大模型应用元年，到底有哪些场景可以实际落地场景？

很多企业和个人都号称自己打造了AI大模型实际落地场景，其中有噱头、蹭热点，也有真实落地应用的。下面我将聊聊有哪些应用是真实落地可执行的。

大模型写作

生成式大语言大模型的看家本领非写作莫属。大模型输出logits的基础上加上top_p、top_k、temperature等随机采样策略，是生成式类模型的灵魂。

市面上的大模型很多。实际应用中，我会采用提示工程专家帮我生成一个良好的提示工程模板。在大模型权重固定的前提下，一个好的提示工程模板能够最大程度激活大模型的潜力。下面列举几个目前我认为能够落地或者已经落地的场景，并分享相应的提示工程模板。

爽文剧本

现在爽文短剧很火，新闻曾经报道北京一对夫妇做短剧每月进账4亿多。然而短剧如何让人爽、如何让人上瘾、如何符合人性，关键在于短剧的剧本。之前基于大模型做剧本，一般方法是直接输入大模型“我想写一本主题为XXX的爽文小说”。
想要生成精确，还得依赖于提示工程。我把生成爽文剧本常用的提示工程模板放下面。

- Role: 创意写作导师
- Background: 用户是一位小说爱好者，希望从零开始创作重生爽文类型的故事。
- Profile: 你是一位经验丰富的写作导师，擅长引导新手作者进行创意写作，尤其擅长重生爽文类型的故事创作。
- Skills: 创意思维、故事结构设计、人物塑造、悬念设置。
- Goals: 帮助用户构思一个引人入胜的重生爽文故事，包括故事的起承转合、悬念设置和人物设定。
- Constrains: 故事需要符合重生爽文的特点，如主角重生后拥有特殊能力或知识，故事节奏明快，情节紧凑。
- OutputFormat: 文本描述，包括故事大纲和关键点。
- Workflow:
  1. 确定故事的基本框架和主题。
  2. 设计故事的起承转合。
  3. 构思悬念和冲突点。
  4. 塑造主要人物和支持角色。
- Examples:
  故事主题：现代都市重生
  起：主角在一次意外中重生回到了高中时代。
  承：利用前世的记忆，主角开始在学业、商业等领域取得成功。
  转：主角遭遇前世的仇敌，面临新的挑战。
  合：主角克服困难，达成人生巅峰。
- Initialization: 欢迎来到创意写作的世界！让我们一起探索重生爽文的无限可能。首先，请告诉我你对故事有什么初步的想法或偏好？

具体小说太长了就不放上来了。

AI爆文写作

这个项目整体逻辑是利用推荐流量机制，在AI写作工具的辅助下，快速模仿领域爆款文章进行二次创作，增加爆文概率来获取更多的广告收益。

近期我开了个职场号，利用AI写爆文后也小赚3000多。截图如下：

有些专职工作室，矩阵化发文，月入10W在项目初期不是难事。我之前用的AI爆文提示词免费分享出来。如下所示：

- Role: AI写作助手
- Background: 用户需要在AI写作工具的辅助下，快速模仿领域爆款文章进行二次创作。
- Profile: 你是一个专业的AI写作助手，擅长分析爆款文章的特点，并能够提供创作指导和灵感。
- Skills: 文章分析、创作指导、风格模仿、内容创新。
- Goals: 帮助用户快速掌握爆款文章的核心要素，并在此基础上进行创新性的二次创作。
- Constrains: 创作应遵循版权法规，避免直接抄袭，确保内容的原创性。
- OutputFormat: 文章框架、关键要素列表、创作建议。
- Workflow:
  1. 分析爆款文章的成功要素。
  2. 提供文章结构和风格上的创作指导。
  3. 给出创新点和避免抄袭的建议。
- Examples:
  爆款文章1: “如何在30天内自学掌握一门新语言”
  爆款文章2: “10个简单步骤，让你的工作效率翻倍”
- Initialization: 欢迎使用AI写作助手，让我们一起探索如何快速模仿并创新爆款文章。请发送给我你想要模仿的爆款文章链接或主题。

用大模型来做大模型

这个标题看起来很套娃，不过这是大模型实际研发过程中的真实写照。因为人类创造的数据，实在是太贵了。不少公司、开发者都在悄悄使用AI生成的数据来训练AI模型。

然而像GPT-4这类最前沿的模型，在写作和编码等领域的表现已经在接近人类，还能通过美国律诗考试等基准测试。所以用GPT-4大模型来做自己的大模型也是目前一个非常典型的落地场景。

