LLM-Native產(chǎn)品的變與不變是一個(gè)持續(xù)的過程，始終以用戶需求和品質(zhì)要求為出發(fā)點(diǎn)，根據(jù)技術(shù)的發(fā)展進(jìn)行相應(yīng)的更新和適配。本文講述相關(guān)內(nèi)容，希望對(duì)你有幫助。

一、創(chuàng)建LLM-Native產(chǎn)品的幾個(gè)原則

以下是一些進(jìn)行LLM-Native產(chǎn)品設(shè)計(jì)時(shí)可能有用的建議：

1. LLM-Native與模型自由

《Does One Large Model Rule Them All? Predictions on the Future AI Ecosystem》（作者：谷歌前CEO Eric Schmidt、Databricks首席科學(xué)家、斯坦福教授Matei Zaharia和Samaya AI創(chuàng)始人Maithra Raghu）這篇文章寫于今年4月初，在當(dāng)時(shí)GPT-4封神、GPT-5呼之欲出的輿論環(huán)境下，幾位大佬提出了一個(gè)非常不合時(shí)宜的行業(yè)非共識(shí)：未來的AI生態(tài)中，通用大模型負(fù)責(zé)解決長(zhǎng)尾問題，高價(jià)值的業(yè)務(wù)場(chǎng)景將由專業(yè)AI系統(tǒng)來解決，具體表示為下圖：

模型類型-問題價(jià)值曲線以這篇文章的內(nèi)容為出發(fā)點(diǎn)，我們認(rèn)為：從產(chǎn)品工作的視角來看，LLM-Native產(chǎn)品必須擁有自己的模型。而這并不意味著通用模型和垂直模型是非此即彼的競(jìng)爭(zhēng)關(guān)系，事實(shí)上我們相信在較長(zhǎng)的一段時(shí)間內(nèi)，我們都會(huì)看到智慧程度更高的通用底層模型與業(yè)務(wù)能力更強(qiáng)的垂直模型展現(xiàn)出某種合作關(guān)系，具體來說：

• 垂直模型面向應(yīng)用，用更低的成本以及更好的業(yè)務(wù)效果為特定場(chǎng)景服務(wù)。
• 通用模型面向模型生產(chǎn)，用更強(qiáng)的智慧水平提高垂直模型生產(chǎn)的效率。

所以對(duì)于LLM-Native產(chǎn)品的工作來說，首先應(yīng)該將專業(yè)模型加入工作計(jì)劃表，其次要善于借助通用模型，最后要記住不要過分依賴通用模型。

2. 找到自己的LLMs的能力光譜

我們?cè)谇拔奶岬竭^“需求即能力”這一LLMs技術(shù)的特點(diǎn)，這個(gè)特點(diǎn)決定了不同的LLM-Native產(chǎn)品因其面向場(chǎng)景、解決的問題、面向的用戶群體不同，而對(duì)模型能力的要求有所差異。一個(gè)形象的比喻是：原子的特征光譜。即當(dāng)我們將某種LLM-Native的產(chǎn)品對(duì)應(yīng)到LLMs時(shí)，就像不同原子會(huì)顯示出不同的特征光譜一樣，此時(shí)應(yīng)該能夠列出一個(gè)明確的模型能力規(guī)格說明書，通過這份說明我們可以：

• 知道自己需要什么樣的模型。
• 能夠評(píng)價(jià)不同模型對(duì)業(yè)務(wù)的價(jià)值。
• 可以指導(dǎo)模型效果的優(yōu)化方向。

不同的場(chǎng)景對(duì)模型的能力要求會(huì)有很大的差別所以，未來LLM-Native產(chǎn)品經(jīng)理可能會(huì)有一項(xiàng)工作就是定義出自己場(chǎng)景的模型能力光譜，而這將是整個(gè)產(chǎn)品設(shè)計(jì)工作的起點(diǎn)。

3. 利用LLMs的優(yōu)勢(shì)而非劣勢(shì)

