之前文章《智能原生：AI藍海世界的關(guān)鍵鑰匙》等里面提到過幾次智能原生，普遍反饋是有點不好理解。

大概是因為AI削薄了業(yè)務、產(chǎn)品、技術(shù)之間的邊界，至少在現(xiàn)階段很難像過去那樣把這幾者弄得涇渭分明，然后各研究各的，也能成為一個專業(yè)領(lǐng)用。想弄清楚就得一會在業(yè)務（領(lǐng)域模型）、一會在產(chǎn)品、一會在技術(shù)，來回貫穿，所以很麻煩（過去其實也是，沒有網(wǎng)絡的技術(shù)特征，哪里會有互聯(lián)網(wǎng)思維）。

這次我們用一個例子來說明AI應用的各個關(guān)鍵環(huán)節(jié)。

假如我們真想像某些開源項目那樣，構(gòu)建一個百分百基于AI的公司，那到底都需要干什么？又需要幾個步驟？

當然，我們這不是個技術(shù)文章，最后還是要回到這種新的應用形式到底要匹配什么樣的思維模式，能夠創(chuàng)造什么樣的價值。

從自己到底想要干什么開始

現(xiàn)實前提是現(xiàn)在的大模型到不了你和它說一句：給我干一個只有AI的公司，它就把活干了的程度。

大模型很像一個有純粹智商的甕中之腦，所以要干什么，怎么干都需要人做引導和價值判斷，從類似賺不賺錢、有沒有趣這類視角做設定。

所以，所有的工作就簡化成兩部分：你輸入給這個甕中之腦（大模型）什么，它回復了你什么？

最終智能的效能=甕中之腦（大模型）的智商x現(xiàn)實的理解縱深（表現(xiàn)為prompt）。

現(xiàn)在假設目標干個只有AI的軟件公司，這個公司里面除了你全是智能體，你和它說幾句話，它就幫你把軟件干出來了。

我們看看這事怎么干。

需要注意的是，這個產(chǎn)品是個應用，但也是個公司。

因為是個公司，所以第一步要對軟件公司以及軟件產(chǎn)品開發(fā)這件事進行分解，這樣才能構(gòu)建好需要讓大模型理解的東西。

這是業(yè)務也是產(chǎn)品。

先是要分解過程，為了簡化我們這里假設就三個步驟：弄清楚要干什么（需求分析），把軟件開發(fā)出來（開發(fā)和評審），測試發(fā)布。

也要分解到底需要幾個角色，比如要有個老板拍板，它要負責發(fā)起決定干不干；要有產(chǎn)品經(jīng)理，它要負責確定產(chǎn)品到底干成什么樣；要有程序員，它負責把代碼寫出來并且進行CodeReview；要有測試，他負責驗證寫出來的產(chǎn)品行為是不是對的。

只有角色還不能充分描述我們的業(yè)務（軟件開發(fā)），還要有過程和活動。

過程再加上特定的活動（比如任務）負責把角色串起來，讓他們彼此配合完成特定的目的。

單有過程（決定了推進持續(xù)），角色（決定有事的時候誰干什么）也還是不夠的，還要有數(shù)據(jù)的描述，比如當前的任務是什么，每個角色上一步的輸出是什么等。

