AI 大模型最佳落地应用场景与实践指南

然而，尽管初衷良好，Watson Health 在商业化过程中遇到了诸多挑战，最终未能实现预期的商业价值。医疗数据的复杂性和不一致性对 Watson 提出了巨大挑战。非结构化的医疗记录、不同医疗机构的数据格式不统一以及隐私保护要求，都增加了数据整合和分析的难度。且 Watson Health 在技术上具有创新性，但其商业模式未能有效解决医疗行业的需求，包括如何融入现有的医疗流程中、医生和患者对 AI 技术的信任度不足，以及高昂的成本问题。

所以可以总结一下就是 IBM Watson 在医疗领域的失败主要源于数据处理的困难以及其商业模式和市场接受度未能达到预期。IBM Watson 在医疗领域的挑战，从一个更宽广的视角看，可以归咎于对 AI 商业应用场景寻找的不是最佳的选择。Watson 尝试解决的问题超出了当前 AI 技术能力的最佳应用范围，或者说，这个特定的应用场景并不是 AI 技术发挥最大价值的地方。

瑞幸借助 AI 华丽逆袭

而 AI 真的没有好的应用场景吗，或者说 AI 只是可远观而不可用的能力？不。相信大家还记得之前瑞幸咖啡的'财务造假'的新闻吧，回看 2020 年的 6 月份，瑞幸因为财务造假被强行退市，截止到了 2021 年的 8 月居然开始实现盈利，短短一年的时间从起死回生到全行业第一，他中间到底做了什么？2023 年他的销售额超越星巴克、门店数量超过 16,000 家的壮观成绩，背后反映的其实是企业通过技术创新，尤其是 AI 的深度应用，实现的快速转型和增长。

即使今天瑞幸的管理层全部放假，他全国所有的门店依旧都可以照常经营的，丝毫不会受到影响。我们可以分析一下瑞幸的成功归结于哪几个关键策略和技术应用：

1. 全价值链的自动化和智能化：从产品研发迭代、供应链管理、门店选址、组织监管到个性化营销和顾客服务，瑞幸通过构建一整套定制化的 AI 系统，实现了业务流程的自动化和智能化，极大地提升了效率和客户满意度。
2. 个性化营销的深化应用：利用 AI 分析用户行为和偏好，瑞幸能够提供高度个性化的推广活动和产品推荐，提高了销售转化率和顾客忠诚度。
3. 智能监管和预测系统：AI 不仅用于顾客端的个性化推荐，还深入到门店运营管理中。通过实时监控订单流量、预测销量，AI 帮助门店优化库存管理和员工效率，甚至在无需人工干预的情况下自动调整产品供应链。
4. 迭代速度和新品开发：瑞幸的新品开发速度非常快，这得益于其 AI 系统能够快速分析市场反馈和销售数据，加速产品迭代周期，及时推出符合市场需求的新产品。
5. 数据驱动的决策制定：在瑞幸，几乎所有的商业决策都是基于数据和 AI 分析结果来进行的，无论是市场营销策略、产品开发还是供应链优化，都以数据为基础，确保了决策的准确性和有效性。

瑞幸的故事也为其他企业提供了重要的启示：在大数据和 AI 技术不断进步的今天，企业可以通过技术创新，特别是智能化的应用，来实现业务的快速增长和市场竞争力的提升。同时，这也表明了未来商业竞争的一个重要趋势：应用先进的 AI 技术和数据分析能力将成为企业获得核心竞争力的关键。

实践案例 ChatGPT 的应用场景

尽管 AI 技术在企业中的应用案例众多，有时我们仍然会发现自己对如何将 AI 融入日常工作以提高效率感到困惑。在众多 AI 产品中，OpenAI 的 ChatGPT 无疑是最具潜力的工具之一。然而，如果我们仅将其视为一个高级搜索引擎，那么就大大低估了它的能力。

