作者 | 《新程序员》编辑部
出品 | CSDN（ID：CSDNnews）
在这场席卷全球的 AI 浪潮中，生成式 AI 产品也正在经历一场前所未有的变革。
回溯过往，生成式 AI 的萌芽从算法模型的初步探索开始，当时还局限于特定领域内的简单应用。然而随着大数据的积累、计算能力的提升以及算法模型的持续优化，生成式 AI 开始展现出惊人的创造力与学习能力：从简单的文本创作到复杂的图像生成，乃至跨模态的内容创造。
站在新的历史起点上，我们不禁要问：生成式 AI 产品的未来发展将如何演进？它们又将如何继续深化与人类的互动、推动行业创新？
为此，在 9 月 20-21 日于北京正式拉开帷幕的「2024 全球产品经理大会」上，我们特设了“生成式人工智能产品”主题论坛，邀请到了来自腾讯、商汤科技、WPS、京东、快手、同程旅行、OPPO、云九资本、句子互动、58 同城、海纳 AI、来也科技以及爱设计& AiPPT.cn 的 13 位一线专家与行业领袖，深入剖析生成式 AI 产品背后的技术驱动力，共同探讨其潜在的应用场景与发展挑战。
汪晟杰：AI 驱动下的 B 端产品的思考与创新
面对日益发展的 AI 技术，产品经理正遭遇哪些全新的标准与挑战？腾讯云开发者 AI 产品负责人汪晟杰依据自身及其团队的实践经验，分享 AI 驱动下的 B 端产品思维和创新成果。
汪晟杰首先提出一个观点，即产品经理实际上是产品层面上的「CEO」。他从四个维度深度解读了这一观点：
● 产品价值。产品经理需要在整个团队中灌输产品的核心价值，并达成共识。产品价值在于明确产品独特的优势。
● 人心成功。做产品需要体察人性、把握人心，这要求产品经理要有敏锐的市场洞察力，并且能够定义产品解决的痛点。
● 创造和体验。创造性工作就如同为自己的孩子规划未来，产品经理需要在过程中不断调整方向，以适应市场的变化。
● 商业成功。产品经理还需要具备通过竞品分析、市场调研等方法来验证产品价值的能力。也要思考产品的商业化路径，制定 3-5 年的收益计划，并随时准备调整方向。最后，产品经理要向老板汇报成果，就如同 CEO 向投资者汇报一样。
汪晟杰指出，生成式 AI 技术为产品经理带来了新的机遇。传统的产品经理可向专注于 AI 功能设计、大模型基底方面的产品技术、偏 AI 效果等不同方向升级转型。不过，这也要求产品经理需要对智能体、API 与业务、提示词、大模型与多模态等生成式知识点有一定的理解。
谈及 AI 驱动的产品需要遵循的原则时，汪晟杰给出了自己独特的见解：
一、制定商业画布（AI Canvas），用于阐述产品理念，回答关于产品 Why、How、What 等关键问题。明确产品价值主张，即产品解决的核心问题和其独特价值。考虑解决方案的实施、目标客户、模型选择及策略。
二、找到「Product Market Fit」，确保产品赢得市场。其中，产品需遵循创意、验证、营销、扩张和效率等不同阶段的测试。而产品经理要理解 AI 运作方式，思考 AI 与业务的结合，并进行规模化、标品化思考。
三、生成式 AI 赋予软件产品能力新加持。如今人类与 AI 协同主要有三种模式，一是 Embedding 模式，将传统业务与 AI 特性结合，设计出带有 AI 功能的产品；二是 Copilot 模式，设计出 AI 效率工具产品 ，由 AI 自主，由人工确认后完成工作；三是 Agents 模式，从半自动化 Agent 到全自动化 Agent，让 AI 从思考、计划、反思、修正。
四、在 AI 时代，产品经理设计产品时需结合业务背景的第一性原理，设计新的交互方式，思考定价及「Product Model Fit」。和「Product Market Fit」相比，「Product Model Fit」的重要性也不容忽视，前者决定了产品的商业模式，后者则决定了产品的技术可行性。
五、B 端与 AI 结合的大模型产品，遵循 S（企业安全与可控）、M（基于多模态的产品）、A（面向业务的 Agent 智能体）、R（重新思考业务流程）、T（基于业务的模型训练与微调）这一 Smart 准则。
总体而言，汪晟杰表示，产品经理在 AI 时代需要重视产品模型的成本控制、标准化建设，并且找准痛点，不断迭代优化产品。赢得成功的关键在于制定出能够让老板在短期内看到希望，并在长期内实现盈利的产品价值主张（PMF）。
李佳芮：RPA+AI，打造大模型驱动的领先数字员工
在这个数字化转型的时代，我们正见证着 AI 技术以前所未有的速度重塑世界。在此背景下，句子互动创始人李佳芮选择从全新视角切入——大模型技术在构建数字员工方面的应用，深入探究下一代大模型驱动的领先数字员工该如何打造。
在进入正题之前，李佳芮首先明确了一个观点：“大模型不是银弹，即使 AGI 时代到来，大模型也不可能解决一切问题。”在她看来，技术决定的是下限，而业务决定上限，即未来大模型技术越来越强，业务才能更好地落地。
为此从 0 到 1 构建大模型应用的过程中，李佳芮重点提到了搭建数字员工的八大生命周期：运营反馈、平台渠道集成、需求分析、流程设计、数据处理、Prompt 撰写、系统测评和系统搭建。在这八大生命周期中，她着重介绍了后面四个方面：