這些設定比較清楚之后，就可以進入下一步，打造不同的智能體。

上面這個就是人對領(lǐng)域的設定，也可以認為是經(jīng)常說的領(lǐng)域模型。其實有N種解法，而解法本身的選擇和價值判斷有關(guān)。

領(lǐng)域模型連接價值判斷和甕中之腦的純粹智商（大模型）。

這種對領(lǐng)域的分解有什么意義呢？

簡單可以理解成：為了更好的全自動的和甕中之腦（大模型）交互。

既然就說一句話不行，比如給我生成一個XX軟件產(chǎn)品，甕中之腦的智商又夠了，那就需要讓它清楚現(xiàn)實，好發(fā)揮它的智力。

而需要輸入能給它帶來真實的變化的，這種變化需要一種管理體系，這個管理體系需要依賴領(lǐng)域模型（過程、角色、活動、數(shù)據(jù)等）。

這部分因為作為甕中之腦的大模型只認識提示詞，所以不管你干了多少事最終都要變成它能更好理解的提示詞（當然你可以很長）。

另一部分目的則是重用這些約定俗成的詞，比如程序員，比如產(chǎn)品經(jīng)理。每個詞后面其實折疊了很多細節(jié)?，F(xiàn)在的模型是基于人類累積到現(xiàn)在為止的知識訓練出來的，所以這些詞背后約定俗成的意義也被包含在模型里面了，不需要重頭解釋每個詞了。這也能提高和大模型的交互效率。

上面的工作做完了，就到了第二步，打造不同的Agent。

這一步很詭異的是確實主要是技術(shù)的活，但本質(zhì)卻不是。由于這不是一個技術(shù)文章，我們就簡略一些做描述，還是只關(guān)注它和過去的差異。

打造不同Agent

一個方法是不做抽象就按角色做出一個個Agent，比如總經(jīng)理的Agent、程序員的Agent。Agent里面要有自己對應的基礎提示詞，還要有按照執(zhí)行時間點填充的實時信息，比如：

你是誰，要干什么；要有當前的階段描述，比如現(xiàn)在的需求分析階段，有哪些事要做；要有一定的記憶，比如我上一輪到底說什么了，我產(chǎn)出的代碼是什么等。

當然也可以抽象一點，按職能來分，比如代表任務的Agent，代表對話的Agent等。

之后任務的Agent要調(diào)度各種角色。

真做的話，里面會包含很多細節(jié)，比如檢查生成的代碼是否合適這一環(huán)節(jié)，那要檢查多少輪次才算合格呢？

但基本定位就是聲明自己的角色、以及當前活動的上下文、當前活動的目標。

這里舉個簡單例子：比如ChatDev把程序員和CodeReviewer角色的prompt弄成了下面這樣（{}里面的部分是要根據(jù)執(zhí)行時的情況填寫的）。

'Programmer':[

'{chatdev_prompt}'，

'YouareProgrammer.wearebothworkingatChatDev.Weshareacommoninterestincollaboratingtosuccessfullycompleteataskassignedbyanewcustomer.'，

'Youcanwrite/createcomputersoftwareorapplicationsbyprovidingaspecificprogramminglanguagetothecomputer.Youhaveextensivecomputingandcodingexperienceinmanyvarietiesofprogramminglanguagesandplatforms，suchasPython，Java，C，C++，HTML，CSS，JavaScript，XML，SQL，PHP，etc，.'，

'Hereisanewcustomer'stask:{task}.'，

'Tocompletethetask，youmustwritearesponsethatappropriatelysolvestherequestedinstructionbasedonyourexpertiseandcustomer'sneeds.'

]

'CodeReviewer':[

'{chatdev_prompt}'，

'YouareCodeReviewer.wearebothworkingatChatDev.Weshareacommoninterestincollaboratingtosuccessfullycompleteataskassignedbyanewcustomer.'，

'Youcanhelpprogrammerstoassesssourcecodesforsoftwaretroubleshooting，fixbugstoincreasecodequalityandrobustness，andofferproposalstoimprovethesourcecodes.'，

'Hereisanewcustomer'stask:{task}.'，

'Tocompletethetask，youmustwritearesponsethatappropriatelysolvestherequestedinstructionbasedonyourexpertiseandcustomer'sneeds.'

]

把階段的Prompt模板弄成了下面這樣：

'Coding':{

'assistant_role_name':'Programmer'，

'user_role_name':'ChiefTechnologyOfficer'，

'phase_prompt':[

'Accordingtothenewuser'staskandoursoftwaredesignslistedbelow:'，

'Task:'{task}'.'，

'Taskdescription:'{description}'.'，

'Modality:'{modality}'.'，

'ProgrammingLanguage:'{language}''，

'Ideas:'{ideas}''，

'Wehavedecidedtocompletethetaskthroughaexecutablesoftwarewithmultiplefilesimplementedvia{language}.Asthe{assistant_role}，tosatisfythenewuser'sdemands，youshouldwriteoneormultiplefilesandmakesurethateverydetailofthearchitectureis，intheend，implementedascode.{gui}'，