在探索 AI 如何优化工作流程的过程中，我开发了两个定制化的 ChatGPT 应用：一是 PRD 撰写助手，它能根据提供的项目信息自动生成产品需求文档，极大简化了文档编写工作；二是智能素材库管理助手，这个工具可以自动为上传的素材判断业务领域、类型，进行自动打标签和命名，有效提高了素材管理的效率。这两个案例展示了通过 AI 定制化开发，将 ChatGPT 嵌入到工作流程中，关键在于我们如何定义任务和提出问题。一旦我们掌握了这些技巧，ChatGPT 便能成为提升工作效率的强大助力。我们能够针对具体的工作痛点设计解决方案，从而在各自的领域内实现工作效率的显著提升。

开胃小菜：需求文档 GPT 助手

这天领导突然让我产出一份 PRD 文档，11 点开会评审的时候要用，当时已经是 10 点了。一个小时如何快速产出一份完善的 PRD 文档？这个时候 GPT 就派上用场了。但是项目背景、项目核心功能、产品目标什么的你一个一个地去和 GPT 聊，首先先不说它能不能形成连贯性思维，它可能会把你的问题逐个分析处理，但是不会数据留档，其次它所生成的内容会说的很空很概念化，会具备一定的参考价值，但是还需要你结合项目情况进行二次调整。有这个时间不如去小红书上找几个模板自己套一下。

Chat GPT 4 有一个很核心的功能就是自定义 chat gpt，你可以创建属于你的专属 GPT。你甚至可以通过大白话的形式和它交流，它会根据你的要求更新指令 (prompt)，并部署 GPT。但是这个要求指令需要步步引导，且等待它理解你的意思并优化成相对规范的 prompt 也是非常耗时间的。我们要学会利用格式规范，以 ai 可以快速理解的格式与之交流，不仅可以快速部署，且规范化指令会让 GPT 的输出更加稳定。

所以在我部署 GPT 之前，我会对 prompt 进行三大要素的梳理：

规范性

专业性语言：通过整个描述，采用了专业术语，如'PRD 文档框架 - 润色'、'专家级 ChatGPT 提示工程师'等，确保了沟通的专业性。

角色设定：明确了与用户互动的角色（专家级 ChatGPT 提示工程师）和用户的称呼（张老师），规范了双方的互动模式。

行动指引：对于每一步骤，给出了明确的动作指引，如'询问是否继续执行'、'确认活动中的专家角色'等，为用户提供了清晰的指导。

格式化

编号列表：采用了编号列表的格式，将整个流程分为 17 个步骤，每个步骤都有明确的编号，便于阅读和理解。

步骤清晰：每一步的任务都被清楚地分解和描述，格式一致，每个步骤都独立成段，易于跟踪和执行。

逻辑性

逻辑顺序：从用户的需求出发，到角色的确认，再到具体的执行步骤，最后是反馈和调整，整个过程呈现出明确的逻辑顺序。

条件逻辑：在一些步骤中嵌入了条件逻辑，比如如果用户同意或不同意，会有不同的后续行动，这样的设计提高了互动的灵活性和适应性。

反馈循环：在流程的最后阶段，通过询问用户的满意度和是否需要更改，形成了一个反馈循环，确保能够根据用户反馈进行调整，以达到用户的期望。

Chat GPT 接入项目场景

ok，这只是 AI 在工作效率提升方面的一个小示例。然而，AI 的潜力不仅限于工作之外的领域，它也能深入工作场景中，为产品带来实质性的提升。目前，我正在公司开发一个内部素材库平台。实际上，每个公司都拥有自己的设计资源，但这些图片素材通常分散在各处——有些存放在公司的内部平台上，有些仍旧留在设计师的个人电脑中，而有些则遗失在公司的某个尘封文件夹中。问题在于，如何整合公司现有的素材，以便设计师能够在使用时迅速找到所需资源。一般来说，公司会建立素材库平台或指派专人管理内部素材来解决这一问题。但我在建设素材库时发现，简单地将所有素材汇集到一个平台上对设计师并不是很有帮助。他们还需要从中挑选所需素材。如果没有一套规则或系统对素材进行分类管理，使用者面对一大堆素材时会感到头痛。我知道我需要的素材就在这堆里，但就是找不到。到头来，我宁愿上网搜索一张进行修改，或者干脆自己 GC 一张。因此，对内部素材进行初步筛选变得十分必要：业务、素材类型。这涉及到按照公司内部业务进行分类，以及根据素材的现有类型（如 3D、插画、真实图像、纹理氛围等）进行一级筛选，这是最基本的操作。

