文 | 格式刷

自从 ChatGPT 和 Deepseek 相继问世，人工智能给人类带来的惊喜已经不再是秘密。AI 大模型的演变速度远远超出了我们的预期。我们常常会问：“如何激发想象力，让 AI 帮助制作 PPT？”、“怎样编写 prompt 提示词以使 AI 显得更专业？”如今，市面上充斥着关于更有效使用 AI 大模型的指导内容。

今天我想和大家探讨的是：除了那些耳熟能详的知识，还有哪些关于 AI 大模型的重要信息需要掌握呢？

01 核心的问题是什么…？

对于不从事 AI 领域的人士，深入了解其技术细节或许并非必须。然而，在当前科技迅速发展的背景下，未来你必然会面临如下课题：

如何充分发挥 AI 大模型的潜力，

将其融入到自己的产品设计中，

以更好地满足用户需求？

在此之前，你或许已经接触过一些专业术语，比如微调、知识库、Token、插件、MCP等，然而你可能对其内涵却不甚了解。

目前，AI 大模型的种类繁多，国际上的 OpenAI、Google Gemini、Anthropic Claude、Meta Llama、xAI Grok 等，以及国内的 Deepseek、阿里通义千问、月之暗面 Kimi、字节豆包、腾讯混元等各有特色。

虽然看似花样繁多，但其实它们在核心能力上大致相似，具体应用领域各有所长。

作为产品经理，了解这些基本能力至关重要。不要等到不得不引入 AI 的时候，才意识到自己想的仅仅是一个输入框而已。

02 他们可以实现什么？

接下来，我将重点阐述 AI 一些基本能力的优势，这将帮助你更好地定制和设计 AI，使其与产品更加契合。

希望你能够通过掌握这些知识，拓宽思维，避免在接入 AI 时陷入一成不变的模式。

结构化输出，让 AI 学会「填表」

这一点非常容易理解，即让 AI 按照特定的格式进行表述，而不是随意发言。

填表效率高于随意表达

我们日常生活中常常会进行“填表”，目的在于以规定的格式输入信息，以便更好地收集和处理数据。否则，若每个人都说出不同的版本，关键的信息是否被完整收集便无从得知。

让大模型进行结构化回答

对于大型模型，你可以要求 AI 使用你指定的格式来回应问题。

{

"产品名称": "智能音箱",

"型号": "X100",

"价格": "499",

"库存": "200",

"image": "图片地址",

"url": "链接地址"

}

这样做的优点包括但不限于：

※ 规范化回答格式，避免 AI 随意发言；

※ 方便开发人员对数据进行后续处理；

※ 在切换不同大模型时，能够获取到相对一致的回答。

举几个应用实例：

※ 让 AI 从用户的差评中自动提取「问题类型-严重程度-情绪评分」；

※ 将自由格式的会议纪要转变为「议题-负责人-时间节点」的表格；

※ 让大模型根据需求，回复用户不同格式的消息：文本、图片、视频、链接等…

总结

通过结构化输出，你能够更高效地利用 AI 大模型，将其与设计需求和功能紧密结合，AI 不再是偶尔发言的对话框，而是更为实用的工具。

掌握工具，摆脱「光说不练」的窘境

数百万年前，人类开始制作和使用工具，而工具的使用又促进了人类的进化。

巧妇难为无米之炊

试想，在没有任何工具的情况下，你能否轻松做出一桌丰盛的晚餐？

这无疑非常困难。

若是拥有足够的工具，如菜刀、铲子、锅碗瓢盆、微波炉、烤箱、榨汁机，以及一台可以查询食谱的电脑，是否一切会变得轻松许多？

同样道理，单靠会对话和回答问题的 AI 只是纸上谈兵。然而，若学会使用工具，AI 的能力将得到显著提升。

举个具体的例子，假如你想去成都旅游，可能会向 AI 大模型询问一些基础的旅游攻略：

探索AI工具的潜力：如何提升旅行体验

想象一下，如果我们能让AI掌握一些旅游工具，事情会变得多么有趣！

例如：

• 查看成都的天气，评估是否适合出行；
• 帮你顺利预订飞往成都的机票；
• 获取航班降落信息，并及时提醒在哪里领取行李；
• 为你安排接机的网约车；
• 预定合适的酒店；
• 规划每日行程，预订博物馆门票和餐厅；
• 在每到一处时，依据你的兴趣为你进行讲解；

可以说，AI是可以被教会如何运用这些工具的。这个过程大致可以分为以下几个步骤：

• 首先，将可以使用的工具及其功能和使用方法告知AI；
• 当你向AI提出某个需求时，它会判断是直接回答还是调用相应的工具来完成任务；
• AI会根据工具的使用说明，自动生成调用指令并发送请求；
• 一旦工具处理完请求，AI会整理返回的结果，并优化后反馈给你。