● 数据处理：从不同渠道获取数据样本以进行数据收集，同时进行一系列的处理工作，比如清洗数据、去除 HTML 标签、优化图片等，许多如数据切割、扩充和更新等基础的数据处理也能通过现有的开源框架来完成。其中，RAG（Retrieve Augmented Generation，检索增强生成）技术在数据处理和生成式 AI 中的应用日益广泛。
● Prompt 撰写：提示工程（Prompt Engineering）远不止简单地写几行指令，其核心在于如何清晰、精准地表达需求，并且要懂得如何有效地向 AI 提问。例如：将指令放在 prompt 开头，并建议使用 Markdown 格式撰写；通过示例来帮助 AI 理解任务；在 prompt 中添加逻辑推理步骤，引导 AI 进行更细致的思考过程等等。
● 系统搭建：主要围绕大模型交互、增强生成和多智能体协作等方面展开。与大模型交互时，动态构造 Prompt 是一种常见的做法，传递动态参数能够实现更精准的响应；引入外挂数据库/检索增强生成（RAG），解决大模型的幻觉问题；采用多智能体工作流，通过进行多次 Prompt 交互、生成中间结果，以逐步构建更高质量输出的方式。
● 系统测评：可进行分段式测评，以帮助提升系统的整体性能。首先让客户参与系统测试，并为其提供具体的测试要求；基于客户的信息构建一个标准化测试集，用于系统内部的集成和调优；还可以利用大模型的自检功能，对系统进行深度评估；测试完成后再次进行评分，达标后将其交付给客户进行下一轮反馈——这样，一个完整的集成调优循环就完成了。
基于以上提出的八大生命周期概念，李佳芮认为：可采用 RPA（机器人流程自动化）+AI 的方式，来打造下一代大模型驱动的“数字员工”。具体而言，“数字员工”的核心能力可分解为四个层次：
（1）模型层：最底层的能力，包含大模型、小模型、端侧模型等多种模型的联动与协作。
（2）数据层：包含结构化和非结构化数据，能够处理各种数据来源和格式。
（3）流程层（Workflow）：这一层强调标准操作程序（SOP），连接了业务规则（RK）和异常处理（Badcase）等领域。
（4）工具层：底层的模型和外部的使用工具相连接，形成整体的工作流。
围绕“数字员工”的四大核心能力、以及搭建数字员工八大生命周期的概念，句子互动推出了 RPA+AI 两款产品：RPA-运营服务一体化平台，AI-智能体流程引擎。在演讲最后，李佳芮分享了一个将“数字员工”用作 AI 数字导购的完整案例：不同于传统人工导购存在的限制和弊端，在基于 RPA+AI 打造的“数字员工”的推动下，智能化门店新时代或许即将开启。
赵九州：AI 浪潮中的应用主义者
在这一场 AI 浪潮中，有人选择站在理论研究的前沿，探索AI技术的极限；而另一些人，则将目光投向了更加实际的应用场景，致力于让 AI 真正服务于用户——对于后者，金山办公 WPS AI 高级产品总监赵九州将其称之为：AI 浪潮中的“应用主义者”。
赵九州表示，目前金山办公主要产品月度活跃设备数达到了 6.02 亿，每一个功能的用户反馈量都相当庞大。而公司通过工单和用户反馈，结合AI能力来解决实际存在的问题。故而相比于探讨理论，金山办公推出 WPS AI 的初衷便是技术普惠，让大众用户能以低门槛、简单的方式接触并使用 AI 功能，专注于从用户角度出发，基于 AI 能力，并结合 WPS 已有能力，真正有效解决用户刚需且具体的痛点。
● AI 写作助手
举个例子，许多用户在使用写作助手时，通常面临如何提出有效提示词、控制 AI 写作质量以及处理创作中断等问题。为此，WPS AI 在写作助手中引入了 AI 伴写模式，旨在以更自然的交互方式，帮助用户无缝完成写作任务。
与传统的 AI 提示词机制不同，AI伴写模式能自动为用户提供联想句子，而无需额外的提示词输入。用户可以直接在写作界面中看到 AI 给出的建议，并决定是否采纳，并不打断写作流程。赵九州强调，这种交互设计更符合用户的传统写作习惯，尤其适合那些不熟悉如何与 AI 交互的用户。
● AI 数据助手
事实上，很多表格中的操作都是重复性、高度规则化的任务，类似于 RPA（机器人流程自动化）工具或自动化 Agent 能完成的事情。为此，WPS AI 对数据助手的要求是：一句话就能清楚地描述规则和需求，并让数据助手自动完成相应的操作。
不仅如此，WPS AI 还能理解并分析表格中的信息，例如自动分类售后工单类型，迅速找到哪些问题出现得最多以及对应的解决方案。就算用大白话向它提问，AI 也能根据用户需求，自动生成代码或公式，然后直接在表格中输出结果。
● AI 阅读助手
再者是 AI 阅读助手，它专门针对 PDF 和 OFD 格式的超长文档，帮助用户进行快速总结和处理。市面上虽已有不少类似工具，但赵九州强调以下三个功能的创新，可使其更加智能高效：
（1）AI 总结：即使是超长文档，获取信息也十分便捷；（2）AI 文档问答：回答可追溯，一切有据可依；（3）AI 翻译：外文翻译与提炼均一步到位。
通过这些功能，WPS AI 不仅帮助用户节省了大量阅读和总结的时间，还在工作流程上做到了智能串联，从文档处理、总结，到展示，完全自动化，极大提升了生产力。
● AI 设计助手
针对用户美化 PPT 过程中的多种痛苦，赵九州也进一步介绍了 WPS AI 在这方面的功能创新：一句简单描述，即可让 AI 生成 PPT；通过已写好的脑图大纲，亦可让 AI 一键生成 PPT 内容；上传演示文档，由 AI 进行风格克隆；快速对 PPT 中的图片切换不同风格的滤镜；可按照不同比例进行图片扩展；基于照片生成高质量且实用的个人写真。
