本文深入探討了如何通過精確定義和匹配輸出域與需求域，來提升大模型工具產(chǎn)品的市場適應性和用戶粘性。通過具體的例子展示了如何將理論應用于實踐，以及如何通過不斷的迭代和優(yōu)化來提高產(chǎn)品的市場適應性和用戶粘性。

我的上一份工作是企業(yè)內(nèi)部AI產(chǎn)品經(jīng)理，類同市面上絕大多數(shù)的同行與前輩，在工作開始初期我圍繞著完善知識庫體系和搭建各個智能助手（agent）的方向開展了我的工作。

然而在工作中我發(fā)現(xiàn)無論是知識庫還是智能助手都存在著剛上線時人頭涌動，但上線一陣時間之后就無人問津的尷尬狀態(tài)，由于我當時的績效是由用戶的AI使用滲透率與業(yè)務感知打分兩者合一進行評估的，所以這個問題如果不解決，那么很有可能在一段時間后被解決的就是我了。

基于當時的壓力，圍繞著該問題我開始了調(diào)研，在對用戶的訪談與各個助手使用記錄的觀測中我們發(fā)現(xiàn)：

• 專業(yè)問題比通用問題更容易讓用戶流失。
• 用戶的使用對話方式和我們的初始想法天差地別。
• 絕大多數(shù)用戶在一個對話中如果在初始的三輪對話內(nèi)如果無法得到想要的結果就會離開。

讓我們將這些問題帶入到俞軍老師的產(chǎn)品價值公式中：

哦，不對！不是這個而是下面這個，關于上面這個問題，我會在后續(xù)的分享中給出明確的產(chǎn)品定位思路，來破解上述的另一個困境。

我們可以很直觀的看出，由于我們是無法改變舊體驗的，那么AI在專業(yè)知識的類的具象問題，以及AI進行輸出時的不穩(wěn)定問題極大的損害了新體驗，而prompt對AI使用的影響又極高的抬高了遷移成本，那么自然用戶在使用一段時間后就會選擇離開，這無可厚非。

想要做好大模型工具產(chǎn)品

基于上述的公式我們可以得到一個思路，想要做好大模型工具產(chǎn)品就需要盡力的穩(wěn)定大模型產(chǎn)出，并且最簡化prompt對于用戶的學習成本，只有當任何人的首輪對話或者前三輪對話都能達成需求，即（以前置prompt框定）輸出域=需求域（以場景頁面信息框定）時產(chǎn)品價值才能真正的打動用戶。

在使用這一思路后我對手頭的產(chǎn)品功能進行了一輪改動，最終成功實現(xiàn)了產(chǎn)品上線后AI產(chǎn)品對全公司的滲透。

一、什么是輸出域與需求域？

1.1 輸出域

眾所周知，我們目前的大模型本質上是一個概率分布的預測機，我嘗試過在同一個大模型產(chǎn)品里創(chuàng)建幾個不同的對話，然后輸入同樣的信息，得到的結果其實只能用大同小異這一結果來進行總結了，信息是不會出現(xiàn)太大偏差的，但是回答的方式回答的說法其實都是會有些許的差異的；

而這也就給了我們一定的空間，本質上既然它是一個不穩(wěn)定的、存在一定隨機性的輸出模型，那么我們用針對性的單一結果去要求它或者說去以單一結果的視角去看待它來制作需求，這件事是不切實際且具有很大的局限性的。

既然如此，那么我們就應該在做需求的時候試圖去用一種新的視角去看待它，并且圍繞著這種視角去讓它產(chǎn)生原本舊時代無法產(chǎn)生的業(yè)務效果，而以域的視角去看待就是這里的關鍵。

因為有信息或者固定的輸入信息作為框定，所以它的回答通常在上下文相對完整時尤其是在微調(diào)后，輸出是不會越出邊界的，每一次的輸出都是圍繞著固定信息所產(chǎn)生出某一種可能，而這種可能的集合就是輸出域。

1.2 需求域

在我們探討需求域之前有一個前置概念是要明確好的，那就是用戶在我們產(chǎn)品中的動作其實背后都是存在著一定的動機的，也就是我們產(chǎn)品經(jīng)理口中的需求，而需求域的概念則是用戶在使用該產(chǎn)品之前他對于信息的需求或者說對于模型輸出內(nèi)容的底層需求是寬泛的并非指定的。

在這里我以市面上常見的三種比較明確的大模型需求為例來闡述需求域的體驗是如何在這些需求中的。

1）文案輸出類產(chǎn)出需求：文案內(nèi)容的輸出通常是伴隨著用戶的指定背后產(chǎn)品需求的，以我之前的東家為例，在文案輸出時用戶心里的底層邏輯是希望大模型可以輸出針對該商品在固定平臺上面進行文案推廣時使用，該需求的需求域是一個很明確的范圍，即通過兩條邊