但由于公司内部许多素材都是 GC 的，命名往往是一串无规律的字符。即便利用算法支持的图像内容识别技术，通过图文搜索能力来快速筛选素材，准确性仍旧不尽如人意，无法全面覆盖所有素材，导致大量素材难以被有效检索。这就凸显了建立一个标签库的必要性。如果有一套完整的标签体系来管理和分类素材，那么通过标签搜索就成为了一种常见的管理方式，类似于在素材网站如花瓣、千图等可以看到的，每个素材下都有一些描述性的标签。这个方向是正确的，但是问题在于如何为初次上传的素材进行标记。理想的情况下，是通过算法基于模型分析图像内容后进行智能打标。

但这里又出现了一个问题，先不论算法打标的准确性，它真的就是识别素材内容后打上相应的元素标签，这样的复用性极低。比如，我上传了一百张素材，它可能会为我生成 100 个不同的标签。如果公司就 3D 风格的素材就有几万张，那么维护一个如此庞大的标签库就变得不现实，丧失了其意义。我点击一个标签可能只能筛选出一张图，这并没有有效地利用标签对素材进行管理。

因此，我开始尝试训练 GPT 来进行自动化打标，并限定在一个预设的标签池中进行选择。这样不仅能实现自动化打标，还能对标签库进行有效管理和维护。我们只需要按照固定的格式去投喂标签库的标签，这一步可以将格式给 GPT，让 GPT 按照该格式针对素材类别进行分类总结，可以快速整理标签库，我以类别维度去搭建的标签格式：

一、主要类别（1）子分类 [具体标签]。

大概整理了 17 个主要类别，基本囊括 80% 的图片素材类别，后期也会定期维护更新。

解决了标签自动化的问题之后，我再次尝试上传素材，却发现效率并没有显著提高。因为每当我上传一张素材时，我需要选择业务归属、素材类型、标签，最后还得为素材进行命名。我开始思考，如果这所有的素材信息都能被自动填充，那将大大提高上传效率。因此，我首先对素材进行了全面的命名规范：

业务（判断）-素材类型（判断）-标签一、标签二、标签三-人物描述/物体名称（判断，不超过 4 个字）-动作/场景/特征（判断，不超过 6 个字）。

素材的名称即为：

人物描述/物体名称（判断，不超过 4 个字）-动作/场景/特征（判断，不超过 6 个字）。

例：一张女足的素材。全命名为'业务-3D-青年、运动健身、运动员 - 女孩 - 踢球'。

我们在 prompt 中加入现有业务并附带判断要求，及现有素材类型并附带判断要求：

然后我们对命名进行规范，和命名的输出规范：

最后针对于标签的打标进行具体的规则限制：

看一下效果：

完成这一切的部署，可以批量化上传素材，针对素材信息进行自动填充，人工只需要审核即可。写一个脚本进行批量上传后自动打标，在 Agent 中把逻辑设定好，每个图片对应一个 json，一晚上 GPT 就可以打完所有的标签了。