● AI 语音助手
在多模态的探索中，WPS AI 也将语音识别和语音生成技术进行了高度整合，主要集中在两大方向：（1）基于 ASR+LLM 的AI语音速记，实时声纹识别区分说话人以输出精准的文字稿；（2）基于 TTS+LLM 的 AI 朗读，为用户提供更流畅、更拟真的阅读体验。
整体而言，WPS AI在C端用户产品的理念基本可概括为：不要让用户输入 Prompt，让 AIGC 回归创作本身；聚焦垂直用户的办公、效率场景；避开不能接受幻觉的领域；增强召回，减少噪音与幻觉；围绕工作流做上下游产品。
在演讲最后，赵九州表示，“AI 不是要替代人类的完整工作，而是在工作流程中和人形成协作。”同时，他还提出了一个倡议：“我们需要更多AI应用主义者。发布会上，Demo 越来越多，但 Demo 并不算产品，用户真正可用的才叫产品。”
贾安亚：心流与创新——Al Native 生产力工具的发展、价值与商业落地
在当今快速变化的科技时代，生产力工具正从传统的线性流程逐步向智能化、自动化的方向转型，其中 AI Native 生产力工具正在成为创新和效率提升的关键驱动力。围绕这个话题，商汤科技 Copilot 产品负责人贾安亚带来了深刻且富有洞见的演讲。
整体而言，生产力工具主要涵盖两大类别：一是面向开发者的软件研发工具，一是面向产品经理和数据分析师的办公类助手。从个人用户视角来看，全球超过 60% 的开发者正在使用 AI 驱动的编程类工具，独立任务对比实验中总体工作时间减少了 55%，带来了生产力的提升。
当从企业的角度来探讨 AI 应用时，情况则变得更加复杂。贾安亚指出，面向企业的 AI 解决方案不仅仅是一个面向开发者的代码类工具，而会逐步发展成为覆盖整个软件研发全生命周期的解决方案。具体来说，企业的真正需求是在开发者提效的基础上，进一步将其现有的 IT 资产与 AI 结合，以实现三个层面的提升：
● 个人效率
以个人开发者为例，很多代码补全、代码对话、Commit Message 撰写等重复性任务，AI 生产力工具都能高效完成，帮助其提升编码效率、缩短走查时长、减少测试成本等。
● 团队协作
在团队协作中，AI 赋能的重点在于与企业现有的协同工具进行深度集成。通过这种集成，AI 可以帮助团队优化协作流程，减少沟通成本，并在很大程度上解决资产沉淀难、规范落地难、技术债务积累多等问题。
● 企业管理
在企业的全流程管理中，AI 更是需要在整个研发生命周期中发挥作用。大模型的核心能力在于对各类任务的理解，而企业需求往往涉及特定的行业知识和内部知识，将这些内容与模型打通至关重要，并将其有效传递到研发过程中的每个环节，进行全流程优化。
尽管如此，当大模型实际投入企业的业务环境时，常常会与预期有一定差距。原因在于用户的输入往往更加随意，难以直接与模型的训练数据对齐。对此，贾安亚认为可通过工程化方法来优化模型的应用体验：
（1）Prompt 优化（外化 COT）+ Constrained Decoding + 内化 COT，即：在 AI 模型前面接入一个较小的模型或者利用工程化方式，将用户的输入变得更加结构化，帮助模型更好地理解用户意图；不只依赖于用户输入，还需参考其代码仓库、文档库等历史数据，帮助模型更好地理解用户背景；参考 OpenAI O1 等前沿模型，将提示链的过程内化到模型内部，通过模拟人类的思考链来提高模型输出的准确度。
（2）选择 All-in-One、以 GUI 交互为主的应用形态：“All-in-One” 这种设计理念尤其适用于生产工具领域，即用户能在一个集成环境中完成多个任务，无需在不同工具间切换，以此保持用户的心流状态；在创造性工作和生产力工具中，以 GUI（图形用户界面）为主，辅以 LUI（语言用户界面）的灵活性，可以为用户提供更顺畅的操作体验，避免过多的认知负担。
知行合一，商汤针对这两个方向分别推出了「小浣熊·智能软件研发助手」和「小浣熊·智能办公助手」，通过大量落地实践持续迭代。其中，「小浣熊·智能软件研发助手」可覆盖软件需求分析、架构设计、代码编写、软件测试等环节，支持 90+主流编程语言，提供网页版、IDE 插件版以及私有化部署、软硬一体机等使用场景服务；「小浣熊·智能办公助手」作为基于大模型的数据分析、文件处理工具，可协助用户完成数据文件优化及数据洞察、数据分析等工作，支持复杂表格、多表格、多文件的理解，广泛应用于市场调研、财务分析、销售预测、宏观分析、产品设计等场景。
展望未来的产品设计，贾安亚强调不仅要考虑 AI 带来的提效，还要思考 AI 如何在更复杂的环境中与用户协作。在她看来，LUI 和 GUI 结合、All-in-One 的设计理念以及慢思考的引入，都是当前 AI 产品设计中非常值得深入探讨的方向。
李宏宇：旅行产品在 AI 生态下的发展秘籍
近年来随着旅游热度的逐年攀升和国民新旅游时代的结构性变革，AI 应用在旅游业也爆发出了新机遇与新需求。然而，旅行场景如何在 AI 生态中建立优势？旅行产品又如何与 AI 能力做全方位结合以增强企业自身竞争力？为了解答这些问题，同程旅行 APP 事业部 CEO 李宏宇分享了旅行产品在 AI 生态下的发展秘籍。