（1）文案輸出的邏輯（平臺用戶喜好）

（2）商品自身信息兩個線來框定的，前面我們有指出過在通用大模型上即便我們使用同樣的prompt，讓大模型生成10個對話其文案的重復率也不會太高，而這恰恰是電商推品的需求，用戶不需要一成不變的答案，用戶需要穩(wěn)定的但又靈活的域式答案。

2）角色扮演類游戲需求：通常來說角色類需求的背后通常為對某一角色或者某一動作的交互模擬，不管其根源需求是情緒價值還是體驗價值，以需求域的角度來看都是對于一個由初始設定與當前交互的常規(guī)回答（通用大模型中的概率回答）的兩條邊所拼湊而成的回答域，當然由于這里的交互通常都是比較開放的所以這條邊足夠長，導致了該域非常大。

3）知識轉化類需求：在這里我將智能問答、常規(guī)模擬、概要提取等需求集合在這里，這個分類最大，究其原因是這類需求的本質都是對信息的加工處理，不論是各大搜索引擎的概要提取還是對某一類信息的客服問話，本質還是對輸入信息進行附加邏輯后的轉化輸出，毫無意外在這里邊界也很明顯，信息主體加轉述邏輯構成了此類需求的域。

從以上的例子中我們可以抽象出一個用戶需求域的統(tǒng)一概念：1、有明確邊界的 2、多樣化或者說容錯高的3、存在內(nèi)部一致性（有不可變中心的）需要大模型輸出此類內(nèi)容的集合便是需求域。

二、讓需求域與輸出域匹配的關鍵—第一句話效應

我們現(xiàn)在有了輸出域與需求域這一評定需求的概念，那么接下來我們需要考慮的就是怎么樣能讓輸出域與需求域進行匹配了，對于這一問題的解我們可以根據(jù)現(xiàn)階段大模型工作的一個方式來思考找到答案。

不知道大家對于初次接觸gpt或者文心一言此類工具時覺得驚為天人的點是什么，對我而言驚為天人的是它可以與我進行多輪的對話，不同于早期的語音助手類的撞大運式對話，

這一次的AI在與我對話時讓我感受到了一種與真人交互的流暢感。隨著我自己參與到AI應用的制作后，我發(fā)現(xiàn)其實現(xiàn)階段大模型所支持的這種連貫輸出的技術方案其實極其簡單粗暴，那就是將歷史溝通的記錄包起來加在當前對話中打包一起作為輸入來進行續(xù)寫輸出。

從這個處理方式中我們可以得到一個信息，那就是在一個會話中，每一輪的對話都會收到前一輪對話的影響，而其中對后續(xù)溝通影響最大，最能夠影響整個對話輸出域的內(nèi)容的毫無疑問就是從始至終會影響每一次問答的第一句話。

一個話題的第一句話無論是在與大模型的交互還是與人的交互中都是非常重要，其自身所起到的對后續(xù)對話的范圍與深度的框定作用恰恰是需求域與輸出域能否在初始階段達成一致的關鍵。

試想一下如果我們將第一輪對話以一種最符合用戶需求的方式去代替用戶完成創(chuàng)建，將需求域和輸出域進行了初始的最大化匹配的話，首先我們可以給用戶一個可以接受的內(nèi)容范圍，并且后續(xù)不論用戶是否擁有prompt等和大模型交互的經(jīng)驗，他們都可以通過極簡單的自然語言在我們給到的輸出結果上基礎上進行修改，而這時的修改交互就無需任何的前置學習成本了，也就是完成了我們前面所提到的，用戶價值中對替換成本這一值的減小。

三、首輪對話如何指引產(chǎn)品設計

我們之前的溝通中我們可以清晰一點，絕大多數(shù)的“域”通常都是由兩個邊界來進行框定的，而在我們現(xiàn)階段以GPTS為首的各大大模型平臺中，我們通?？梢钥吹接脩魟?chuàng)建的大模型應用通常是單邊的，既預制一個邏輯邊的prompt作為框定，而另一條邊是交給用戶讓用戶在使用該應用時自然輸出，以此來進行框定的。

不可否認在通用型平臺上這么做是可以理解的，畢竟會主動來到大模型頁面的人通常也都知道自己該如何提問，而且這樣也開放了更多偏個性化問答域的可能。

但這樣我們就不得不面對一個問題，那就是如果我們將該模型應用進行大范圍推廣的時候，我們的用戶不再是大模型的愛好者，而是一個個希望盡快通過該工具完成自己的任務的用戶時，這種開放式的方式就變得不再適用了。

因此，我們需要重新思考如何設計去讓用戶在首輪對話中完成對輸出域的框定，并且完成產(chǎn)品自身輸出域與用戶需求域的匹配。

在這里可能會產(chǎn)生些疑問，用戶自己希望和大模型聊些什么或者讓大模型說一些什么，這是因人而異的，我們怎么能在用戶進行講述前將用戶的需求發(fā)掘出來并進行取而代之呢？

對于這個問題，我想引用一下俞軍老師的話來進行解答“用戶的本質是需求的集合！”我們也許無法預知現(xiàn)實中朝夕相處的同學與家人下一秒會做什么動作，但是我們一定可以預知口渴的人一定會喝水，所以場景就是我們的最好幫手，毫無疑問前置頁面就是我們預知當前用戶對大模型需求域的預知手段。

