约束AI才能有更好的产出吗？
他说的这个点其实是我过去思维里一直很根深蒂固的一个点，用prompt约束AI才能够控制好AI的产出，这样AI才不至于变成一个写什么都不能用的产品。
但实际上错的是我的思维，虽然我们都知道AI是基于transformer算法经过训练而产生的，但毕竟AI和我们不是同一个物种，它是拥有自己一套黑盒逻辑一个知识量远大于我们新的“生命”形态。
在面对这种全新的“它”时，你把自己片面的经验约束给他，那最终的结果是AI会被你的思维约束死，你+AI撑死了是一个小号的你可以多写点东西，AI很多的价值其实是发挥不出来的。
这就跟我们上班一样嘛，你的领导不咋懂你擅长的事情，但又给你弄了很多个条条框框，你说你干活完全干不好吗？那肯定也不是，基础的60分肯定是能达到，但你能够真正的发挥出来吗？不可能的。
领导和你一起确定目标，把大的逻辑给你梳理清楚，剩下的内容你自己去干，这样才是创造价值最大的方法嘛~
那对于AI也是同理，不要想办法用自己的思维去约束它，要和它去讨论、深度思考，然后协作最后产出让你觉得满意的内容，然后让AI把这个产出过程变成它觉得能够很好理解的方法论，也就是prompt。
但这里边又有一些限制，你要去使用最强的那些模型，比如Claude3.5 sonnet、01 、gemini2这些头部模型，gpt4o其实还是有点差意思，感觉思考深度还是差了一点。
和AI协作也是一样的道理，我现在能够做到日常的80%的内容（报告、ppt、prd、业务内容）都用AI来一起搞定，这个过程并不是用prompt，而是说我会去和AI一起讨论、交流，我把它当成一种我不了解的生命，来共同作业完成的，我借助它海量的知识，它借助我的思考。
我问Claude，这个过程叫什么，Claude跟我聊了很多次，它最后告诉我叫：共振跃迁；AI对于人类的能力的加持，两者一起到达更遥远的边界。
我们的内容负责人最后问我，你说的这些事情感觉还是有点复杂，有没有什么简单的方式可以更好的用好AI？我想了想告诉他，你不要想那么多，你先开始跟AI聊起来，先把你想要的告诉他，然后你们一起去推演一个结果试试看。
先做起来，先想办法去完成一次协作，这就是最简单最有效的办法。
我当时反问他，你既然是探索性的内容，你为什么不去尝试和AI一起创作，当大家一起完成满意的作品的时候，再来把这个内容标准化呢？
prompt这个事情其实更多是为了稳定的产出而使用的，当你不需要稳定产出的时候你其实可以忘记这个事情。
他听完若有所思，问我：为什么要去和AI一起创作？不是用prompt来约束AI才能有更好的产出吗？
他说的这个点其实是我过去思维里一直很根深蒂固的一个点，用prompt约束AI才能够控制好AI的产出，这样AI才不至于变成一个写什么都不能用的产品。
但实际上错的是我的思维，虽然我们都知道AI是基于transformer算法经过训练而产生的，但毕竟AI和我们不是同一个物种，它是拥有自己一套黑盒逻辑一个知识量远大于我们新的“生命”形态。
在面对这种全新的“它”时，你把自己片面的经验约束给他，那最终的结果是AI会被你的思维约束死，你+AI撑死了是一个小号的你可以多写点东西，AI很多的价值其实是发挥不出来的。
这就跟我们上班一样嘛，你的领导不咋懂你擅长的事情，但又给你弄了很多个条条框框，你说你干活完全干不好吗？那肯定也不是，基础的60分肯定是能达到，但你能够真正的发挥出来吗？不可能的。
领导和你一起确定目标，把大的逻辑给你梳理清楚，剩下的内容你自己去干，这样才是创造价值最大的方法嘛~
那对于AI也是同理，不要想办法用自己的思维去约束它，要和它去讨论、深度思考，然后协作最后产出让你觉得满意的内容，然后让AI把这个产出过程变成它觉得能够很好理解的方法论，也就是prompt。
但这里边又有一些限制，你要去使用最强的那些模型，比如Claude3.5 sonnet、01 、gemini2这些头部模型，gpt4o其实还是有点差意思，感觉思考深度还是差了一点。