根据公开数据显示，2023 年我国大模型市场规模已初步估算达到了 147 亿元，近三年复合增速高达 114%。与以往传统算法相比，大模型的能力在多个方面表现出了革命性提升：强大的语言能力、对话记忆、泛化能力和智能成本下降。
然而李宏宇指出，虽然通用大模型在语言理解和推理能力方面具有显著优势，但它面临着业务鸿沟的问题，即无法完全满足各个行业的特定需求——于是，垂类大模型应运而生。
作为旅游行业的领先者，同程旅行结合自身的行业经验，推出了旅游垂类的程心大模型，专注于满足旅游行业的特定需求。凭借多年沉淀的用户资产、完整的旅游供应链和高质量文旅数据，程心大模型致力于打造一个更智能、高效的旅游服务体系：
● 更强的学习推理能力，更丰富的文旅数据，更契合丰富多样的文旅业务场景。
● GB 级训练语料，文旅数据准备到知识检索，最终为用户提供更智能、准确的结果。
● 历经数月材料准备，完成生成式算法备案、大模型备案，双备案使其更可靠安心。
那么 AI 大模型在旅游过程中具体能实现哪些功能呢？李宏宇表示，AI 的应用可贯穿用户旅行的各个阶段：行前、行中和行后。
（1）行前阶段：可通过其语言能力和对话能力，为用户提供灵感和建议，例如智能生成旅行规划，提供完整的产品查询和预定服务等。
（2）行中阶段：可化身为用户的“旅行助理”，帮助用户实时解决旅行中的问题，提供智能导游服务和目的地游玩推荐。
（3）行后阶段：帮助用户整理旅行照片、撰写游玩攻略等，协助用户进行内容沉淀。此外，大模型还可以提供客服支持，协助解决售后服务问题。
不仅如此，李宏宇透露，除了在旅游场景中的应用，程心大模型还在办公、运营、市场营销和研发等多个场景中发挥了作用，帮助提升效率。另外在数据预测分析、市场舆情分析以及翻译等方面，程心大模型也已逐步介入。
在创新生态合作方面，李宏宇也分享了程心大模型及其 Agent 在文旅行业中的多种应用及潜在价值，包括：与手机厂商合作，通过服务卡片的功能向用户直接推送符合需求的资源，提供更直观的体验；借助对话机器人，量身定做满足不同用户的个性化需求；行程中相关航班酒店火车和景点，用户只需通过语音确认，由 AI 负责快速查询，反复筛选并快速订票，实现最闭环的服务。
最后聚焦未来，李宏宇认为 AI + 旅行行业价值巨大：“干亿行业规模，万亿可创造价值。”她补充道，关于 AI 大模型在旅游行业中的下一步探索，应着重升级多模态能力，围绕用户需求、市场需求、打造行业高价值生态链。
刘慧：医疗健康场景的大模型产品探索
技术演进，“普惠”愈发重要。AI 大模型的发展实现了人机协同的工作模式，很多人因此也寄希望于 AI 技术可以提供始终在线的高质量医疗服务。然而，现实并没有那么容易。
京东健康医疗 AI 产品副总监刘慧在《医疗健康场景的大模型产品探索》主题演讲中指出，大模型虽然能力强，但其各项能力水平不一、表现不稳定且更新迭代快，因此在大模型上落地医疗产品如同在沼泽上落地。
那如何在不稳定的地基上建设产品，刘慧结合京东在健康场景的探索实践分享了六个步骤：首先根据场景需求用户痛点定义任务；其次按业务流程及 LLM 技术特点拆分任务，然后测评模型能力明确是否满足需求，确定使用的模型并利用 RAG 和 Agent 等技术加强模型效果，进而根据任务完成可靠性等设计产品技术方案，最后持续监测模型能力寻找更优解。
刘慧表示，医疗领域的任务具有复杂性，涉及专业知识、推理决策、沟通共情、医疗安全等多个方面。然而，大模型在专业知识的掌握上存在局限，容易产生幻觉。在知识迭代方面，更新速度较慢。在推理和角色扮演方面，需要处理多模态数据和复杂的推理任务，大语言模型在这方面具有一定能力，但与实际临床需求相比仍有差距。
这对产品的建设者产品经理也提出了巨大的挑战。刘慧认为，传统产品经理在向 AI 产品经理升级的过程中，至少需要掌握三种技能：
● 了解提示词工程（Prompt Engineering）。如果将大模型视为操作系统，那么写提示词（Prompts）就如同与操作系统交互。写提示词要求高度的定义能力和沟通能力，需要清晰地告诉模型所需完成的任务及其完成方式。
● 了解 RAG 技术。如今 RAG 在单模型系统中变得越来越重要，它从单纯检索增强降低模型执行错误发展为大模型产品的技术基石，使模型更像中央处理器，逐渐向工作流方向发展，与 AI 智能体更有机结合。
● AI 智能体，它在信息空间中拥有感知、决策和行动能力，如同智能身体。Agent 包括记忆、工具调用执行等功能，能够更好地理解用户意图，调用不同工具完成任务。
刘慧对身处于大模型时代的产品经理建议道：
一、 一定要充分理解技术，否则产品地基将不稳固。
二、 大模型能力参差不齐，需明确定义任务并详细划分，结合大模型基础特点进行任务划分，并对大模型能力进行充分测试。
三、 在众多落地场景中，需选择合适的产品形态。
华剑侃：AI 原生研发之路，Kwaipilot 在快手的落地实践
“AI 原生”这一概念，强调从产品设计之初就深度融合 AI 技术，让 AI 成为产品的基因，而非后期的简单集成。在本次演讲中，Kwaipilot 产品负责人华剑侃分享了在快手内部，Kwaipilot 是如何从概念构想到实践落地，再到全面赋能，走出了一条独具特色的 AI 原生研发之路。