Prompt 的有效输出

对于高效的 Prompt 输出，可以通过以下几点进行分述：

格式规范性：

• 格式的规范性是确保信息传达清晰的基础。它包括适当的使用空格、缩进和换行来区分不同部分和层级。

• 通过合理布局，使 Prompt 的结构清晰、易于阅读，有助于用户和 AI 系统更快地理解和执行。

逻辑严密性：

• Prompt 应按照逻辑顺序组织信息，确保每一步都建立在前一步的基础之上，避免逻辑跳跃或矛盾。

• 逻辑的严密性确保了指令的明确性和执行的可行性，减少了解释的歧义。

善用标点符号：

• 通过适当使用标点符号来对指令进行层级区分和细节说明，可以提升命令的准确性和易懂性。

• 例如，使用逗号和分号分隔同级项目，括号内注明附加说明或条件，以清晰表达复杂的指令集。

深厚的专业知识：

• 编写专业级 Prompt 要求编写者不仅具备相关领域的深厚知识，还要了解特定领域内的术语和概念如何在 AI 系统中应用。

• 这包括选择合适的术语和表达方式，使其既准确又容易被 AI 系统理解和执行。

精确的语言表达：

• 高质量的 Prompt 输出需要精确的语言表达能力，以避免歧义和误解。

• 通过明确的指令和表述，减少 AI 执行时的错误率，提升整体的工作效率。

针对 AI 的优化：

• 考虑 AI 的理解能力和解析方式，在编写 Prompt 时进行优化，以确保 AI 能准确无误地执行指令。
• 这可能涉及调整表达方式、使用特定的结构或关键词，以适应 AI 处理的特点。

可以给大家再分享几个高效的 Prompt 模板：

Role: 资深产品经理
Task: 撰写 PRD 文档
Context: 项目背景为电商促销
Constraints: 包含功能列表、流程图、异常处理
Output Format: Markdown

AI 落地的常见误区与应对

在企业引入 AI 大模型的过程中，除了技术选型和应用场景匹配外，还需要警惕一些常见的误区，以确保项目的长期可持续性。

误区一：过度依赖 AI 生成内容

许多团队误以为 AI 可以完全替代人工创作。事实上，AI 生成的内容往往需要人工审核和修正，特别是在涉及品牌调性、法律合规和事实准确性方面。建议采用'人机协作'模式，AI 负责初稿生成和创意发散，人类负责把关和优化。

误区二：忽视数据质量

AI 模型的效果很大程度上取决于训练数据的质量。如果企业内部数据混乱、标注错误或存在偏见，AI 输出的结果将大打折扣。在启动 AI 项目前，应优先进行数据治理，清洗历史数据，建立标准化的数据录入规范。

误区三：缺乏明确的评估指标

很多项目在上线后没有设定明确的 KPI，导致无法衡量 AI 带来的实际价值。建议在项目初期就定义好评估指标，如效率提升百分比、错误率降低幅度、用户满意度变化等，并定期进行复盘。

误区四：忽略安全与隐私

将敏感数据直接输入公有云 AI 服务可能存在泄露风险。企业应优先考虑私有化部署或使用经过安全认证的 API，并对输入数据进行脱敏处理，确保符合 GDPR 或当地数据保护法规。

总结

AI 的强大之处无疑类似于一辆高性能跑车，具备惊人的速度和效率。然而，要让这辆跑车在实际工作场景中发挥其最大潜力，前期的准备工作至关重要。这不仅涉及到将路铺设好，还需要设置好护栏、道路信号和明确的指引。在 AI 的世界里，编写有效的 Prompt 相当于铺设道路，而格式化和规则的设定则如同增设护栏和道路信号，确保 AI 能够在正确的轨道上高效运行。

要让 AI 成功嵌入工作流中，并找到合适的应用场景，关键在于我们需要精心设计和部署这个场景，明确规则和限制条件。这意味着，我们需要深入理解 AI 的工作原理和能力范围，同时也要对工作流程有充分的把握。我们要预设那些可以由 AI 自动完成的任务，识别那些需要人类智慧介入的环节，从而构建出一个既能发挥 AI 优势又能符合实际工作需求的系统。精心编写的 Prompt 不仅要能够引导 AI 理解我们的具体需求，更要能够确保 AI 的输出符合预期，避免偏差和误解。格式化和规则的设置则进一步确保了 AI 在处理任务时的准确性和安全性，就像给跑车设置了正确的行驶路线和速度限制，既保证了运行效率，又避免了潜在的风险。

总之，将 AI 嵌入工作流中，要求我们不仅要了解 AI 的潜力，还要精心设计其运行的环境和条件。通过这种方式，我们才能确保 AI 像一辆得到精确指引的跑车，既能在工作中发挥出最佳性能，又能确保沿着正确的方向前进。对于 AI 的探索还在继续，让我们尽情期待！