和AI协作也是一样的道理，我现在能够做到日常的80%的内容（报告、ppt、prd、业务内容）都用AI来一起搞定，这个过程并不是用prompt，而是说我会去和AI一起讨论、交流，我把它当成一种我不了解的生命，来共同作业完成的，我借助它海量的知识，它借助我的思考。
我问Claude，这个过程叫什么，Claude跟我聊了很多次，它最后告诉我叫：共振跃迁；AI对于人类的能力的加持，两者一起到达更遥远的边界。
我们的内容负责人最后问我，你说的这些事情感觉还是有点复杂，有没有什么简单的方式可以更好的用好AI？我想了想告诉他，你不要想那么多，你先开始跟AI聊起来，先把你想要的告诉他，然后你们一起去推演一个结果试试看。
先做起来，先想办法去完成一次协作，这就是最简单最有效的办法。
18 53
在企业里边肝AI该如何量化收益？
年底了大家一边在推项目一边在汇总往期的项目收益，我把我们公司各个业务部门都轮岗跑了个遍搞AI，能做AI的不能做AI的都去探索了个七七八八，用这么项目汇总来跟大家一下如何去量化AI项目的收益。
理想状况下做完一个项目，公司的营收最好能够翻个10%，这样大家都乐呵呵的充满了希望；但实际上可能你花了500万的AI成本投入，最后可能就赚个30-50万的效果产出。
在拿着锤子找钉子的阶段这样的悲剧roi是非常容易出现的。
那我们该从什么纬度去思考这个业务到底要不要做AI+，做了AI到底有什么用？
我一般是这三个维度来衡量：提质、提效、减负。
提质的意思是做了这个事情，有可能我们在某个模块的整体质量有所提升，能够从过往的70分做到90分，对应的数据指标可能是每天浏览用户uv增加5%，有可能是客服服务的用户满意度从4变成了4.2，给用户更好的体验，从而达成某个指标的提升。
提效的意思是在现有人力的基础上，每个人能够做的事情可以提升多少，比如说之前我们的客服给用户完成一个动作需要1分钟，经过我们的优化那能够到30秒，那每个人每天可以承接的业务动作就增长了100%。
减负的意思是这个流程完全不需要人作业了，整个流程完整的由系统和AI取代了，典型的项目是质检和文案类的项目，人不需要再去参与详细的流程，一切事情都由AI来完成，人只做策略的优化。
那基于这三个维度每次在做项目之前，我们拿到项目回去评估，到底在这个项目里边我们做了这么多优化，拿AI干了这么多事情，能够产生的价值是什么？
比如说我做一个知识库的项目，看起来很高大上，我能够让每个人的能力边界得到极强的拓展，但你往项目收益里一去放，发现这个事情不解决任何的问题，熟练的业务又不需要他，不熟练的业务也不需要它，那这个知识库的作用到底是干啥的？
那如何做到更加准确的方案判断，而不是拿着锤子乱找钉子最后发现做了一堆没用的项目呢？
到业务里去，深度的了解业务到底是怎么作业的，他们现有流程的问题是什么，去看每一个环节的明细数据，不要听业务主管的倾诉，要去真正的脚踏实地的去做调研，一个环境一个环境的深挖调研。
我们业务之前用非常非常有用给我描述一个功能，仿佛有了这个功能之后他们每个人都能当10个人用，然后我们详细的通过数据分析汇总了这块的数据，发现典型代表问题，也就是它说的功能能够解决的也就1天一个人，非典型的一大堆，但是人家核心的诉求并不是业务描述的场景。
不去调研接需求做了，又会发现陷入一个无解的死循环。
在调研完需求之后我们也要算好这个需求到底收益是什么，做好优先级评估，尤其是设计高量级AI的时候记得算一下token成本，跑一次的token可能就几千块钱，但多跑个几次钱就多了。
年底了大家一边在推项目一边在汇总往期的项目收益，我把我们公司各个业务部门都轮岗跑了个遍搞AI，能做AI的不能做AI的都去探索了个七七八八，用这么项目汇总来跟大家一下如何去量化AI项目的收益。
理想状况下做完一个项目，公司的营收最好能够翻个10%，这样大家都乐呵呵的充满了希望；但实际上可能你花了500万的AI成本投入，最后可能就赚个30-50万的效果产出。