在整个 SDLC（软件开发生命周期）中，涵盖了从产品需求分析、产品设计到架构设计，再到编码开发以及后续部署和维护等阶段。而在大模型重新定义研发范式的影响下，目前 AI 的赋能方式主要有两种：一是由 AI 升级研发工具，优化研发流程；二是从产品需求分析到软件交付的每一个环节都引入 AI，使整个软件开发流程更加高效和自动化。
在此背景下，快手自去年上线了一系列 AI 研发工具：智能编码助手、智能问答引擎和智能体应用开发平台。华剑侃透露，目前其全库代码 AI 生成率已达 18%。
那么在 AI 与开发流程相结合的情况下，如何合理地构建并交付 AI 原生研发工具体系呢？针对这个问题，华剑侃结合快手内部经验，总结出了以下四大关键要素：
（1）无感化自然交互
类比过去在 Web 时代的超链接和 App 时代的手势刷新操作，AI 产品也要追求这样高度自然、无感的交互方式。对于开发者来说，AI 工具应无声顺应他们的编码行为，而不是强行插入不准确的推荐，避免打断用户的思路。例如在代码续写过程中，提供不干扰用户行为的“ghost”模式，让推荐的代码如幽灵般出现，用户可以自由选择采纳或忽略。
华剑侃强调，“生产力场景下需要尽可能保证用户心流的完整性，再微小的打断叠加上频次因素，都会产生极大的心流和效率影响。”
（2）局部迭代式探索
考虑到目前 AI 仍可能出现幻觉、输出不准确的回答，华剑侃认为通过局部迭代式探索，能让用户更好地理解输出结果，建立其对产品的信任。例如，在代码生成的场景中，用户可以拆解任务，指定 AI 生成不同部分的代码以提高准确性，同时智能助手也能提供代码层面的建议，帮助用户理解或二次优化代码。
（3）深度融合工作流
通过将 AI 集成到开发环境，开发者可以自然语言提问，迅速得到代码相关的知识。这不仅加快了新员工的适应过程，也能帮助资深开发者在复杂代码中快速找到所需的信息。华剑侃指出，要实现仓库级代码知识问答的水平，大模型需要定位并理解代码仓库内具体方法实现，以及快速学习代码仓库。此外，通过在开发者的日常编码过程中嵌入简易的标注工具，这些注释也会被集成到代码库中，成为训练 AI 模型的宝贵数据来源。
（4）模型即产品
在华剑侃看来，近两年来 AI 编程助手的爆火，不仅仅是因其背后模型的创新，更是模型的产品化升级带来了真正的突破。他指出，以前产品经理可能更专注于 AI 模型的创新，但如今产品化的过程也同样重要：“实际上，产品经理的工作就是在一个有限的条件下寻找最优解。”
对于下一步计划，华剑侃透露其将进一步优化代码仓库的索引功能，帮助开发者在日常工作中更高效地使用代码生成工具：“希望通过 AI 赋能，让每个程序员都能像超级个体一样发光发热，实现效率的极大提升。”
梁公军：场景打穿，海纳 AI 面试官实战经验分享
AI 的下半场，是从技术突破进入应用落地阶段。哪些应用场景会率先使用 AI 技术？海纳 AI 面试官创始人梁公军以海纳 AI 面试官平台为基础，分享了如何将先进的 AI 技术应用于实际招聘场景中，实现面试流程的智能化升级。
梁公军认为，AI 应用最先会在简单、重复且可量化的任务场景中爆发，因为这类任务易于被结构化和量化处理。同时，当前AI技术在自然语言理解上的进展显著，部分 GPT 能力甚至超过了某些领域的专家水平，因此与自然语言强相关的应用也极具潜力。此外，职业培训领域因依赖固定的知识体系和标准流程，非常适合 AI 技术的大规模应用。另一个值得关注的领域是 AI 咨询服务，尽管该领域存在较多变量，但其增长潜力同样不容忽视。
基于上述原因，海纳选择了高度依赖自然语言处理的面试作为 AI 应用场景，率先研发并推动应用落地。通过对面试测评这一环节进行结构化处理，可以将其转化为一个可规模化的流程。更重要的是，解决了面试、测评等问题意味着掌握了人力资源管理中的一个关键信息单元——人才的信息结构化。这为进一步拓展其他相关应用奠定了基础，如 AI 技术培训、员工管理等。
在面试测评平台研发过程中，梁公军分享道，海纳花费了五年时间致力于这一领域，旨在为各行业提供一个可量化的解决方案。与 ToC 不同，ToB 侧的决策过程更为复杂且审慎。在 ToC 场景中，用户的决策链条较短，往往受到个人情绪的影响，而 ToB 场景则涉及多个决策者，并且需要更为严格的评估标准。为了赢得 ToB 客户的信任，产品不仅需要有效解决问题，还需要能够展示出明确的成效。
梁公军强调，在产业场景特别是严肃的应用场景中，应用 AI 时必须确保模型的高度准确性。为此，海纳打磨出了一整套标准操作程序（SOP）和方法论，以提高模型的准确性。首先，由人才量化测评专家将岗位的特征模型进行拆解并完全量化，然后再由 AI 专家根据经过海纳面试后的候选人每月绩效数据进行反向校准，来确保准确性。其中准确度有两个要点：一是在上线前，比对专家组来检查每个岗位的准确度，确保其达到 95% 以上；二是在上线后，通过比对员工每月绩效数据来校准人才模型。
最后，梁公军总结打穿 AI 应用场景中海纳所采取的策略，第一步是“搞定灯塔客户”，即首先争取到行业内最具影响力的客户，譬如列出中国用量最大的前 100 家企业，逐一攻破；其次，通过与行业专家、AI 专家的合作，将行业的专业知识与 AI 技术相结合，发挥 AI 的价值；最后，通过将行业最佳实践转化为可操作的标准操作程序（SOP），确保了 AI 解决方案的有效性和实用性。
李婷婷：AI 智能陪练：大模型赋能销售成长
