总的来说，2024 大伙都更加务实，无论是投资者还是创业者，不再宏大叙事，转为探索的落地业务。
Cursor 能帮我补齐短板，虽然我不会对应语言，但我能看懂代码对不对◆■★，也知道要如何调试，它能帮我快速做 产品 Demo■◆■★■★。
有人梭哈 All in 搞 AI，有人稳坐观望★◆，有人还在学规则，或许也有人已经 Out 了。
这种辅助应该是无形的、自然的★★■★◆◆，就像旁边有一个写作大神和你一起，既不打扰你的思路，又能在你需要的时候给出恰到好处的建议。
总结我对 AI 产品的付费动力：看起来，买的是产品能力，但本质是是为了 AIGC 的产物付费，是为优质的内容买单。
三高就是：高频刚需、高错误代价、高机械性。一准就是：AI 生成产物只需评价准不准，而不要评价好不好★★■■。
首先是稳定性，Demo 展示最优路径，环境可控◆◆，万事俱备，而且大家都能接受存在一些 bug◆■；而实际场景下◆◆★◆，用户输入千奇百怪■◆■★★，各种边界情况层出不穷，用户的使用习惯更是难以预期
所以■★，我们在做完 Demo 之后◆◆★，就开始往回收◆★，然后思考下面三个问题■★■，尝试找到产品化的必要性。
而且 prompt 很难实现边界条件的处理■■，当场景复杂的时候■■■◆★◆，真的就是调试和迭代变得极其复杂。
去年，几个算法工程师和产品经理坐在一起，可能就能打造出很很棒的 demo；因为场景简单，需求明确；过程中完全不需要一个“中间角色”来协调工作★■■◆★★。
比如简单的图像识别，或者套壳◆★◆、Agent 工作流★◆■，大概几个小时■★◆★◆◆，一个下午的时间对齐就能搞定。但当 AI 应用逐渐走向工业化，我觉得情况可能会有所改变。
比如◆◆■★★◆：生成一张图要等 30s，用户能等么？一天要烧几十万 Token，能撑得住么？
举个例子，基础的 Prompt 工程师负责优化 AI 功能实现时的提示词■★◆，他可以聚焦
我一般按照这样的象限进行划分，对于更多用户遇到的高频场景，又需要专业资料的，可以考虑优先做；而对于资料需要内建或者依靠用户积累的，可以稍微降低优先级；
相同的需求，使用不同的提问方式，或者让 AI 扮演的角色不合适，产生的答案差异也较大。
可能大家会疑惑，这个和 VS Code 的 Copilot 有啥区别★■？我觉得■★◆★，最关键的差异■■，可能就是… 用户不会在行文过程中写注释。
VSCode Copilot 成功之处，很大程度上得益于程序员们的写注释习惯。
2024 飞逝而过■★■，我们踩着坑，跌跌撞撞摸着技术摸着行业，也摸着用户前行◆■★，逐渐积累了一些新的小小认知★★◆。一直希望与朋友们分享■★■★◆，以致敬技术爆炸的 2024 年■★■★。拖延症发作至今… 再不写就过点儿啦■★★◆，后文中，我努力体系一些，分为为三个篇章讲述：
看似只是在出功能方案，实际要懂 RAG、要懂 PAL◆★★◆★、 懂 Ranking。样样都不能少。
程序员们在编码时，自然而然写下大量注释，解释代码的功能、参数和逻辑。训练时，AI 学习了规范的、有逻辑的代码★★■◆■。
比如现在的 AI 岗位：Prompt 工程师、AI 产品经理、模型训练师★★■◆★.★★◆.■◆★★◆◆. 看着都挺不错。但每个岗位背后■★■，都需要扎实的功底■◆■◆，并不是说转就转■◆◆■★。
我一直在思考，在文字或办公层面★◆，是否能够像图形一样，具备可控生成能力，因为目前 LLM 写作遇到最大的问题，就是大模型的思维逻辑严丝合缝，普通用户修改压力大■★★◆，一旦在过程中出现表达异常，会毁掉后面全部内容。
产品丰富度上呈现显著断层，这主要是因为面向全球市场的产品往往追求规模效应■◆★★，导致大 DAU 产品占据主导地位。如果创业面向全球市场，“小而美”的策略或许仍然奏效◆★■。
爸爸被女儿拿捏的死死的，刚被女儿玩头发玩烦又瞬间妥协 网友：这发量，让我女的都羡慕