'Thinkstepbystepandreasonyourselftotherightdecisionstomakesurewegetitright.'，

'Youwillfirstlayoutthenamesofthecoreclasses，functions，methodsthatwillbenecessary，aswellasaquickcommentontheirpurpose.'，

'Thenyouwilloutputthecontentofeachfileincludingcompletecode.Eachfilemuststrictlyfollowamarkdowncodeblockformat，wherethefollowingtokensmustbereplacedsuchthat'FILENAME'isthelowercasefilenameincludingthefileextension，'LANGUAGE'intheprogramminglanguage，'DOCSTRING'isastringliteralspecifiedinsourcecodethatisusedtodocumentaspecificsegmentofcode，and'CODE'istheoriginalcode:'，

'FILENAME'，

'```LANGUAGE'，

'''''，

'DOCSTRING'，

'''''，

'CODE'，

'```'，

'Youwillstartwiththe'main'file，thengototheonesthatareimportedbythatfile，andsoon.'，

'Pleasenotethatthecodeshouldbefullyfunctional.Ensuretoimplementallfunctions.Noplaceholders(suchas'pass'inPython).'

]

}

對這個步驟做簡單總結(jié)就是下面這兩點：

最終目標都是要形成一段話（prompt）在不同的步驟上用（現(xiàn)在的大模型只認這個）；

這段話是變的。

每次需要根據(jù)不同的執(zhí)行狀態(tài)做出調(diào)整。

這和人其實差不多，人也是每次接受不同的信息（按角色），然后給出自己的判斷和理解。

這就是為什么之前總說，這次大模型的核心進展是概念理解和判斷能力，沒有這個，這種智能體跑不起來。

這步看著確實是技術(shù)的活，但底子其實不是。

程序員的角色是提高效率，但從本質(zhì)上看，這事行不行，能搞到什么程度，不是程序員能驗證的。

程序員解決效率問題，但理解領(lǐng)域的人才能判斷上限。（智能效能=大模型的智商高度x現(xiàn)實理解的縱深）

也就是說，過去說的圖靈測試2.0的判斷人不是程序員，甚至都不是人工智能科學家，而是理解領(lǐng)域的人要自己操練大模型做判斷。要在這個背景下去理解角色中心式計算和圖靈測試2.0。

隨著使用深入肯定發(fā)生角色的重新定義，而角色的重定義等也不是技術(shù)能定義的事（參見：AI的脈絡：非共識時刻的認知價值）。

啟動整個公司

上面這些都做完以后，就需要把整個軟件公司啟動起來。等著外面的輸入。

這個公司里有很多智能體，還保留了一個可以對話的入口。

比如可以和它說，幫我做一個TODO的小應用（和真正的公司很像，你說一句，然后一堆人就把活干了）。

啟動程序就需要按照指定過程，先需求再開發(fā)然后測試發(fā)布，依次給每個角色分配任務，直到最終認為產(chǎn)品合格了，再把產(chǎn)品發(fā)布出來。

這時候，最終的公司就變成了這樣：

一個人：決定到底要干什么軟件產(chǎn)品。用什么樣的過程，用幾個角色，每個角色到底負責什么。

不同角色的智能體：每個的產(chǎn)出可以是一個階段性成果，也可以是代碼，當然復雜了也可以是美工的圖，圖標等。擴展起來還可以加上蜘蛛爬取某些實時的網(wǎng)上信息，讓配圖等更符合最新的風格。