任何一項(xiàng)技術(shù)都有其技術(shù)優(yōu)劣勢(shì)，所以產(chǎn)品設(shè)計(jì)者一定要懂得揚(yáng)長(zhǎng)避短、順勢(shì)而為。比如相對(duì)于PC互聯(lián)網(wǎng)，移動(dòng)互聯(lián)網(wǎng)有隨時(shí)可使用、位置信息、設(shè)備綁定、相機(jī)陀螺儀等硬件優(yōu)勢(shì)，同樣也有展示空間有限、文字輸入不便等弱點(diǎn)，所以在揚(yáng)長(zhǎng)避短的原則下，出現(xiàn)了面向碎片化時(shí)間的產(chǎn)品（feed流類產(chǎn)品）、出現(xiàn)了基于位置信息的產(chǎn)品（打車）等，在設(shè)計(jì)上也會(huì)用更輕的交互來避免文字輸入。對(duì)于LLM-Native產(chǎn)品也是一樣，我們需要找到LLMs的優(yōu)點(diǎn)，基于這些優(yōu)點(diǎn)來設(shè)計(jì)，并同時(shí)識(shí)別出技術(shù)的弱項(xiàng)，從而在產(chǎn)品設(shè)計(jì)時(shí)盡量規(guī)避，比如我們很容易可以整理出一些可以供參考的優(yōu)劣勢(shì)：

優(yōu)勢(shì)：

• 能力是一個(gè)開放域
• 通過自然語言完成交互
• 內(nèi)容是動(dòng)態(tài)可操作的
• ……

劣勢(shì)：

• 內(nèi)容不可控
• 實(shí)時(shí)生成速度慢
• 模型更新、使用成本高
• ……

比如A16Z最近提出的AIGC應(yīng)該面向概率型產(chǎn)品（probabilistic products）進(jìn)行設(shè)計(jì)的觀點(diǎn)，就是試圖利用模型優(yōu)勢(shì)進(jìn)行設(shè)計(jì)的一種嘗試。

如何利用模型的概率性進(jìn)行產(chǎn)品設(shè)計(jì)也許，未來每個(gè)LLM-Native的產(chǎn)品經(jīng)理都應(yīng)維護(hù)一份LLMs的優(yōu)劣勢(shì)清單，在確定產(chǎn)品的功能設(shè)計(jì)后，都應(yīng)該從LLMs技術(shù)的優(yōu)劣勢(shì)進(jìn)行一次審核，看看是否做到了“趨利避害”。

4. 生成器和系統(tǒng)2

使用LLMs進(jìn)行生成是以指令為起點(diǎn)的，即：指令->LLMs->內(nèi)容&行動(dòng)最直觀的指令是用戶的prompt，也就是使用自然語言將需求表述出來，此時(shí)，需求=指令，但隨著LLMs技術(shù)的發(fā)展，我們會(huì)發(fā)現(xiàn)：

• 由于模型能力的開放性，相同需求的不同指令差距會(huì)很大。
• 除了prompt外的其他要素也會(huì)加入指令被輸入模型，比如外部知識(shí)庫(kù)、工具接口等。
• 模型能力越來越強(qiáng)，對(duì)應(yīng)的指令也會(huì)越來越復(fù)雜，這也是上文提到的“語言即代碼”特性的必然結(jié)果。

一個(gè)愈發(fā)明顯的趨勢(shì)是用戶需求和指令的分離，即會(huì)有一個(gè)專門的指令生成環(huán)節(jié)來連接用戶需求和LLMs（Agent便是這種趨勢(shì)下的必然產(chǎn)物）。

這里我們將接收用戶需求并翻譯為大模型指令的工作環(huán)節(jié)稱為生成器：一個(gè)面向特定任務(wù)設(shè)計(jì)的，能夠?qū)⒂脩舻男枨笞畲笙薅绒D(zhuǎn)化為模型生成時(shí)應(yīng)當(dāng)執(zhí)行的行動(dòng)集合的指令的工作模塊。

生成器將用戶的需求經(jīng)過處理變成大模型的可執(zhí)行的生成指令，生成器可以很簡(jiǎn)單，比如一個(gè)prompt模板，也可以很復(fù)雜，比如一個(gè)Agent再加上數(shù)據(jù)庫(kù)，甚至也可以是一個(gè)模型，比如生成prompt。