AI绘图

问了很多设计师朋友，在实际使用AI绘图的过程中，更多的是将AI绘图当做提供灵感的工具。下面放几张midjourney生成的产品原型图，其中有1张原型图，已经被某产品采纳，并批量化生成。

知识检索增强

搜索

细心的同学可以发现，各家互联网公司已经将私域知识与大模型相结合。技术上称之为知识检索增强，实际工作流程是在检索的基础上再用大模型做一遍内容总结和润色。

比如知乎已经上线了发现功能，用户提问后大模型可以基于知乎中覆盖到的问答和文章回答。比如知网上线了CNKIAI学术研究助手,用户想搜人工智能方面的论文，只需问“给我来几篇人工智能经典论文”。

常规的检索是用户输入一个问题，通过检索返回多个链接，想得到答案，需要一个一个点击链接，然后综合各个链接得到答案。然而在大模型时代，采用知识检索增强的方式大模型直接给我结果。

但是总体上来说，采用大模型来做检索增强还是一个锦上添花的事情，这个“花”在目前看来还不一定能够提升用户体验。

智能问答

智能问答涵盖的内容就多了：客服智能问答、高考志愿问答、求职问答等等各类问答。应用很多，但是实际落地的并不多。以智能客服问答为例，从商业角度来说，一笔交易的产生来源于买卖双方的信任。在目前阶段，顾客对于AI具有天然的不信任感。在产品推广过程中，用户会尝试智能问答类产品，但是使用过程中用户会质疑AI回答内容的准确度，并且AI和我说话让人感觉不到尊重，往往这个时候用户会切换人工客服或者干脆中止交易。

对话AI感十足是目前智能问答类应用中的通病。如果到某一天人类在交流中完全无法分辨是AI还是人类，智能问答类应用会给社会带来颠覆式的变革与影响。

智能体

我一直认为智能体是AI大模型应用的最终版本。智能体本质上高度依赖于大模型参数量剧增所带来的逻辑推理、任务拆解、数理分析等能力，学术上也称之为“智能涌现”。

前段时间小米汽车上搭配的大模型，就是一个非常典型的智能体在车载终端上的应用。通过车载智能体，可以灵活调用、控制和集成车上的软件功能。与传统的Siri等智能语言助手不同的是，智能体不是简单的命令执行者，而是规划、决策和执行的多面手。

此外，我曾在去年想象大模型会给手机行业带来颠覆式的变革。目前我们用手机均是采用图形用户界面（GUI），然而智能体发展到一定阶段，人类与产品的交互模式，将从图形用户界面（GUI）转化为语言用户界面（LUI），设计师无需再设计大量组件、前端也无需根据设计稿形成界面，可能未来的手机界面只有一个类似Siri的对话器，用户通过语言或者脑机接口描述自己的需求，大模型接到用户需求后，分析需求、拆分任务，派发任务、解决任务。

国外已经有Ai Pin等产品实现了上述想法。

畅想

从产业发展维度看，对比移动互联网的成长，当下LLM似乎还处在2011年。整个产业还处于非常早期的探索阶段，场内的玩家都试图在这个混沌期，抢先发力，甚至不惜发起“价格战”，以争抢用户、尽力“出圈”。大模型公司都很卷，技术领域RAG、Agent等大模型应用框架层出不穷。但是在应用侧，“iphone时刻”类型的产品应用迟迟没有出来。

其本质原因在于基座大模型各方面能力仍然不足

很多人都知道，瓦特改良了蒸汽机，开启了人类的第一次工业革命。但很少有人知道，瓦特1763年就收到了改良蒸汽机的订单。你猜猜他用了多少年完成了这个订单？答案是27年，直到1790年，瓦特才终于完全解决了核心技术问题，我们现在熟知的蒸汽机才问世。

回顾历史，我们发现每一次的技术突破，都是那么的顺理成章。不就是第一次工业革命吗，我熟；然后就是第二次革命，然后是信息技术革命。信息技术革命先是PC互联网，然后从10年开始，是移动互联网的革命。

这话说的轻巧，但对于每个推动技术进步的发明人来说，都是多少年如一日的投入。而大部分人是没有这种时间流逝的体感的，所以就会有一种强烈的怀疑感：这么多所谓前沿的技术，吹的这么牛，我用起来也不咋地啊，都是一帮搞噱头骗钱的人。

大模型也是如此，现阶段RAG不太准，Agent还很稚嫩。我们能做的是将技术框架、用户、应用、生态都准备好，等到底层技术成熟的那一天，AI大模型会带来海量实地可落地场景。

大家的机会，也会建立在新技术的突破上。