身处于一个日益复杂的商业环境中，销售团队面临着前所未有的挑战。以 58 同城内部的实际情况为例，李婷婷（58 同城 AI Lab 资深产品经理）指出目前的销售培训体系存在一些难题：岗位稳定性差、培训效果难以追踪、培训成本高和更新迭代慢。
为了应对上述挑战并响应业务需求，58 同城构建了一个“模型领先、敏捷易用”的 AI 智能陪练平台。该平台旨在解决销售培训中的痛点，通过 AI 技术支持提升培训效率并减少成本，同时确保销售人员能够及时掌握最新的业务信息，帮助他们更好地服务客户，推动业绩提升。
根据李婷婷介绍，该 AI 智能陪练平台具备三大核心能力：
● 对练任务高效配置
（1）大模型文本处理，让文档总结和内容生成更高效：引入大模型能力，极大降低了培训老师对培训课件、产品文档以及行业知识等处理工作的难度和费力度，让培训课程生成更高效。
（2）线上真实录音数据 + 业务先验知识，快速生成对练脚本：基于海量线上数据 + 业务先验知识，利用大模型强大的自然语音处理能力，挖掘实际用户关注话题及金牌应对话术，生成对练话术脚本，做到平台自运营。
（3）全流程线上任务配置，让培训更高效：对练引擎可视化设计，让导师快速搭建对练流程，配置对练任务。
● 对话式练习更智能
（1）实时语音交互，让对练任务更生动：语音实时互动，提升学员对练体验，增强培训趣味性，让知识掌握更牢固。
（2）学-练-考-评，实现培训任务闭环管控：响应业务多元化培训需求，设计各类培训环节，内嵌多个培训类型及培训场景知识库，支持业务全流程的培训任务，满足集团多个业务个性化培训体系的搭建。
● 培训效果易追踪
（1）个人能力分析，短板快速定位改进：基于 NLP 评估模型、大模型评估模型、业务规范模型等自定义组合的能力评估体系，灵活度高且评估结果更准确。
（2）团队培训数据监控，确保培训目标顺利达成：支持依据项目、依据团队生成数据看板，从团队角度展示培训数据，便于导师掌控培训进度和效果，随时调整培训策略。
凭借以上核心能力，李婷婷分享道 AI 智能陪练平台已在多个应用场景中发挥了重要作用，包括培训销售新人和业务客服。其中，李婷婷表示客服对产品知识的要求更高，导致培训成本和压力也更大，但自今年 7 月引入智能陪练以来，已有 400 多名客服学员完成了训练任务，练习任务完成率高达 96%，考试任务通过率也达到了 70%。
关于未来 AI 智能陪练平台的迭代，李婷婷透露了三个方向：一是在对练环节中引入情绪数据，以模拟不同情绪和性格的客户，让销售学员能更真实地应对复杂的沟通场景；而是在特定场景中逐步引入大模型，例如产品答疑、效果质疑等环节；三是在个人培养和团队培训方面两手抓，从而整体优化企业智能化的培训策略。
黄文：从 RPA 到 AI Agent，高价值、可落地的智能助手
在大语言模型的飞速发展下，传统 RPA 正向着更加智能、灵活的 AI 智能体（AI Agent）转变。在此趋势下，来也科技产品负责人黄文带来了《从 RPA 到 AI Agent，高价值、可落地的智能助手》的主题演讲。
演讲伊始，黄文首先谈到了来也科技自成立以来不断演进的九年：最初想要打造一款面向 C 端的产品，并设立公司愿景为“让每个员工拥有智能助理，然而这一愿景在当时的技术环境下并未实现；后来公司将重点转向机器人领域，并提出“让机器人助力每个人”；随着大模型技术的兴起，来也的愿景在一步步变成现实，让每个员工拥有智能助理，为企业打造面向未来的劳动力。
回忆至此，黄文感慨道：“虽然中途经历了一些波折，也等待了一些技术浪潮，但好在这始终是来也一直想做的事情：为每个人提供高效的智能助理。”
在打造一款智能助理的过程中，RPA 与 AI 技术的结合至关重要，这也是 RPA 发展的趋势。所谓 RPA，全称 Robotic Process Automation，即机器人流程自动化，一套低代码的 UI 自动化和系统集成工具，能降低流程管理的成本，自动化处理重复性任务，从而提升整体运营效率。而随着 RPA 加入 AI 的能力，这种工具的潜力进一步被放大，足以处理更加复杂的场景，最终发展成 AI Agent，提供更加智能的服务。
基于这种理念，黄文总结出了当前企业在构建 AI Agent 产品的几个关键认知：
● 首先，产品开发的第一步不是去改变客户的业务，而是要尽可能符合客户的预期和想象。
● 其次，在产品开发中，尤其是在 RPA 这样的领域，产品需要作为一个通用的框架，而不是仅仅是提供定制化的解决方案，要让企业可以根据自身需求去实现不同的功能。
● 最后，产品最终的目标是帮助客户解决实际问题，实现业务流程的自动化。因此在落地过程中，应该从单一场景出发，把一个具体场景打磨得非常完善，然后逐步扩展到多个场景，最终形成一个整体的解决方案。
AI Agent 作为数字员工的高级形态，可帮助员工更高效的完成工作，实现全场景人机协同。来也科技在今年的 Laiye Lead 年度产品发布会上，推出了基于数字化劳动力平台的三款高价值、可落地的 AI Agent 数字员工产品和解决方案——数字员工开发助手、知识管理和问答助手、文档审核助手。
（1）数字员工开发助手
数字员工开发助手的核心在于其智能化的数据处理能力和自动化的代码生成机制。它能够自动解析和处理复杂的数据集，扩展命令库能够快速生成与机器人流程自动化（RPA）产品无缝对接的 Python 代码，"自愈"功能可以自动适应用户界面（UI）的变化，减少了对人工编程的依赖，缩短了开发周期。