首先■◆，过度依赖单一模型能力。在模型解决不好需求的时候，考虑的是调 prompt 而不是换模型或者换技术手段。因为他们可能不了解新的技术手段。
TE = 效率得分（越高优先级越高）■◆◆、U = 用户覆盖率（或者渗透率）、C = 付费转化率（或者留存）★◆★◆■★、P = 客单价（或者付费意愿）、T = Token 消耗
但这些毫无例外◆★，都是“资本加持◆■”的产物■◆◆◆，对于创业者而言，可能需要避开在内容生成层面卷，而要考虑解决少部分用户，小细分场景，把付费做起来，先活下来★◆★◆■，避免陷入同质化竞争。两边的市场都呈现：从通用平台向垂直应用的演进，可以看到 DAU 稍小的 AI 产品的增量都较为显著。
Claude 作为封号狂魔■◆◆，使用的成本极其高昂，换账号换麻的我，找 poe 作为平替★★■★■；本质是需要 Claude 3.5 Sonnet 的优质内容；
如果不了解底层原理■★★◆◆，很容易陷入两个极端■■：高估 AI 能力，设计无法实现的功能低估 AI 潜力，错过创新机会，我在与各类公司伙伴沟通时发现，一些产品经理高估了 AI 的能力★★■，低估了产品化过程中的困难。
两个多月宝宝发量惊人，妈妈一松手，宝宝头发瞬间炸开 网友■◆◆★◆：真的是旱的旱死，涝的涝死
国内 AI 产业蓬勃发展，同时催生挺多新岗位★■◆■★◆，目前是一个大趋势是许多产品经理转型为 AI 产品经理。
而且，这些产品提供了我基础能力以外的认知，比如前端代码的能力■■◆。如果我不买使用这个■■■■，我的同事可能会使用这些能力◆■，进而产出超越我能力的工作质量。
GPT 市场份额毫无悬念的断崖第一★★，紧接着就是 canva 和 Gemini。全球市场在 OpenAI ■★、 Google 等公司主导下，体现出典型的赢家通吃局面，马太效应明显。
用户难以像编辑 PPT 一样，直观地对 LLM 的生成结果产生■★◆“所见即所得■◆◆”的预期。
2023 年我觉得：■■★★◆“垂类”空间挺大★■★，但随着 AI 基础模型的持续迭代，纯依靠内容生成的创业优势正在被快速削弱，创业团队优势会越来越少。
比如：文案创作依然聚焦于生成 - 修改 - 优化的核心流程；游戏原画依然围绕构图 - 调色 - 细节的基本需求；办公效率依然围绕输入 - 处理 - 输出的工作模式■■。这也解释了为什么很多纯堆功能的产品很难真正打动用户■■★■★。技术和能力只是噱头和手段★★，解决用户需求才是目的。所以在规划和设计产品功能时：与其追求大而全，不如做透一个功能，思考用户需要什么，再动手。
未来，大模型升级或许能适配更少的提示词，或者用户慢慢学会与 AI 交流，都可能带来更好的结果。
《编码物候》展览开幕 北京时代美术馆以科学艺术解读数字与生物交织的宇宙节律
今年是 AI SOTA 起伏跌宕的一年，AI 技术爆炸◆★★★■，而产品却线性增长。
如果希望 AI 生成好结果，前提是用户得提出好问题，写出好 prompt ，而目前大部分用户不具备写出好提示词（5W1H 、 详细描述背景、 提出明确要求等）的能力。
其次是用户对 AI 服务的价值认知不够◆★■■，比如 kimi 、豆包和秘塔等产品都能搜索◆■■■★，只要有产品收费，用户就会转移到其他不收费的产品。
在 2024 年，我们尝试对用户前文进行内容识别，基于前文的受控生成，取得了非常好的效果，用户反响热烈★★。请看录屏效果。
接着上面关于 “内容质量★◆”的话题，如果用户对内容有诉求★■◆，而且养成重试习惯，持续炼丹 带来 Token 成本上升。
首先■◆★，产品的演进需要较长时间打磨，对于大部分公司而言◆◆■■■，从发现新技术，调研与 Demo★◆■■，再到产品落地，结合过程中沟通协调、迭代测试… 走到上线 个月的时间。而在这段时间之内，技术很可能已迭代了多版。我们也能看到■★◆◆■，一些大厂采用后发先至的策略，以稳定的方案结合流量抢占市场…
