上次谈了对AIGC产品的思考。最近忙于实操，用AI工具尝试解决工作生活中真实的课题，而不仅仅是写小作文画个插图。
测试对象包括 GPT3.5、GPT4、Kimi、通义千问、GEMINI、文心一言、字节豆包等等。
第一轮，报告整理
第一个课题是整理用研报告。通常一份用户访谈报告有3~5万字的笔录，要整理成结构性的访谈纪要。既要按不同类型的问题分类归纳，也要对用户人群分类统计偏好。处理时间少则5~6小时，多则要1~2天。
这轮表现最好的是Kimi和ChatGPT。
ChatGPT给我的感受，像是一个大学刚毕业的海归实习生，聪明，工作热情高，就是还处理不了太复杂的事情。常常需要点拨一下，一着急TA还会忍不住说英文。
例如用研报告中，有一段是主持人在询问受访者如何看待汽车的电驱配置。
GPT最初回答是：用户对此无明确提及。
我找到相关内容，扔给TA：
“ 主持人：没有想要四驱的？
主持人：两驱就够了？
1号受访人：四驱还更费电。”
相比受访人在其他问题上直接说喜欢不喜欢，这段对话略隐晦。
GPT的反馈是：
感谢您提供的信息。这段内容说明用户（1号受访者）对于电机驱动的具体偏好。他提到四驱相较于两驱会更费电。这表明他对于电机驱动的要求可能偏向于效率更高的两驱配置。我将这个观点更新到之前的表格中。
ChatGPT 能有此反应，让我又惊又喜。如果是用程序来识别用户回答，比如正则表达式，我不知道该怎么做。如果把GPT当人，那TA还是一个宝宝，但是真还不笨。
于是我主动跟GPT说，文章太长了你容易犯错，我们一段段来。GPT又表示了感谢。
Kimi的表现则可以说是惊艳。几万字的文本不到一分钟处理完，并且能给出清晰完整的归纳。
Kimi的问题在于，由于最近访问量大增，白天使用时会遇到“系统太忙”。
综合起来看，我还是选择跟GPT一段一段聊。
在基础整理完成后，我又分别让GPT4和Kimi回答附加题：
综合以上总结，你是否能发现某些共性？包括但不局限于性别，年龄段，收入，家庭背景方面，基于同样的用户属性，会有类似的购车选择和配置选择？
在这个访谈中，有没有哪些令你印象深刻的用户故事，或者让你出乎意料的用户言论或者选择？
TA们也都能侃侃而谈：
ChatGPT：年轻用户（25-35岁）：倾向于选择具有高科技功能和较新款型的车辆，例如小鹏P7i和极氪001。这些用户通常更关注车辆的智能化功能和性价比。中年用户（35岁以上）：更倾向于选择提供舒适驾驶体验和安全性的车型，例如智己L7和蔚来ET5。他们在选择车辆时会更多地考虑家庭用车的需求。
Kimi：2号用户选择智己L7部分是因为它提供了他在其他品牌中找不到的特定配置和功能，如副驾驶的专属显示屏，一键AI代驾等。这表明一部分用户在选择车辆时，不仅看重普遍的性能指标，更看重车辆能为自己提供的独特价值和定制化体验。
总的来说，长文本处理我推荐用Kimi和ChatGPT-4。前者适合大量文本快速整理，后者适合自己与GPT共读分析。
第二轮：代码审核
拿了一小段代码让各平台找bug。
这对TA们来说都是小事一桩，都能找到打错字的地方。
GEMINI 顺便给我上了一堂编程课，而Kimi则额外给出在函数命名和对齐风格上的修改意见，相当贴心。
然而我觉得比较神奇的还是ChatGPT。
TA不仅发现了问题，还真正理解了这个程序是在干嘛，就像一个真正的编程老师。
第三轮：专业话题探讨
我找各家平台聊智能座舱产品设计和华为IPD产品研发模式。
TA们都能给出详尽的内容。
GPT3.5由于不能联网，对于最新动态缺乏了解。GPT4相对比较有深度。
这里要赞一下COZE/扣子、百度APPBuilder等智能体平台，因为提供了提示词优化的功能，其给到的角色、技能、限定描述要比普通人丰富得多。
如果要找智能体拜师，用户很可能没法描绘角色和技能的具体内容，那一定要记得用一下优化。
第四轮：任务处理
这轮想试试Agents，完成一个更复杂的任务。
目前可以尝试的主要是三个，字节的COZE和扣子，百度的APPBuilder。
先尝试了一个生活话题，暑期打算去呼伦贝尔旅游，让智能体给我生成攻略。因为是国内旅游，所以只能在字节扣子和百度智能体之间选择。
我希望能把出行相关的内容都在一个对话框中查询完成，而不用在各个APP中跳来跳去。
首先，字节的插件更丰富。扣子可以提供 航班、酒店、天气、地图等，我还希望能看当地景点相关的视频和照片。这些扣子都能完成，目前就缺小红书，美团的插件，这样我就能一并了解餐饮信息了。
扣子上可用的插件：
但是在百度AppBuilder 上，能选用的插件很少，我只能挑出两个。
奇怪的是，居然连百度地图插件都没有！
而且试用下发现，TA的航班查询有误，CZ8521 可不是去呼伦贝尔的！
这就有点吓人了。看起来是那个插件执行不成功，然后大模型就自己发挥了……
果断弃用。
字节的扣子表现还不错。能查航班，酒店，也能出攻略。
美中不足的是，我让扣子智能体给出一揽子方案时，TA反应不过来。要分别问行程，航班，酒店，TA才能回答上来。
于是我打算用工作流。工作流可以执行一连串的任务，然后统一输出。
在工作流中，我增加了两个输入参数，出发日期和目的地；中间调用了两个插件，分别查询航班和酒店，再接入一个大模型进行内容优化，最后给到输出节点。