（2）知识管理和问答助手
知识管理和问答助手，通过自动化手段整合分散的文档资源，经过智能预处理，将文档内容转化为大语言模型能够高效处理的文本格式。该解决方案的核心优势在于其一站式服务能力，从文档汇聚、更新、预处理到知识生成和问答应用，来也科技均提供了全面的技术支持。
（3）文档审核助手
文档审核助手从根本上改变文档审核的工作方式。基于大语言模型的能力，文档审核助手能够对合同、订单等复杂文档的处理产生质的飞跃，致力于帮助企业更好地利用大模型技术，把握市场商机，推动数字化转型的深入发展。
目前，来也科技的三款 AI Agent 数字员工产品和解决方案已应用于多个行业客户，帮助企业实现了各种业务场景的深度突破与打通，构建起了端到端的智能自动化解决方案，正成为企业自动化转型道路上的可靠伙伴。
蒲世林：产品 AI 化重塑的思考与实践
近两年生成式 AI 的迅速发展，大家越来越关注 AI 如何实现变现，然而成功案例仍相对较少。对此爱设计 & AiPPT.cn 联合创始人蒲世林指出，AiPPT.cn 这款产品虽然相对较小，但通过一年努力，他预计今年单一产品的收入将突破 1.2 亿元。因此在本次大会中，他将分享如何从最初的产品构思，到品类选择，再到最终迈上商业化路径。
“尤其是在面对微软、金山等行业巨头时，我们是如何在夹缝中找到生存和发展机会的。”
回想最初选择 PPT 这个品类，蒲世林强调了一个观点：“选对赛道很重要，要快要准要狠。”针对这个方面，他总结出了在广泛的 AI 应用中挑选赛道时，要思考的 6 个问题：
● 客户需求：根据产品付费意愿和客群数量估算市场容量，同时考虑国内外的差异。
● 颠覆程度：新产品从无到有的能力，优化现有流程的力度或者成本下降的空间。
● 壁垒构建：未来抵御后发者的能力，同时防御大厂产品泛化的能力。
● 技术趋势：大模型的重点发展方向和创业方向的竞合关系，既要借助大模型的效率提升又要避免被大模型的泛化碾压。
● 技术成熟度：目前大模型本身能力和优化技术在产品落地的效果和可行性。
● 衍生产品：主赛道之外的衍生产品是否有延展机会。
蒲世林指出，以上 6 点只要能满足 2 点以上，这个赛道就“可以干”。正是考虑了以上要点，像素绽放决定从 AI PPT 这个角度切入，由此打造出了 AiPPT.cn 这款产品：全球千亿办公市场，新玩家依靠细分赛道的差异化体验，可与巨头共存并实现快速增长。
诚如蒲世林所说，作为一款将 AI 大模型与 PPT 场景深度结合的产品，AiPPT.cn 仅上线 4 个月就成功进入国内 AI 产品榜 Top10，其最大的特点是：一分钟内一键生成 PPT。他表示，传统 PPT 制作方式仅适合 4A、投行、咨询等专业用户使用，占比仅约 5%；而生成式 PPT 大幅降低了 PPT 制作门槛，足以赋能 全球15 亿普通白领和高等教育人群，而这类人约占比 95%。
结合 AiPPT.cn 的发展经历，蒲世林还指出了选对赛道后如何取胜的关键要点：“基于 4P 理论（产品、价格、渠道、营销）来思考差异化，我们确定了三个关键驱动力：产品力、内容力和增长力，以此来夯实竞争壁垒。”
（1）产品力
产品力是指自家产品与竞品相比的优势，在定位上要有差异化。以 AiPPT.cn 为例，根据第三方研究显示，其竞品之一 80% 的功能只有 5% 用户使用，因此 AiPPT.cn直接舍弃那些高端特性，专注于日常任务如工作计划、报告总结等。除了定位上的差异化外，还可以构建产品矩阵，以提高用户的工作效率并形成完整的业务闭环。
（2）内容力
内容力方面，由于 PPT 本质上是文字与图像的组合，AiPPT.cn 获得了视觉中国的投资，利用其高质量版权图片库来提升内容质量。相比于海外竞争对手使用 AI 生成图片，AiPPT.cn 选择使用版权图片以保证质量和成本效益，使其在海外市场也能提供超高性价比的产品。
（3）增长力
增长力方面，AiPPT.cn的商业模式既面向个人消费者（C 端），也面向企业（B 端）。提供更多的内容模板、更好的搜索优化，实现用户快速增长；同时也提供更多的产品应用、更好的内容、更精准的 AI 算法，提升用户留存。
在演讲最后，蒲世林表示如今有 90% 的人空谈 AI、10% 的人使用 AI，而我们要做那 10% 的行动派，实现 20%-30% 局部效率提升。同时他也强调，在这个过程中要放平心态：不用高估 AI 的现在，也不要低估 AI 的未来——“凡是跟效率相关的，一定是符合人类发展趋势的”。
圆桌论坛：生产式 AI 产品探索与实践
“生产式 AI”，一个蕴含无限可能与挑战的概念，它不仅仅代表着技术革新，更是对传统生产模式、业务流程乃至商业模式的一次全面重塑。然而，探索之路从非坦途：如何将前沿 AI 技术有效转化为可落地、可复制的生产力？如何在快速迭代的技术环境中，保持企业的持续创新力与竞争力？
为了找到这些问题的答案，本次论坛的最后，在前海豚浏览器 CTO 刘铁锋的主持下，句子互动创始人 & CEO 李佳芮，OPPO AI 技术战略规划总监陈晓春，以及云九资本合伙人、前京东 O2O 副总裁任鑫齐聚一堂，围绕“生产式 AI 产品探索与实践”这个主题，展开了一场更为深度的技术探讨和经验分享，希望能以此激发更多关于利用生产式 AI 推动创新和增长的新思考。