徐奕成，金山办公 WPS AI 产品总监◆★，10 年产研经验◆■★，7 年 AI 相关产品设计经验，主导设计基于 Agent 范式的 WPS AI 伴写功能。曾供职于天美 J3 工作室，西山居等，创业 AI 产品《米羊写完啦》被金山办公收购★◆★★◆，曾负责多款腾讯游戏安全业务，天美 DevOps AI 项目管理系统开发等◆◆★，拥有 2 项专利，多次获腾讯公司级技术突破奖■■◆◆★、成本优化突破奖◆★★◆。
就像训练智能驾驶端到端模型，使用老司机上路的行为，不一定能开好电动车（因为电动车的路况更复杂）★■■。
因为这样设计，用户不用评价内容好不好，价值就在那里，明明白白■■★◆，也能促进付费决策★★。用 WPS 举个例子，下面场景抓得比较准确◆■。
落地之后紧接着发现◆■★■：这个技术已经过时了■★◆★◆。我在与许多团队沟通的时候，他们表达：评估是否采购新兴能力时，对于技术被快速淘汰的疑虑大于新能力的渴望。
就像 1999 年的互联网那个时代，那个时候的产品复杂度，需要的协作度还不庞大时，当时的产品经理需要技术出身（比如张小龙大佬），对各种技术有深入理解时★◆◆★★■，开发主导，能设计出许多可靠好用的产品。下面是简单罗列产品经理能力雷达★■◆◆★，仅做示意★★■。
大部分用户仍然采取：★■◆◆■★“一次不行就多试几次◆■◆■★”的策略，同时，用户很难第一次就问对问题或者表达清楚诉求◆■★■■，同样的★■★■★， AI 返回的内容也无法直接满足用户。用户和 AI 往往需要交流 3◆■★★★◆.5 次以上才能获得较好的内容■■◆。
而反观国内的市场，却呈现了“百花齐放◆■■◆★■”的姿态■★★，更加注重实用，且不同于互联网 “BAT”竞争大格局，细分领域都赛出了赛道黑马，比如搜索（夸克 6700W）、Chatbot（kimi、豆包）、音视频（即梦、可灵）等★★◆■，
写材料◆■◆★★◆，找素材找半天，调格式调到吐，改表格改到眼晕◆■★◆；回邮件，一些套话回复要组织语言，事项要加 TODO.★■★■..
它需要分析用户已经写下的内容，捕捉行文脉络，预判下文走向，在用户需要的时候适时提供帮助。
对于创业团队而言◆◆，用户量窄不打紧，只要用户群对功能有诉求并有付费意愿，就可以优先开发◆◆■◆★★。
这种所见即所得的体验，让用户始终掌握着写作的主动权，避免了那种AI 牵着鼻子走的被动感。
我从收集整理了全部的资讯与产品，整理了 2023 年与 2024 年资讯词云，一些有趣的变化：
今天的 AI 产品刚刚起步，产品经理可能也面临类似处境■■■◆：AI 技术还在快速迭代，能力边界也不稳定。
简单来说，在 token 相同的场景下、要么能换用户量、要么能换付费转化◆■★■、要么能换高单价。三头总得保一头。如果三头一个都保不了■★■★★◆，那在商业化层面◆■■，可能没有太好的预期。
技术焦点从 ChatGPT 和 模型向 模型应用转移，kimi、豆包、即梦等声量提升
其次是成本★★◆★◆★，Demo 可以为了达到目标不计代价（甚至性能代价）■■；而实际商业化应用★◆◆★◆◆，每一个 Token 都要精打细算，实际应用中，响应速度、并发数、成本控制…Token、算力烧起来都是真金白银，每一项都是拦路虎■◆■。
疑似有洛杉矶电影工作室人员，扛着机器上街拍特效素材，网友◆■■■：真正的百万特效
对账时◆■★，漏掉一笔收入或多记一笔支出，差个一分就要老命；投标时★■■◆■★，格式不规范被否★◆■◆★，条款不完整被退，错过截止全没了；分析时，一个指标算错，汇报时被发现，那就…写材料，领导讲话引用错★★■，那就…
这样的 TAIPM（Tech AI PM）看似只是在写提示词■■★，实际要懂 NLP◆■■■★、懂业务、懂优化、懂成本◆■■■◆...