「生成器與底層模型共同完成生成過程」這一范式具有更深的底層邏輯，即《思考，快與慢》一書中提出的系統(tǒng)1和系統(tǒng)2，底層模型將作為系統(tǒng)1，而生成器將作為系統(tǒng)2，二者形成一個(gè)整體系統(tǒng)，并分別適合用來解決不同類型的問題，系統(tǒng)1和系統(tǒng)2的概念也被OpenAI聯(lián)合創(chuàng)始人Andrej Karpthy用來解釋GPT的原理，與人類的系統(tǒng)1與系統(tǒng)2更加獨(dú)立的關(guān)系不同，LLMs的兩個(gè)系統(tǒng)存在顯著的轉(zhuǎn)化關(guān)系：系統(tǒng)2的能力會(huì)不斷被系統(tǒng)1內(nèi)化，所以系統(tǒng)2需要不斷被設(shè)計(jì)，而系統(tǒng)1則會(huì)不斷增強(qiáng)。作為用戶需求的翻譯者，生成器將會(huì)在很長(zhǎng)一段時(shí)間內(nèi)成為L(zhǎng)LM-Native產(chǎn)品的關(guān)鍵設(shè)計(jì)環(huán)節(jié)，結(jié)合上文的信息，產(chǎn)品設(shè)計(jì)工作將從功能性設(shè)計(jì)轉(zhuǎn)向模型能力+生成器的建設(shè)：

• 設(shè)計(jì)產(chǎn)品就是設(shè)計(jì)模型
• 設(shè)計(jì)產(chǎn)品就是設(shè)計(jì)生成器

二、LLM-Native產(chǎn)品的特點(diǎn)

下面我們將試圖抽象出LLM-Native產(chǎn)品可能具有的特點(diǎn)，理解這些特點(diǎn)可以讓產(chǎn)品方向的選擇以及設(shè)計(jì)工作更容易和科學(xué)。

1. 新問題

首先是新問題，LLM-Native產(chǎn)品需要面向新問題所對(duì)應(yīng)的需求進(jìn)行設(shè)計(jì)。什么是新問題呢？我們知道所有產(chǎn)品的價(jià)值基礎(chǔ)都來自于對(duì)某種用戶問題的解決，而新的技術(shù)范式通常會(huì)帶來兩類問題，即：

• 什么會(huì)更好：如何通過新技術(shù)更好的解決已有問題。
• 什么會(huì)出現(xiàn)：擁有新技術(shù)后有哪些之前無法解決的問題變得可解了。

結(jié)合在前文市場(chǎng)熵的部分我們已經(jīng)做過的說明，我們可以分析出這兩類問題有如下特點(diǎn)：

1. 第一類問題：需求容易被發(fā)現(xiàn)，很快就能有收益，但解決的是存量需求，通常會(huì)表現(xiàn)為某種形式的降本，需求的價(jià)值上限低。
2. 第二類問題：需求通常是被隱藏或者壓抑的，需要被挖掘，通常需要更長(zhǎng)的產(chǎn)品周期才能兌現(xiàn)收益，解決的是增量需求，帶來的也是社會(huì)整體價(jià)值的增加，比如創(chuàng)造新職業(yè)，甚至新行業(yè)，需求的價(jià)值上限更高。

很明顯，第二類問題才是LLM-Native產(chǎn)品要面向的新問題。那么如何找到這類新問題？這里提供一些可供參考的定位方法：

• 擁有新技術(shù)才能解決，比如短視頻產(chǎn)品需要同時(shí)具備智能手機(jī)+4G網(wǎng)絡(luò)才會(huì)出現(xiàn)。
• 將已有產(chǎn)品的底層需求代入新技術(shù)，比如個(gè)人知識(shí)庫(kù)在表面解決的是信息存儲(chǔ)和處理的問題，而其底層則包含著如何有效的使用這些信息的需求，從這個(gè)底層需求出發(fā)，就能發(fā)現(xiàn)LLMs的生成能力與這個(gè)需求天然契合。
• 從新技術(shù)的特點(diǎn)出發(fā)，我們上文提到了一些LLMs技術(shù)的特點(diǎn)，那么用這些特點(diǎn)來對(duì)應(yīng)用戶問題也是一個(gè)可行的思路，比如LLMs可以生成如何行動(dòng)的信息，那么對(duì)應(yīng)的問題便是計(jì)劃類、行動(dòng)類問題，相比上一代AI解決感知型、決策型問題而言，就是新問題。

通過技術(shù)、底層需求兩個(gè)思考維度，我們還可以發(fā)現(xiàn)更多定義新問題的方法，這里由于篇幅原因不做贅述。

2. 新形態(tài)