当前，工具调用常见的概念主要有两个：

单个工具调用（Function Calling）和工具包调用（MCP）。

单个工具调用

许多主流的AI模型都具备Function Calling的能力，用户可以提供多个功能供模型使用，每个功能都有其独特的作用。

这就如同一个工具箱，里面有不同用途的工具：螺丝刀、钳子、锤子等。AI模型会根据对话的需要，决定是否调用工具以及使用哪个工具。

需要注意的是，这些工具需由用户自制，并提供详细的说明书来教AI如何操作。尽管大同小异，但不同的AI模型在Function Calling的规则和标准上可能有所不同，因此在更换模型时，可能需要进行相应的调整。

工具包调用

与Function Calling相比，MCP更像是一个打包好的工具箱。比如，刚刚提到的工具可以打包成一个「维修工具包」。

此外，创口贴、纱布、剪刀等也可以整合成一个「医疗急救包」。

同样地，修眉刀、指甲刀等可以集合成一个「日常护理包」。

没错，MCP可以视为一个标准化的「集合工具包」，它将某一领域所需的功能集中在一起，并通过标准协议与AI模型连接。这样一来，各种AI模型都能统一地使用工具包中的每一个工具。

MCP（模型上下文协议）是由Anthropic公司推出的开放标准，目前该技术标准仍在不断发展中，更多复杂的技术概念将在此不再赘述。有兴趣的朋友可进一步搜索相关信息以深入了解。

对比总结

多模态：赋予AI感知能力

如今，先进的AI大模型不仅限于文本对话和工具的使用，它们逐渐展现出强大的多模态能力。这意味着AI不仅能够“说话”，还可以“观察”图像、理解语音，甚至分析视频内容，为产品提供更丰富的互动体验。

具体而言，多模态能力主要体现在以下几个方面：

※ 视觉理解与生成

AI不仅可以识别图像，还能创作图像。它能够理解图片内容，并根据描述自动生成符合特定风格的图像素材。

※ 语音理解与生成

AI能够理解用户的语音指令，并可以用自然的语音与用户进行交流。

※ 视频内容解析

AI能够理解视频中的信息，并且具备一定的理解能力。同时，它还在逐渐发展生成视频的能力，未来将更加完善。

借助多模态交互，AI大模型将变得更加“万能”，不仅仅局限于文字交流，而是可以通过视觉和听觉等多种感官与用户进行互动，从而为产品创新打开更多的可能性。

AI智能助手

当前备受关注的AI智能助手，正是将这些能力整合，通过感知、决策和工具使用，成为一个能够自主思考并执行任务的智能助手。

总结

你可以根据需求将产品的多种功能打包成「工具」或「工具包」，AI不仅可以「说」，还可以真正地「做」。

同时，可以根据需求接入多模态能力，让AI具备「看」、「听」、「说」的能力。

这样一来，AI与您的产品之间的结合将更加紧密，也能够更好地满足用户的需求。

PUA 大模型，教会AI执行任务

虽然大模型知识广博，但它可能并不理解你的需求。那么，如何让AI了解你的意图，并按照你希望的方式回答用户问题呢？

关键在于掌握两大「PUA」技巧：模型微调（Fine-tuning）和检索增强生成（RAG）。

简单来说，就是：喂养和提供知识库。

喂养AI：模型微调（Fine-tuning）

有句古话说得好，熟读唐诗三百首，虽不会作诗也能吟唱。如果对AI在某些问题上的回答不尽如人意，可以通过不断举例的方式，帮助AI逐渐接近你所期望的样子。

通过“喂养”，可以将一个通用大模型调整为「医疗问答专家」或「年轻的二次元爱好者」。需要强调的是，尽管称之为“微调”，但AI对数据的需求量很大，要提供充足的信息，才能确保其表现稳定、可靠并符合预期。