有句话说◆■■★◆：所有产品都值得用 AI 重做一遍。”但我觉得还有一句话更重要：选择比努力更重要。 那究竟什么样的产品值得用 AI 重做？一些功能稳定的产品◆◆★，比如计算器◆★★★■★、日历、天气这样的工具，不需要急着 AI 化★★，优先级可以往后放。
以游戏行业为例，TA（技术美术） 和 TD（技术策划）他们分别融合了 开发和美术；开发和策划。他们是开发中最懂美术效果的人；是美术中最懂写代码的人◆■◆■；
这波 AI 浪潮来得太快，GPT-4 刚出来★◆，Claude◆★、Gemini 又来整活，国内模型往死里卷。每天刷到的自媒体都在说■★◆◆■■：
如果要求用户像程序员那样写注释◆■，反而会打断用户写作思路，增加不必要的负担■◆■■。
图片、视频的创作覆盖行业更广，对于用户基础能力要求更高，带来的收益也越大，团队有足够的动力学习使用可控图形或者视频生成。但在文字场景中，对于普通用户而言，可控 AIGC 仍是个痛点■◆◆◆★。
去年，无论是内部还是外部★◆■◆，一些产品经理把 LLM 当作函数在用★★★★，用户的原文或者请求作为输入，AI 生成的结果就是输出。
特别声明◆★◆■★◆：以上内容(如有图片或视频亦包括在内)为自媒体平台◆■“网易号”用户上传并发布，本平台仅提供信息存储服务。
这也解释了用户遇到 “ 为什么同样用 GPT，我在官网用和这个应用◆★◆，结果差这么多。◆◆◆■■■” 现象的原因◆■。
如果项目规模较小★■◆■■◆，或者已经有非常成熟的解决方案可以直接使用，那可能并不需要专职的 AI 技术策划。
Monica 工具箱超多的功能，能非常快速整理资料◆■■★■，规则地转为我自己的知识；
大部分用户根本不知道也不关心是否有 LLM 参与，他们只希望更好解决他们的工作★◆，节省出时间来摸鱼■★★★★■。
最关键的一点◆■★：AI 生成内容不可避免幻觉或者不稳定，如果结果需要用户评价“好不好”，
2名中国女游客在日本被撞身亡，有游客亲历：我也被困危险区域，万幸电车走的远道★◆★■，最后操作得当才脱困
震惊！AI 要替代这个...、颠覆！AI 要颠覆那个...直播上各种贩卖焦虑：完了完了，这下真要失业了◆★■■、再不学 AI◆■，就要被淘汰了★■、XX 行业要完蛋了■◆■■...
作为以前的游戏开发，我对 C++、python 都驾轻就熟◆■■■★◆，但对于 Web 前端比如 VUE 、TypeScript 几乎一窍不通…
AI 难为无米之炊，对于数据源的拆段■★、向量化和召回等环节，也可以深入设计。说白了，得在内容生成之外找差异化竞争点…毕竟模型迭代太快◆◆，光靠堆 prompt 已经玩不转了…
最关键的是价值★◆■■◆，Demo 未必能解决用户痛点，即便解决了，用户也未必买单。变现模式需要探索■◆★■★，ROI 更是难以评估。比如◆■◆■◆：这个功能确实挺好★■★★，但用户说：又不是不能用…而且为什么要花钱…
其次，低估运营和维护成本。对于不同的模型★■◆◆，接入代价不一样■◆◆★，不同的技术方案要求的技术栈也不一样★★★■，需要产品经理对方案有足够的了解，才能更好与开发一同制定功能策略，才能选择最适合的模型来解决具体问题，而不盲目追求最新最强…
其次，AI 技术与产品都处在快速发展的不稳定态，新的模型★■■★◆■、算法层出不穷■◆★◆★，但如何将这些技术转化为稳定可靠的产品功能★◆，仍需要时间的沉淀。一方面，并不是所有的 SOTA 都适合落地；另一方面，SOTA 技术落地到用户应用中，并不是简单的过程◆★■★，更别说一些 SOTA 包含宣发★■■★、营销等目的，刷榜、刷数据…
用户不知道怎样描述需求才“对”；因为人的沟通往往是基于“感觉”与◆■◆“直觉■★■■”， 而现阶段大部分 LLM 仍需要 明确的指令与完整的上下文。