如同PC時(shí)代的網(wǎng)站、移動(dòng)時(shí)代的APP一樣，我們相信LLM-Native產(chǎn)品也會(huì)誕生自己的產(chǎn)品形態(tài)，雖然現(xiàn)在無法判斷這個(gè)形態(tài)到底會(huì)是什么，但是已經(jīng)有一些正在形成的演變趨勢(shì)。

極簡(jiǎn)設(shè)計(jì)這里的極簡(jiǎn)指的是產(chǎn)品表現(xiàn)層體現(xiàn)出的極簡(jiǎn)，更準(zhǔn)確的描述應(yīng)該是：極簡(jiǎn)設(shè)計(jì)+豐富能力用看似簡(jiǎn)單的產(chǎn)品形態(tài)來實(shí)現(xiàn)復(fù)雜多樣的功能，這已經(jīng)成為以LLMs為核心產(chǎn)品的特點(diǎn)，如果對(duì)這類產(chǎn)品進(jìn)行功能清單梳理，大家會(huì)發(fā)現(xiàn)其核心使用流程所對(duì)應(yīng)的功能都非常簡(jiǎn)潔，而其能夠完成的任務(wù)或者具有的能力又極其豐富

這種趨勢(shì)是由前文提到的「需求即功能」特性決定的，由于LLMs理論上可以將任何信息通過壓縮+預(yù)測(cè)next token的范式進(jìn)行生成，所以大量的產(chǎn)品功能無需暴露給用戶。但是值得注意的是，極簡(jiǎn)設(shè)計(jì)并不意味著能夠幫助用戶更快完成需求傳遞的功能和產(chǎn)品界面不再被需要，他們會(huì)以另一種形態(tài)存在于LLM-Native產(chǎn)品中。

動(dòng)態(tài)功能動(dòng)態(tài)功能是指LLMs產(chǎn)品在使用時(shí)，其展現(xiàn)給用戶的功能、界面并非是提前設(shè)計(jì)的，而是可以根據(jù)用戶當(dāng)時(shí)的需求進(jìn)行動(dòng)態(tài)生成，這個(gè)特點(diǎn)同樣具有必然性：

• LLMs的開放域使用方式，要求其必須擁有無限的功能與界面，而這些功能與界面顯然是無法通過人工設(shè)計(jì)來滿足的，所以從技術(shù)的特性上其具有必然性。
• LLMs的「語言即代碼」特性則提供了動(dòng)態(tài)功能的可行性，在這個(gè)特性下，用戶的需求以自然語言的形式進(jìn)行轉(zhuǎn)化和加工后，可以直接生成對(duì)應(yīng)的功能或者界面。動(dòng)態(tài)功能和界面將是LLMs相關(guān)產(chǎn)品的重要發(fā)展方向，也許未來我們可以用動(dòng)態(tài)功能在產(chǎn)品中的占比來衡量

一個(gè)產(chǎn)品的LLM-Native程度，推薦系統(tǒng)作為對(duì)檢索系統(tǒng)的個(gè)性化，在移動(dòng)互聯(lián)網(wǎng)開創(chuàng)了一個(gè)全新的產(chǎn)品時(shí)代，我們有理由相信LLMs的動(dòng)態(tài)功能特性也將開啟一個(gè)新的產(chǎn)品時(shí)代——個(gè)人定制化產(chǎn)品時(shí)代。

Perplexity的Copilot功能：根據(jù)用戶輸入生成動(dòng)態(tài)表單來明確需求定制化產(chǎn)品如同推薦帶來了信息內(nèi)容的個(gè)性化，我們相信LLMs技術(shù)將帶來產(chǎn)品的個(gè)性化。

產(chǎn)品的標(biāo)準(zhǔn)化和需求的個(gè)性化是一組產(chǎn)品設(shè)計(jì)中的基本矛盾，用戶天然希望產(chǎn)品為自己量身定做，而產(chǎn)品提供者則需要通過標(biāo)準(zhǔn)化來確保產(chǎn)品的生產(chǎn)和運(yùn)營(yíng)成本，我們?cè)谇拔摹赣脩粜枨蟮臒o損傳遞」中已經(jīng)涉及到這個(gè)問題的討論。