距离 ChatGPT 打响 AI 浪潮第一枪，已经过去近两年了。回想初闻 ChatGPT 时的心情，任鑫坦白表示：非常震惊。他解释道，他曾在 2015 年尝试做过一个类似的 AI 互动助理，但当时其团队使用的所有技术都遇到了瓶颈，几乎所有应用场景都没有探索出来，导致最终失败：“那个时候，我们认为这种事情在 20 年内都无法实现，因此当 GPT 出现时，我们感到十分震惊。”
震惊之余，对于如何利用 GPT 这个问题，任鑫表示：“如果大家对某个事情还不知道如何参与时，可以先从吆喝做起。”例如，当时他与一位熟悉大模型的同学一起开播客，让别人觉得他们很懂这个领域，而为了能够吆喝，他们必须将学到的知识体系化，每周都要去学习新的模型和技术——这样，就形成了一个正向循环。
当 GPT 在全球爆火之后，行业内公司都在关注这个风口。OPPO作为一家以手机作为主要产品的公司，陈晓春却表示：OPPO并未单单考虑生成式AI技术能带来什么卖点，而是从用户的需求和痛点出发，生成式AI不仅仅是“写诗作画”，更应该为知识传递、任务处理以及服务分发。基于此，他们重新审视了手机上提供互联网服务价值的应用（比如通话摘要生成等功能），还探讨了端侧计算的问题，即是否应该在手机本地执行计算任务，以提高实时性和保护隐私。
陈晓春透露，OPPO一直在 AI 领域投入，比如影像的拍、看、编、管全链路都有 AI 支撑；手机硬件研发到上市周期较互联网要长的特点，OPPO 在 2023 年就发布了 AndesGPT，此外今年 1 月份发布的 OPPO AI 手机 Find X7，搭载的生成式 AI 功能也收到了用户的积极反馈：“通过这些努力，我们不仅提升了用户体验，也为探索 AI 技术在未来智能手机上的潜力打下了基础。”
将目光聚焦至当下，我们会发现 AI 早已在悄无声息中深刻改变着人们的工作方式、生活方式乃至思维方式——关于这一点，李佳芮深有感触。她透露，在日常工作中经常用 ChatGPT，遇到任何问题都会问一问它：“在这个过程中，我发现不断与 ChatGPT 交流确实能带来很多新的思路。尽管有时候它的回答并不完全有用，但这个过程帮助我重新梳理了自己的想法，并给了我新启发。因此，我认为这种方式正在改变我的工作方式——不仅提高了工作效率，还增强了我的决策能力。”
全新的 AI 时代已然来临，展望未来，刘铁锋提出了一个许多创业者关心的问题：“如果现在还想掺和进这场 AI 变革中，有哪些比较好的创业角度可以切入？”
针对这个问题，陈晓春首先提出了一个观点：从智能终端过去从功能机到智能机的发展历史角度看，生成式 AI 加持下的 AI 手机的发展才刚刚开始，很多机会都在后面。他指出，智能手机形态已经存在了十多年，创新空间越来越小，单单形态的变化、系统功能的升级并不足以带来根本性的变革。然而随着 AI 技术的发展和算力的提升，智能终端和围绕它周边的智能设备将会迎来更多的创新机会。因此陈晓春表示，未来的机会不仅在于应用和服务本身的创新，也在于智能终端本身的创新：“随着技术的进步，未来的智能终端及其生态系统将会有更多令人期待的创新和发展。”
而在李佳芮看来，她认为这个问题可以分为两种情况：
● 对于普通人来说，不需要去搞前沿算法。观察身边有哪些提升效率的产品机会，先启动一个成本极低的小项目，无需高级设计师或程序员，只需要简单的原型即可，即使输出不够完美，但在原型阶段足够了。初步阶段成功之后，再考虑逐渐壮大规模。
● 对于有一定基础的公司来说，最好还是与自身业务结合。AI 重塑工作流绝不是浮于表面的，真正用起来会发现每个环节都可以被重塑。例如，你可以通过 AI 自动化某些重复性任务，提高工作效率，或者通过智能分析来优化决策过程。这些具体改进都将帮助你在业务中找到真正的价值，并逐步实现持续的增长。
紧接着，任鑫也分享了自己对于这个问题的“独到见解”：“主要看你所处的位置，是进攻方还是防守方。”他解释道，所谓防守方，即在市场中具备一定竞争力并占据稳固地位的大厂；而进攻方，则是指当前处于弱势并期望出奇制胜、成功挤入市场的企业。
根据攻防角色不同，任鑫强调：要根据自己的位置来看待自己做的产品：
● 如果你是防守方，应坚持公平竞争，做好用户体验和用户效用，包括用好 AI 来提高用户体验。
● 如果你是进攻方，可能就需要“花里胡哨”。在市场策略上，不要妄想去冲击传统市场，而要用新要素去开拓新市场；尽量摆脱传统的思维框架，不要去做有用的东西，而要做那些看起来很诡异、很新颖的东西，比如多模态技术；为了改变格局，要尽可能将最新的科技硬塞进产品中，即使成功率只有 5%，也要尝试新的技术路线和新出现的论文成果，以此寻找弯道超车的机会。
最后，关于一位优秀 AI 产品经理应该具备的特点，三位嘉宾的看法也不尽相同。李佳芮指出，由于 AI 是一个新技术领域，AI 产品经理必须具备好奇心和执行力：好奇心可以跳出思维定式，执行力则可以更快地完成任务；任鑫认为，AI 产品经理既要有高度的热情和自我驱动力，又能在市场和技术两个关键领域具备强大的能力和洞察力；陈晓春则要求其具备深厚的跨领域专业知识，还要有系统思考的能力，能够在复杂的环境中系统性地思考并作出前瞻性的判断。
以上，便是本场“生成式人工智能产品”主题论坛的精彩内容。