公司就是應用，應用的邊界也就成了公司的邊界。

從公司角度看，和過去不一樣的點是什么呢？

大量的智能體在干活，人只做原則設定。

從應用的角度看和過去比，不一樣的點是什么呢？

這個應用在一個大邊界下，你可以給它設定任何目的，什么軟件都能開發(fā)。過去要依賴平臺化才能張開自己的任務種類，現(xiàn)在都靠AI。

智能原生公司

基于這個例子，我們可以進一步總結(jié)一些關(guān)于AI智能應用的關(guān)鍵特征：

第一，和領(lǐng)域相關(guān)的部分是人的活。

這部分拆分未來可能模型能做一部分，但是在眾多變量里面判斷哪部分有價值，比如到底干什么，什么樣才叫合格等估計一直是人的部分。也許方法論部分（比如什么過程等）未來可以模型干，但現(xiàn)在模型干這個費勁。這是邊界問題。

第二，這種應用是按角色來的（角色中心式計算）。

比如程序員的角色可能需要調(diào)用一大堆工具Git、Python等才能完成自己的職責。但這些最終要變成提示詞（prompt）才能驅(qū)動自己的活動。每個角色到底能不能成立，要看圖靈測試2.0能不能過。

很多時候可能物理約束大于智能約束。我們這個例子里面沒有物理約束（比如把汽車從北京開到蘇州）。

所以智能原生化估計得從這類領(lǐng)域先開始。

第三，需要很多的配套措施。Agent要記住自己說了什么，要知道當前在干什么等，這需要一套完備且繁瑣的機制。寫程序似乎只需要記錄代碼就完了，但真正的公司需要匯總業(yè)務、財務等各種數(shù)據(jù)，并且保證數(shù)據(jù)精度。這一步成本很高，挑戰(zhàn)很大。

第四，工作什么時候算完成了是個問題。產(chǎn)出內(nèi)容到底合適不合適，幻覺了怎么辦等，都是關(guān)鍵制約。放回到具體場景下智能和想象中的智能好像說的是一個東西，其實是兩碼事。所以之前我們說純數(shù)字和幻覺本身不對應過大成本的領(lǐng)域會優(yōu)先。

過去琢磨事對此進行了一些總結(jié)，比如把公司的智能原生式思維提煉為：智能優(yōu)先，萬物皆、實時反饋、中心決策。這在上面這種應用的基礎上可能更好理解。

模型的技術(shù)特征決定了需要與之匹配的思維模式（參見：從1到10：AI產(chǎn)品和互聯(lián)網(wǎng)產(chǎn)品的核心差異）。

是普通人的機會么？

上面這個過程看著需要寫代碼驅(qū)動，但本質(zhì)上并不是一個技術(shù)問題。不寫代碼頂多就笨一點，一步一步寫一堆提示詞。代碼可以讓整個事串起來更自動一些，影響效率，不影響價值。

所謂的領(lǐng)域，還真不是模型和代碼能概括的事。

也就是說把甕中之腦的能力用起來正需要理解領(lǐng)域的普通人（不是AI科學家）。

所以理論上，這是普通人的機會，但現(xiàn)在關(guān)鍵問題不在這里，而是你把智能放到自己想的那個場景下，它不一定創(chuàng)造價值。

這是判斷的關(guān)鍵。

同時這也暗示了一個很多人都關(guān)心的問題的答案：AI會取代對應的崗位么？

這是個必然發(fā)生的事。

回到基礎公式：智能效能=模型的智商x現(xiàn)實理解縱深，就會發(fā)現(xiàn)這事取決于模型自身的發(fā)展，也取決于給它適配的對現(xiàn)實進行理解的系統(tǒng)（Agent）。在上面那個但上面軟件公司里也還是要人的，只不過這個角色所需要的能力發(fā)生了巨大變化。

小結(jié)

最后要強調(diào)的是上面這個過程，做著玩是可以的，但不能創(chuàng)業(yè)。做領(lǐng)域拆分然后判斷智能高度，這點會看得比較清楚。也就是說現(xiàn)在的技術(shù)成熟度不匹配合適的商業(yè)價值。但這不影響這趨勢本身，模型的基本為此提供了源源不斷的動力。理解這種基礎原型其實提供了一個發(fā)現(xiàn)的視角和眼睛。地球上有石油已經(jīng)億萬年了，但只有當嵌入到工業(yè)革命的上下文后，它才是財富，所以能看到新現(xiàn)實的新視野還是關(guān)鍵的。