在拿着锤子找钉子的阶段这样的悲剧roi是非常容易出现的。
那我们该从什么纬度去思考这个业务到底要不要做AI+，做了AI到底有什么用？
我一般是这三个维度来衡量：提质、提效、减负。
提质的意思是做了这个事情，有可能我们在某个模块的整体质量有所提升，能够从过往的70分做到90分，对应的数据指标可能是每天浏览用户uv增加5%，有可能是客服服务的用户满意度从4变成了4.2，给用户更好的体验，从而达成某个指标的提升。
提效的意思是在现有人力的基础上，每个人能够做的事情可以提升多少，比如说之前我们的客服给用户完成一个动作需要1分钟，经过我们的优化那能够到30秒，那每个人每天可以承接的业务动作就增长了100%。
减负的意思是这个流程完全不需要人作业了，整个流程完整的由系统和AI取代了，典型的项目是质检和文案类的项目，人不需要再去参与详细的流程，一切事情都由AI来完成，人只做策略的优化。
那基于这三个维度每次在做项目之前，我们拿到项目回去评估，到底在这个项目里边我们做了这么多优化，拿AI干了这么多事情，能够产生的价值是什么？
比如说我做一个知识库的项目，看起来很高大上，我能够让每个人的能力边界得到极强的拓展，但你往项目收益里一去放，发现这个事情不解决任何的问题，熟练的业务又不需要他，不熟练的业务也不需要它，那这个知识库的作用到底是干啥的？
那如何做到更加准确的方案判断，而不是拿着锤子乱找钉子最后发现做了一堆没用的项目呢？
到业务里去，深度的了解业务到底是怎么作业的，他们现有流程的问题是什么，去看每一个环节的明细数据，不要听业务主管的倾诉，要去真正的脚踏实地的去做调研，一个环境一个环境的深挖调研。
我们业务之前用非常非常有用给我描述一个功能，仿佛有了这个功能之后他们每个人都能当10个人用，然后我们详细的通过数据分析汇总了这块的数据，发现典型代表问题，也就是它说的功能能够解决的也就1天一个人，非典型的一大堆，但是人家核心的诉求并不是业务描述的场景。
不去调研接需求做了，又会发现陷入一个无解的死循环。
在调研完需求之后我们也要算好这个需求到底收益是什么，做好优先级评估，尤其是设计高量级AI的时候记得算一下token成本，跑一次的token可能就几千块钱，但多跑个几次钱就多了。
6 06
最近跟公司一些不怎么用AI的同事聊，他们跟我分享了说他们为什么不用AI的原因，主要感觉是用AI跟不用AI没什么区别，我看了一下他们的场景，相对不是很标准，每天都有各种需要创造的内容，再加上大家其实并不会很好的写prompt，也不会用国外的AI模型，所以其实感觉用AI没什么用。
前两天我在跟朋友讨论的时候也发现了一个问题，我们其实希望用AI来解决我们不擅长的内容，来辅助我们做一些内容上的创作和生产，但很多时候我们算下来发现其实也不划算，调试prompt的成本不低，然后每个模块有的能用AI有的不能用，就感觉乱七八糟的，于是也有点不爱用。
在跟行业的从业者聊下来，感觉大家都在拎着一个锤子找钉子，还有一些就是完全在黑暗的迷雾中探索，有确定性的业务反而是少数的。
基于这几个事情我在思考，我们到底该如何去判断AI怎么用呢？
我去找Claude聊了聊天，我想人类历史上有这么多个行业从新兴到成熟，那总有一些可以通用的逻辑能够被我去采纳，于是我拉着Claude讨论了半天如何从历史中探寻相似的路。
以福特汽车为例，汽车从刚开始的模型到走进千家万户，它花费了很长的时间，就像今天到底AI一样，其实大家也没有那么确定这个事情到底怎么干。
在第一台汽车手工敲出来的时候，人们想象不到流水化的作用能够让每个家庭拥有一台小轿车；就像chatgpt3.5放开的时候，大家也想不到未来我们会有什么样的方式拥有AGI；Transformer 是最终的解吗？都不确定，需要去探索。
我们用福特汽车的逻辑来看AI，其实是类似的效果，当第一台福特汽车被敲出来的时候，必然没有专业擦车这个生意的诞生；但当一千一万个汽车出来的时候，专业擦车就变成了一个可能性；当家家有一辆小汽车的时候，洗车就成了一个确定性很高的需求，无非是怎么洗。