WPS AI 伴写功能录屏◆★，有兴趣可以更新 WPS 版本到最新， 新建 docx 文档后，点击右上角免费体验。
2024 ◆◆，更讲“落地”、★■■“场景”；而并非去年更宏观的“产业”、技术、★■◆■■◆“发展”
ChatGPT 引爆了人工智能领域，2024 年技术层面百花齐放，而相比于 2023 年，产品的迭代明显跟不太上节奏。
但对于那些需要深度定制、规模复杂、要求持续迭代的 AI 应用来说■★◆，这个角色就变得不可或缺了。
与其盲目跟风，不如先摸清自己的底牌■★■★◆★，看看手里有什么筹码★◆■，等待合适的机会◆★★。反正牌局还长着呢■★■◆◆，慌也没用★★■★■■。毕竟市场有起有落◆■★■◆，风口有来有去■■★◆◆，能留在牌桌上，就还有机会。
大部分的 AI 应用对用户的请求做封装，固定的 system prompt 会干扰用户命题导致结果质量下降★★。
有的时候，甚至寄希望于一个 ◆■■◆■“完美的 prompt”解决所有问题◆◆■★■。实际上，prompt 越写越长，维护成本会直线上升，
OpenAI 等大公司快速迭代和带来标准的统一，在很长的一段时间★★◆，友商只能跟进★★◆■★★。
解决★◆：写完 ppt 套自己公司模板的问题，把半个多小时的调格式的时间节省下来，内容不在“好不好”★◆◆■★★，而是格式“对不对★★◆■★◆”上■■◆★★■。
更为关键的是，AI 生成的内容必须在用户的掌控之下。让用户可以一眼看出修改建议，并自主决定是否采纳。
特别是办公室用户，有大量的写作要求★★■■★，不但要求想法全面、用词准确、结构合理等，还要避免一眼 AI ，规避行为不端风险。
TPM 既要理解引擎的能力边界，又要知道怎么做出好看的效果。两个领域都要精通（熟悉），才能创造价值。
年初花大量精力优化内容质量，下半年模型一升级◆■，好家伙，我们的努力几乎被直接取代…对于自家产品迭代◆★◆，走了一些弯路不打紧。最怕是… 友商后发先至◆■★★■◆，通过新模型 + 砸流量 + 砸资源不但端了我们的饭碗■■，掀了我们的桌。
AI 行业的持续迭代，需求与解决方案逐渐复杂◆◆★★◆■，必然也会产生横跨技术、模型和产品的 TPM。能力融合是必然的趋势■★。而且… 这个岗位在短期内可能不会消失★◆。
很多人认为 AI 的出现会改变一切，但我觉得：用户的核心需求从来没有改变。反而因为有了 AI 之后，用户对内容质量和响应速度的要求更高了。
以数据为例，大模型生成的内容泛、不聚焦，看起来能用实则不好用，那么结合专业资料 RAG 技术能提升 AIGC 内容质量基线。
下面是基于 aibase 最新一期产品榜单整理的散点图★■◆★■◆，对比国内与全球，
以文生图的场景为例，可灵、即梦、元宝等在亚洲人绘制上远超 Midjourney，对东方美学的理解更为准确◆★■■，在古风、国潮等风格上尤为出色，对汉服★◆■★◆、古装等传统服饰的细节还原度更高。
工程化同时，需要关注 LLM 升级方向，避免被模型升级取代。过去一年, 我们在内容生成优化上吃了不少亏。
我在想，如果我还在继续创业■◆★◆，我可能会：结合我之前的经历或者能明确接触到的专业群体★■■★◆◆，绕开豆包简单 prompt 就能覆盖的内容，找到明确的刚需场景◆◆■，通过独特交互，结合 LLM 能力★■◆，切非常小的场景打磨透◆◆，先提供差异化的★■◆■■■，内容优化的差异化体验，把留存做起来，可能存在一定商业化空间◆■◆◆★。
虽然用户对基础能力的付费意愿低，但用户对于优质内容有需求；特别是对于超出用户现有能力的优质内容★◆■★★◆。以我为例■■◆★■，我之前购买了 ChatGPT、VS Copilot、沉浸式翻译等…