相比于軟件范式下產(chǎn)品必須標(biāo)準(zhǔn)化不同，LLMs帶來了「產(chǎn)品說不定也可以個(gè)性化」的全新機(jī)會(huì)，那么這將帶來內(nèi)容個(gè)性化后的新一輪產(chǎn)品革命，圍繞「?jìng)€(gè)人定制化產(chǎn)品」的理念，所有的已知產(chǎn)品都存在升級(jí)迭代的可能。

3. 新交互

關(guān)于LLM-Native產(chǎn)品的交互工作變化是近期被討論比較多的一個(gè)話題，有不少文章進(jìn)行進(jìn)行了很好的說明，在此我們提供幾個(gè)交互設(shè)計(jì)工作中原則性的特點(diǎn)：從告訴機(jī)器怎么做到告訴機(jī)器要什么全球頂級(jí)的用戶體驗(yàn)研究機(jī)構(gòu)Nielsen Norman Group在6月的一篇文章中提出，LLMs為核心的AI技術(shù)將帶來計(jì)算機(jī)出現(xiàn)后的新一次交互范式革命，之所以稱之為革命的關(guān)鍵原因在于交互設(shè)計(jì)工作的目標(biāo)發(fā)生了變化：上一個(gè)交互范式的工作目標(biāo)為「如何更好的告訴機(jī)器該如何遵循用戶指令」（Command-Based Interaction Design），而新的AI交互范式下，工作目標(biāo)將更新為「如何更好讓機(jī)器知道用戶想要什么」（Intent-Based Outcome Specification）。

人機(jī)交互的三種范式自然語言成為一個(gè)新的交互維度，但不是交互本身我們上文提到過LLMs具有通過自然語言來驅(qū)動(dòng)產(chǎn)品使用流程的特點(diǎn)，這意味著自然語言從交互的內(nèi)容成為了一種交互設(shè)計(jì)的維度。而隨著ChatGPT的出現(xiàn)，產(chǎn)品的設(shè)計(jì)出現(xiàn)了一種“萬物皆為Chatbot”的設(shè)計(jì)趨勢(shì)，但是實(shí)際上Chatbot只是LLMs在交互中的一種展現(xiàn)形式，更為本質(zhì)的問題在于自然語言從交互的內(nèi)容變成了交互的方式。對(duì)此問題，Notion的UX研究員Linus Lee在其《Generative Interfaces Beyond Chat》的talk中有過論述，其核心觀點(diǎn)為：

• 自然語言作為交互方式有優(yōu)點(diǎn)（更高的靈活性）也有弱點(diǎn)（可理解性）。
• LLMs對(duì)交互設(shè)計(jì)來說，其價(jià)值在于增加了一種新的維度，應(yīng)當(dāng)與其他的交互維度（如GUI）配合使用。

自然語言交互提供了更好的靈活性，但也損失了產(chǎn)品的可理解性

所以對(duì)于LLM-Native產(chǎn)品來說，一方面我們將顯著的觀察到，自然語言將在交互中出現(xiàn)并承擔(dān)重要的角色，但同時(shí)我們也應(yīng)盡量避免陷入「LLM-Native=Chatbot」的設(shè)計(jì)誤區(qū)。面向不確定性進(jìn)行設(shè)計(jì)在前文中，我們提到過LLMs具有能力黑盒和生成內(nèi)容不可控等特點(diǎn)，這些特點(diǎn)將帶來產(chǎn)品使用過程中的巨大不確定性。對(duì)于傳統(tǒng)的軟件產(chǎn)品思路，交互一定要是清晰、準(zhǔn)確、具體的，而這與LLMs的生成技術(shù)顯然存在沖突，所以LLM-Native產(chǎn)品勢(shì)必會(huì)展現(xiàn)出一種新的交互思想，即：面向不確定性設(shè)計(jì)，這將展現(xiàn)出的工作特點(diǎn)為：

• 盡可能減少對(duì)用戶行為的約束。
• 會(huì)有更多設(shè)計(jì)被用于幫助和引導(dǎo)用戶理解和調(diào)起模型能力。
• 對(duì)模型輸出會(huì)有更多的引導(dǎo)和約束從而確保結(jié)果的可控。

三 、早期LLM-Native產(chǎn)品的觀察

已經(jīng)有越來越多令人興奮的的新產(chǎn)品開始出現(xiàn)，下面將從一些可觀察的市場(chǎng)信息中嘗試抽象出某些共性和趨勢(shì)，以期為正在面向LLM-Native理念進(jìn)行設(shè)計(jì)的產(chǎn)品工作提供一些有價(jià)值參考。