所有的场景都是分阶段，一步步往前走；就比如说AI总结这个商家化的需求，当chatgpt刚出来的时候，总结微信文章这个需求是不咋存在的，因为你调API再去读文章，赚的这点钱都够把自己累死了；等国内大大模型纷纷出来，模型能力差不多成本下降了，这个需求可以变成一个值得探索的事情；当100万token1元，配合RAG，这个需求有的赚了，自然而然商业模型就演化出来了。
应用和使用是其实是差不多的逻辑，比如说我如果希望用AI做小红书，那其实会有十几个场景，这些场景里有的是很成熟效果很不错的，比如说写标题；有的场景其实是目前没法用的，比如做海报封面；有的场景相对是可以去探索的，比如说用AI写科普页面。
这么梳理了一遍发现自己更清晰了，AI就是一个持续蓬勃发展的行业，但它不能用简单的没用或者有用来一言论之，也不是简单的拿着场景找钉子；很多场景已经很成熟应用了，我们要去用好他；一些场景是探索期，就是拿着锤子找钉子试试看怎么样；还有的场景就是个迷雾，我们都不知道它会发展成什么样子，只能发展看看再说。
接下来看看有时间的话开始慢慢汇总各种场景，看看AI到底哪些场景是找钉子哪些场景很成熟了。
前两天我在跟朋友讨论的时候也发现了一个问题，我们其实希望用AI来解决我们不擅长的内容，来辅助我们做一些内容上的创作和生产，但很多时候我们算下来发现其实也不划算，调试prompt的成本不低，然后每个模块有的能用AI有的不能用，就感觉乱七八糟的，于是也有点不爱用。
在跟行业的从业者聊下来，感觉大家都在拎着一个锤子找钉子，还有一些就是完全在黑暗的迷雾中探索，有确定性的业务反而是少数的。
基于这几个事情我在思考，我们到底该如何去判断AI怎么用呢？
我去找Claude聊了聊天，我想人类历史上有这么多个行业从新兴到成熟，那总有一些可以通用的逻辑能够被我去采纳，于是我拉着Claude讨论了半天如何从历史中探寻相似的路。
以福特汽车为例，汽车从刚开始的模型到走进千家万户，它花费了很长的时间，就像今天到底AI一样，其实大家也没有那么确定这个事情到底怎么干。
在第一台汽车手工敲出来的时候，人们想象不到流水化的作用能够让每个家庭拥有一台小轿车；就像chatgpt3.5放开的时候，大家也想不到未来我们会有什么样的方式拥有AGI；Transformer 是最终的解吗？都不确定，需要去探索。
我们用福特汽车的逻辑来看AI，其实是类似的效果，当第一台福特汽车被敲出来的时候，必然没有专业擦车这个生意的诞生；但当一千一万个汽车出来的时候，专业擦车就变成了一个可能性；当家家有一辆小汽车的时候，洗车就成了一个确定性很高的需求，无非是怎么洗。
所有的场景都是分阶段，一步步往前走；就比如说AI总结这个商家化的需求，当chatgpt刚出来的时候，总结微信文章这个需求是不咋存在的，因为你调API再去读文章，赚的这点钱都够把自己累死了；等国内大大模型纷纷出来，模型能力差不多成本下降了，这个需求可以变成一个值得探索的事情；当100万token1元，配合RAG，这个需求有的赚了，自然而然商业模型就演化出来了。
应用和使用是其实是差不多的逻辑，比如说我如果希望用AI做小红书，那其实会有十几个场景，这些场景里有的是很成熟效果很不错的，比如说写标题；有的场景其实是目前没法用的，比如做海报封面；有的场景相对是可以去探索的，比如说用AI写科普页面。
这么梳理了一遍发现自己更清晰了，AI就是一个持续蓬勃发展的行业，但它不能用简单的没用或者有用来一言论之，也不是简单的拿着场景找钉子；很多场景已经很成熟应用了，我们要去用好他；一些场景是探索期，就是拿着锤子找钉子试试看怎么样；还有的场景就是个迷雾，我们都不知道它会发展成什么样子，只能发展看看再说。
接下来看看有时间的话开始慢慢汇总各种场景，看看AI到底哪些场景是找钉子哪些场景很成熟了。
24 24