试运行的结果：
现在我将这个工作流加入到智能体中：
执行后的效果是：
航班信息对了，但是酒店信息（如家宾馆）在工作流的结果中就丢了；所在到了智能体那里又给了新的答案（喜来登）。
以上只是一个非常原始的工作流。如果要真正打造适用我个人出行的导游智能体，还需要TA帮忙考虑：
饮食习惯：不吃辣；
带一个8岁的孩子，喜欢骑马；
可以体验下蒙古包，大多数情况下住在舒适型的连锁酒店；
……
理论上，工作流里面可以加入大模型、代码、知识库、选择器等，似乎可以把这些需求都满足了。
但是，我初步使用并不那么顺利。感觉并不像程序调用之间那么准确，而更像人与人工作时的口耳相传。从A到B的内容，B会再理解再发挥。
后来，我又用扣子的智能体模式给自己做一个分身，打造一个汽车智能化专家。我将自己的know-how输入到知识库中，然后让TA来回答问题。
这个要单独开一篇来讲了。
小结：
GPT4， Kimi，扣子是我测试下来感觉比较好用的。后面打算跟GPT4聊天，用Kimi整理文档，用扣子设计智能体；
据说文心一言写官方讲话，通义千问写商务稿件很顺手，我这方面用得不多；GEMINI中规中矩，我通常是用来做对比和校验的；
字节有生态。COZE可以作为Agents接入GPT4，扣子可以接入Kimi；Ta们各自连接中美的生态服务，目前来看是相对丰富的；
Kimi有运营。我加入了一个Kimi的用户群。群主会讲一些使用技巧，用户会分享一些使用心得。
百度有销售……这是唯一一家急吼吼联系我谈付费的公司。
体会
镜像：
如果你只是玩大模型，那么大模型也会玩你，比如说问GPT林黛玉是如何倒拔垂杨柳的；TA也会像模像样编一个故事给你。
但是你如果认真跟TA讨论问题，大概率TA也会给到比较靠谱的回答。你问的有多深，TA回答就有可能到达什么水准。
事实上绝大多数人都还没有涉及到人类知识的巅峰，往往连平均水平都没有。
驯化：
与GPT等一起工作，虽然不需要编程，但是仍然需要有逻辑有条理的思维过程。
无论是与大模型展开讨论，安排报告总结，设计一个工作流，前提都是自己先要梳理思路。否则就跟数据管理的trash in， trash out 一样，fuzzy questions，fuzzy answers。
特别是当我在建设自己分身时，要有意识地去整理自己的观点，输入到知识库中。在玩大模型之前，我可没这么干过，大部分在我脑子里，少数记录了简短的笔记。
但现在为了能让智能体识别到我的内容，我首先要输入内容，其次是要将内容可读性变得对智能体足够“友好”。
我意识到，整理知识库的过程，其实也是我被大模型驯化的过程。
连接：
看大模型相关的文章，讨论的太过于技术底层，普通人完全不理解；而对话框式的简单应用，又太容易让普通人把TA当一个玩具来使用。
现在应用最多的应该还是程序员，Copilot的编程辅助已经很普及了。但是距离连接普通人还很远，也许一年以后，大家能像使用邮箱或者美图秀秀那样去使用智能体。
商业模式：开源 to B，闭源 To C，最流行的大约是混合模式
未来大模型公司比如openAI 会是电厂；像字节扣子这样的应用平台是电器公司。用户最终买的是电器，当然要识别是110V还是220V，是直流还是交流。
现在在争闭源模型厉害还是开源模型厉害，我觉得其实意义不大。
因为两者的应用场景不一样。企业一定会有自己的私有数据和内容，不愿意放到公开环境下，所以开源模型本地化部署的市场一定存在。既然安排了私有数据，企业肯定希望精准采用自己的领域知识，那就是更偏RAG的事实查找，在有限范围内发散。因此对模型能力要求不会那么高。
Google和百度现在的搜索方式，将受到严重冲击。
进一步推导，各类服务商可以采用开源模式进行本地化部署，利用私有数据和内容生产出自有服务。再把自己的服务链接到公共平台，被其他服务或智能体调用，按调用次数收费。
打个比方，就像每家可以接电来用，也可以自己搞太阳能发电，然后输出到电网中。
每个节点都在贡献插件、知识库、工作流和智能体。按使用的数量和程度为知识服务付费，就像用水用电一样。
这样的混合模式或许会是最流行的。
AIGC 产品：
以后可能不再有“产品”这样的概念。
就是用自然语言召唤服务。
而且这些服务内容比现在的软件，APP会更长尾，更多元，要适应到每一个人的需求。
就像我去搭建一个我自己的导游智能体，我可以自己组织想要的内容，以及对内容的要求。
这比现在APP上的“千人千面”要更高一个维度。
个人价值和风险：
作为个人，关键不在于懂不懂大模型，而是知道大模型发展趋势后，尽快培养自己的独有能力。今天来自地域门槛，行业门槛，语言门槛而收获的红利，未来会越来越难保持。
个人价值就是对自己知识管理能力的提升，好奇心，想象力，正确提问的能力，以及将独有知识打包成服务的能力；
风险在于 AI底层能力跃迁后对原有人力的平替，以及在AI服务驱动下，人与人之间知识差异化的竞赛。
互联网30年。当初做实验是否能在互联网上活24小时；后来做实验是否能离开手机活24小时。
当年我们说世界是平的，未来是湿的；后来发现世界是无数口井，井底是聒噪的群蛙。
AI真正进入生活不到一年，来日方长。
本文来自微信公众号：橙竹洞见（ID：gh_013fe5eb0b97），作者：竺大炜