1. 社交

馬克思曾說「人的本質(zhì)是一切社會(huì)關(guān)系的總和」，從這個(gè)角度而言，LLMs的出現(xiàn)對(duì)社交產(chǎn)生的一個(gè)重大影響在于：在社會(huì)關(guān)系中，增加了AI這一全新的社交維度。這使得社交產(chǎn)品有了全新的想象空間，具體表現(xiàn)為除了人-人社交的角度外，我們還可以從如下角度進(jìn)行設(shè)計(jì)：

• 人-機(jī)社交：人類與AI進(jìn)行社交，比如Character.ai，Replika。
• 機(jī)-機(jī)社交：AI與AI進(jìn)行社交，人類進(jìn)行觀察或者參與，比如chirper。

注：機(jī)-機(jī)社交是一個(gè)尚未得到足夠重視的方向，該方向下人類可以為AI智能體們?cè)O(shè)計(jì)各種活動(dòng)和任務(wù)，并以上帝視角進(jìn)行觀察和干預(yù)實(shí)驗(yàn)，比如用LLMs模擬人類成長(zhǎng)過程中不同類型事件對(duì)其后續(xù)行為可能產(chǎn)生的影響。

Inworld：提供游戲中的智能NPC服務(wù)，已經(jīng)具備了機(jī)-機(jī)交互的觀測(cè)價(jià)值從產(chǎn)品價(jià)值維度來看，目前的社交服務(wù)主要提供兩種價(jià)值：

• 交換信息：即提供效率價(jià)值
• 找到同類（from 張小龍）：即提供情緒價(jià)值

那么AI維度的加入后，我們可以得到這樣一張有趣的產(chǎn)品定位表，并能夠?qū)σ延械漠a(chǎn)品進(jìn)行定位：

社交產(chǎn)品設(shè)計(jì)的維度變得更加豐富所以對(duì)于LLM-Native的社交產(chǎn)品來說，我們顯然將面向一個(gè)更加廣闊的設(shè)計(jì)空間，比如設(shè)計(jì)一個(gè)能在圖中覆蓋多個(gè)社交維度以及價(jià)值維度的新型產(chǎn)品。

2. 內(nèi)容

前文中已經(jīng)提到過，LLMs技術(shù)將為信息內(nèi)容產(chǎn)品在生產(chǎn)端、消費(fèi)端帶來一系列變化。目前我們已經(jīng)能夠看到基于這些變化進(jìn)行的早期嘗試，比如一些Demo中，KOL將自己的文章、對(duì)話、資料等數(shù)據(jù)作為知識(shí)庫(kù)并連接ChatGPT接口，從而讓讀者能夠?qū)崟r(shí)、無限制地獲取帶有自己知識(shí)和語言風(fēng)格的新內(nèi)容。這當(dāng)然只是一個(gè)很初級(jí)的產(chǎn)品化嘗試，LLM-Native的內(nèi)容產(chǎn)品更大的想象力在于，當(dāng)更多垂直的LLMs在各自領(lǐng)域開始落地、不同模態(tài)的生成能力正在產(chǎn)品端進(jìn)行融合、LLMs的生產(chǎn)和推理成本大幅降低時(shí)，我們應(yīng)當(dāng)能夠看到與現(xiàn)在完全不同的內(nèi)容產(chǎn)品形態(tài)，也許是：

• 可以自定義劇情的多模態(tài)內(nèi)容”小說“。
• 可以按需生產(chǎn)的新型”短視頻“內(nèi)容。
• 可以結(jié)合用戶畫像以及其需求描述的實(shí)時(shí)生成的資訊內(nèi)容。
• …