提供知识库：检索增强生成（RAG）

如果不借助互联网，你如何理解“樽俎折冲”这个成语的意思呢？

查阅字典是个高效的方法。

同样，如果希望AI掌握一些冷门或专业知识，例如客服回复话术或产品使用说明，可以将知识库文档提供给AI，AI会自动检索文档内容，并结合文档知识来回答用户的问题。

值得注意的是，AI所使用的不是传统的“关键词搜索”，而是“语义检索”。

在传统搜索中，“番茄”和“西红柿”是两个独立的词，而语义检索可以让AI理解这两个词之间的关系，从而提升其对知识库的检索能力。

对比总结

总结

通过教AI一些特定的产品知识，AI就能够逐步转变为你所期待的那种角色。

与AI对话：一场角色扮演的心理游戏

首先，大家都知道AI具备对话能力。

除了在提供的聊天界面与AI交流外，你还可以通过API接口与其进行对话。

AI对话系统解析：角色、内容与沟通技巧

在每次交流中都需要记录之前的对话，只有这样AI才能理解上下文。

想象一下，甲、乙、丙三家公司通过邮件进行沟通，这其中涉及几个重要角色：

① 角色（role）

角色指的是参与者的身份，就像邮箱地址中的域名，能够让人一眼识别来源。对于AI而言，主要有三种角色：

※ 系统（system）

相当于第三方监管机构，邮件地址可能是xxx@system.com。其职责在于设定基本规则，引导助手更好地服务于用户，确保不会出现意外情况。

※ 用户（user）

作为需求方的甲方，邮箱地址可以是xxx@user.com。用户的需求至高无上，任何问题都可以提出，可能是一位或多位参与者。

※ 助手（assistant）

这里指的是AI模型，相当于兢兢业业的乙方，邮箱地址为xxx@assistant.com。用户的每一个要求都需得到满足，助手同样可以是一个或多个角色。

② 名称（name）

名称类似于邮箱地址中的用户名，让人清楚区分各个角色：

※ 唐诗专家@system.com

※ 刘总@user.com、王工@user.com

※ AI李白@assistant.com

※ AI杜甫@assistant.com

※ AI李商隐@assistant.com

通常情况下，角色的识别已足够，但若产品涉及多用户与多角色的场景，名称的使用则显得尤为重要。

③ 内容（content）

内容自然是邮件的正文，甲乙丙三方通过它传递信息。

④ 健忘（forgetful）

每次邮件都需包含之前所有对话的记录。

遗憾的是，这种对话系统相对简单，每次只能处理当前收到的邮件内容，无法存储历史记录，导致所有参与者都变得“健忘”。

为确保AI能够理解整个讨论过程，发送邮件时必须附上所有之前的对话，这样才能保证AI的回应连贯且准确。

然而，这也带来了两个问题：

※ AI的记忆有限，终究会出现失忆情况；

※ 随着对话的增多，所需的token（费用）也会显著增加。

总结

掌握了上述信息后，结合不同的系统、用户和助手，相信你能激发出许多新的创意与构想。

更多小知识

作为需求方，除了可以与大型模型对话外，还能提出一些额外的要求。

以下是几个常用的功能：

流式输出（stream）

你可以决定AI的回答是一次性完成还是逐字输出。我们通常看到的AI回答过程其实就是流式传输，因完整答案的生成速度较慢，流式输出能够有效缓解用户的等待焦虑。

重复率（frequency_penalty）

这个参数的范围是-2到2，用于减少内容的重复，避免出现无意义的重复。如果设置为正值，AI在回答时若出现已有文本内容会受到惩罚。

温度（temperature）

虽然称为温度，但实际上它代表了AI的随机性和创造性。温度低时，AI的回答会更加一致，反之则会更具发散性，回答的随机性增大。还有一个类似的参数叫top_p，功能相似，这里就不详细解释了，以免让你感到困惑。

总结

若你想了解更多关于大型模型的参数，欢迎浏览各大模型的官网API文档，那里会有更详细的说明。

AI的幻觉

所谓AI幻觉，简单来说就是AI有时会“胡言乱语”，表面上看似逻辑合理，但实际上与现实相去甚远。

造成这种现象的原因有：

※ 误读训练数据：

模型的训练数据中可能包含大量错误且低质量的信息，导致其产生不准确的回答；

※ 强行联想：

AI会强迫将高频词汇进行关联（比如看到“加拿大”就联想到“多伦多”，但其实你的问题是关于加拿大的首都）；

※ 不愿承认无知：

许多大型模型设计上倾向于“宁愿编造也不承认不知道”，所以在无法确定的情况下，它们可能会给出错误的答案。

因此，除非你的产品专注于AI领域，最好将AI作为功能的补充，而非完全替代。毕竟，AI并不总是可靠的。

他们各自擅长什么？

主流的大型模型犹如武林中的各路高手，有的实力强劲，擅于逐行处理代码，有的轻功出众，能够驾驭冗长的文本，还有的则是暗器无双，专攻多模态的花样应用。根据你的产品需求选择合适的工具，才能使 AI 真正成为你的“绝世武器”。

下面是国内外一些主流大模型的比较（建议在电脑上查看更为清晰）：

以上的对比并不一定全面，建议大家参考各大模型的官方网站及权威评测结果。

05 最后的思考

大型模型并非万无一失，它更像是推动产品创新的“助推器”。只有理解其能力的边界，灵活运用多种工具，才能让 AI 成为用户真正的“智能助手”。

以下是我的一些个人见解：

我们使用 AI 的核心任务

是提升用户的价值

而不是追求技术的炫耀

很高兴能见证 AI 迅猛发展的时代，正因如此，相关技术日新月异。这篇文章仅仅介绍了一些基础概念，如果你对 AI 感兴趣，建议在闲暇时多关注相关信息。

历史的车轮在不断前行，不如期待未来。

【钛媒体作者简介】

你好，我是 JJW，偶像是张小龙。

在鹅厂担任高级产品负责人，虽然对抓手不太理解，但我曾将负责的业务从零发展到千万级 DAU。

曾在两款顶尖产品工作，热爱游戏，也喜欢研究一些看似没有实用价值的事物。