游戏有个概念叫 beautiful corner，简单来说就是在理想环境下■◆，通过堆料证明效果，在该场景中不计成本地展示。
在 AI 大模型技术如汹涌浪潮席卷软件开发领域的当下，变革与机遇交织，挑战与突破共生。2025 年 4 月 10 - 12 日，QCon 全球软件开发大会将在北京召开■◆★，以 “智能融合，引领未来” 为年度主题，汇聚各领域的技术先行者以及创新实践者，为行业发展拨云见日。「更智能的企业 AI 搜索实践」、「反卷 “大” 模型」■◆◆◆、「多模态大模型及应用」等热点专题，直击行业痛点，解锁可复制的经验与模式。现在报名可以享受 8 折优惠，单张门票立省 1360 元，详情可联系票务经理 咨询■◆■★★。
在团队资源有限的时候，假设有相似的市场预期，选择同样纠结★■■◆★◆。我会根据上面的规则，拆成★◆◆■◆“高频程度■★”、“出错代价★◆■◆★◆”、“预期体量★★■■”几个指标进行优先级评估★◆■。
就像文生图或文生视频领域一样，许多团队在日常工作中已经充分使用 ComfyUI 等产品进行内容生成。
写 PPT 的时候■★★■◆，天天要改字体、调间距、换配色、改边距... 每次要交材料■■，都要全文替换标题★■■◆◆、逐页检查段落、重新排版、统一页码★■★.◆■◆.■◆★★★. 每次处理表格■■◆◆◆★，不是要求加粗就是斜体，今天改行高明天换背景色...
原本对于国内外模型的限制，我很担心产品效果会打折扣■★◆★，事实上，我相当多虑。在过去一年◆◆，我见证了国内模型能力的快速追赶。从最初★■◆◆◆■“接近 GPT4 水平”，到现在在一些领域成为 “SOTA”。
另外掌控感对用户而言非常重要，这也是我希望 AI 和用户达成的默契★◆★◆■★：顺应用户的写作习惯，而不是强迫用户改变习惯去适应 AI。
AI 时代，想法更加不值钱了。如果有通用的需求和场景，大厂只需要花一周就能把交互抄过来。所以■■★◆◆★，只能找大厂 ROI 不高的场景入手，找到小众但能给钱的群体，先让公司活着（上线就必须要收费）◆◆■★，再想办法融资。
但无论是模型端，还是用户端，都需要时间。现阶段◆■★◆◆★，就需要从产品端出发，让用户更少提供提示词甚至不需要提供提示词，就为用户提供更有效，更好的内容。
对于创业团队而言★■■★，就会陷入两难境地■★★★■：功能不收费，成本罩不住★■★◆；收费，用户会流失。不过这或许并不是无解的问题…
毕竟■★◆，技术再酷炫，不解决问题就是玩具■◆。Demo 再惊艳，不赚钱就是负债。
相同品类产品的技术路径高度相似，形态千篇一律（遮住 logo 就难以区分）◆★◆■；
而基于工作流的产品（用扣子■★◆、dify 等产品快速搭建的小应用）★◆，或纯套壳的产品，在友商的激烈竞争围剿下■■◆★◆，难以再积累 To C 优势。所以可能不会再考虑生成更通用内容的产品。
那完了，用户就会开始炼丹■◆★。因为用户总会对“下一次◆★★◆”抱有很高的期待★★■■，我们的 Token 和算力就在燃烧。所以我们可能会聚焦在◆★◆◆“准不准”的场景，比如：数据对不对■◆★★■，格式规不规范◆★■★■■，内容全不全★■★◆◆◆，逻辑通不通◆◆★◆■■。
一些复杂的场景■◆■■■，如果在实现层面没有用 扣子、dify 这些流，在程序上也要与开发达成流的概念◆■，多次调用 LLM 完成一次请求。比如一个客服场景，AI 要同时完成：意图识别★★◆★◆、情绪判断、话术生成，结果就是一个超长 prompt，既要判断又要生成。
换到文档写作场景，用户可能正在写一份工作报告或者方案，他们不会也不该在写作过程中添加各种注释和标注◆★■■◆。
客服1