Talkie：提供了一種基于角色扮演的多模態(tài)游戲化內(nèi)容形式

3. 工具

對(duì)于效率工具來說，一個(gè)顯著的產(chǎn)品趨勢(shì)是：以Copilot產(chǎn)品形態(tài)為過渡，實(shí)現(xiàn)AI-worker。這里的底層邏輯在于上文中提到的一個(gè)概念：模型需要對(duì)某種程度的人類智慧數(shù)據(jù)進(jìn)行壓縮，才有可能涌現(xiàn)出同水平或者更高水平的智能。顯然對(duì)于效率工具類產(chǎn)品來說，如何對(duì)AI生成的內(nèi)容進(jìn)行處理、優(yōu)化從而成為人類標(biāo)準(zhǔn)可用的工作成果，就是一種智慧程度更高，并且尚未被信息化的數(shù)據(jù)。所以Copilot產(chǎn)品形態(tài)將會(huì)以已有的LLMs模型能力為基礎(chǔ)，通過人機(jī)協(xié)作工作方式提升效率的同時(shí)，搜集更高智慧程度數(shù)據(jù)搜集的產(chǎn)品，而這也將成為「從LLM-Native走向AGI」的必由之路。Copilot產(chǎn)品形態(tài)的要點(diǎn)在于：

• 確實(shí)能夠在LLMs的能力下提供更高的工作效率。
• 被集成在現(xiàn)有的工作流中并能夠獲取工作流中的用戶操作信息。
• 用戶操作信息是已有LLMs能力的衍生。

對(duì)于LLM-Native的效率工具產(chǎn)品來說，可能的產(chǎn)品設(shè)計(jì)思路會(huì)分為三個(gè)模塊：

• 對(duì)某個(gè)場(chǎng)景有效的LLMs能力建設(shè)。
• 以盡可能高效獲取工作流中的更高智慧信息為目標(biāo)進(jìn)行Copilot產(chǎn)品形態(tài)設(shè)計(jì)。
• 優(yōu)化LLMs能力直至成為AI-worker。

相信一段較長(zhǎng)的時(shí)間內(nèi)，我們應(yīng)該會(huì)看到效率工具中Copilot形態(tài)的大爆發(fā)，實(shí)際上目前各類工具中集成Chatbot只是這個(gè)趨勢(shì)的開始，因?yàn)閏hat的交互方式并不本質(zhì)，Copilot形態(tài)的本質(zhì)應(yīng)當(dāng)是如何獲取工作流中對(duì)LLMs內(nèi)容的處理和優(yōu)化數(shù)據(jù)。

Github Copilot：最早也是最為典型的Copilot產(chǎn)品

總結(jié)

本文嘗試對(duì)基于LLMs技術(shù)的LLM-Native產(chǎn)品進(jìn)行分析，試圖探討如下幾個(gè)問題：

• LLM-Native產(chǎn)品有何不同
• LLM-Native產(chǎn)品的獨(dú)特性從何而來
• 在進(jìn)行LLM-Native產(chǎn)品時(shí)應(yīng)當(dāng)注意哪些問題

具體而言：我們從使用產(chǎn)品視角出發(fā)，嘗試對(duì)LLMs技術(shù)在產(chǎn)品維度的特點(diǎn)進(jìn)行抽象，并基于這些特點(diǎn)對(duì)LLMs技術(shù)對(duì)產(chǎn)品工作可能帶來的變化進(jìn)行了推演，結(jié)合在新技術(shù)沖擊下依然有效的產(chǎn)品邏輯，我們給出了一些創(chuàng)建LLM-Native應(yīng)用的可能原則以及目前可見的LLM-Native產(chǎn)品特點(diǎn)，最終通過對(duì)幾個(gè)經(jīng)典產(chǎn)品方向上LLM-Native產(chǎn)品的觀察嘗試給出未來的產(chǎn)品工作建議。

需要強(qiáng)調(diào)的是，LLM-Native產(chǎn)品將是一個(gè)至少與互聯(lián)網(wǎng)產(chǎn)品、移動(dòng)互聯(lián)網(wǎng)產(chǎn)品同等級(jí)別的宏大主題并正處于高速發(fā)展中，我們既難以觀察其全貌，也無法對(duì)其發(fā)展進(jìn)行有效判斷，所以本文的目標(biāo)是提供一些對(duì)LLM-Native產(chǎn)品工作有價(jià)值的問題并提供對(duì)這些問題可能有幫助的觀察和思考，而非輸出觀點(diǎn)和提供預(yù)測(cè)。

希望以此文為基礎(chǔ)，能夠與更多關(guān)注、從事LLM-Native產(chǎn)品工作的朋友們進(jìn)行交流探討。感謝Kiwi參與創(chuàng)作，文中的很多觀點(diǎn)來自與行業(yè)內(nèi)投資人、產(chǎn)品經(jīng)理以及算法工程師朋友們的討論，在此不再一一致謝。