3.1 前置頁面agent

在現(xiàn)階段大多數(shù)人的思考方向都是如何讓大模型通過調(diào)用接口來操控程序，但其實程序與大模型的關系只有后置這一種么？我認為用一個前置的頁面或者現(xiàn)有的頁面去調(diào)用模型的前置其實對于現(xiàn)階段的產(chǎn)品設計更為重要。

以現(xiàn)在百家爭鳴的大模型搜索為例，我們不難發(fā)現(xiàn)，整個需求的本質是一個將大批量信息進行總結壓縮的過程，而這個總結過程是由用戶自己篩選并且輸入的prompt么？并不是，事實上在用戶點擊搜索框的搜索時，就已經(jīng)由觸發(fā)了由程序所發(fā)起的第一句問話，而這就是在用戶不與大模型直接溝通的情況下由程序輔助完成第一輪問答來匹配輸出域與需求域的示例。

在這個案例中，搜索框的存在幫助我們預測了接下里用戶的需求，讓我們能夠在第一輪對話發(fā)起時，將用戶所可能輸入的無法控制的prompt，換成可控的調(diào)整好的prompt調(diào)用大模型，從而實現(xiàn)了用戶需求的達成。

3.2 工作案例

同樣的這種通過前置頁面精確控制輸入的方法實際上可以帶入到我們目前的很多種大模型工具之中，我接下來會以我工作中運用這種思路所做的兩個工具需求為例，展示這種方式在文案輸出、角色模擬、知識轉化三類需求中的余下兩類具象化應用。

1）文案輸出：由于我上一家公司是一家品牌代理與平臺銷售一體的電商企業(yè)，所以內(nèi)部的品牌部門實際上是需要大量的文案類內(nèi)容來在各個平臺上對商品進行曝光的，產(chǎn)品初期我們類同市面上絕大多數(shù)的文案助手將各個平臺的文案風格等內(nèi)容寫成prompt包成agent然后開放給用戶做對話使用，但實際的產(chǎn)出效果公司的同事們其實是不太買賬的，至于具體的原因，我在文中的一開始已經(jīng)提到了。

因此在思考好了要以前置頁面作為首輪對話的發(fā)起的解題思路后，我們將公司旗下的某一個品牌的商品與花色進行了信息的前置整合，并且通過與現(xiàn)階段公司發(fā)在各個平臺的文案進行比對，確認了大模型輸出文案時以什么樣的邏輯輸出和商品信息組合才能產(chǎn)出比較符合業(yè)務需求的文案后，敲定了文案中心的產(chǎn)品設計；

即以各個商品與花色制成表單給用戶篩選，然后通過生成按鈕觸發(fā)prompt進行文案產(chǎn)出的交互方式，后續(xù)如若產(chǎn)出不滿意，可以通過調(diào)整按鈕跳轉至對話頁面讓用戶以自然語言與大模型交互去進行改正。

在進行了這樣的改版之后可以預見的是我們讓用戶的使用成本大大的降低了，文案助手的平臺并沒有像之前上線一樣僅僅被“寵幸”了幾天就被棄如敝履，這次我們功的將AI工具滲透入了公司的生產(chǎn)環(huán)節(jié)之中，雖然沒有達到主推品的文案級別需求，但是普通商品的日常曝光維護都由我們的文案助手完成了承接。

（由于我是之前給企業(yè)內(nèi)部做AI改革的產(chǎn)品，所以商品的信息我可以通過erp自行的進行查看，但是這并不代表在通用C端或者B端的SAAS上無法實現(xiàn)，只需要給用戶做一個便于錄入的界面或者支持主流電商平臺的信息導入，便可構建起用戶自己的文案表單來控制第一次輸入了。）

2）角色模擬：由于第一份工作是比較偏b端的原因，虛擬女友類的需求我并沒有涉獵很多，但在我的工作中有一個與之比較相似的年終報告答辯助手的工具項目。

在制作這個需求時，由于我們已經(jīng)知曉用戶有著對自己年終述職報告不斷模擬答辯的需求，并且也知道公司老板對某大廠的管理方法極為推崇的特點，我們在制作該需求時也并沒有開放對話框，在每次對話的初始我們只提供了用戶一個上傳文件的入口并且配置了“方法論檢視”“問答模擬”“文檔修正”三個按鈕，通過該方式觸發(fā)各個對應的prompt開啟對話，讓用戶在進入到聊天界面后直接就可以接收到對應的大模型輸出，排除了有可能由于用戶使用不當而有可能產(chǎn)生的問題。

當然該需求其實在我們實際測試時所產(chǎn)出的問題或者檢視其實并不是特別的優(yōu)秀，畢竟有關細化行業(yè)的問題從不是大模型的專長，但出人意料地是該助手在上線之后用戶的使用頻次非常高，直接完成了我們原定的通過年終大會的輔助工具完成AI助手對公司內(nèi)部管理層的滲透任務。