本文探讨了 AI 技术在商业环境中的最佳落地应用场景。首先对比了 ChatGPT、Stable Diffusion、Midjourney 等主流 AI 产品的优劣势，指出企业应优先考虑可扩展性和定制化能力。接着分析了 IBM Watson 失败的教训与瑞幸咖啡成功的案例，强调数据驱动决策和全价值链自动化的重要性。随后分享了 ChatGPT 在 PRD 文档撰写和内部素材库管理中的实践案例，详细阐述了如何通过规范化的 Prompt 工程实现自动化打标和命名。最后总结了高效 Prompt 输出的六大原则，强调了规则设定与场景设计在 AI 工作流嵌入中的关键作用。
如果说今年的风口，那一定是 AI。不过 AI 像一把双刃剑，既有助益也有风险。我们将从 IBM Watson 的高飞与坠落，到 Google Allo 的黯然失色，探索 AI 应用中的教训。同时，瑞幸咖啡的成功故事展现了凭借策略得当的 AI 应用，即使在困境中也能崛起。通过 ChatGPT 实践案例，我们进一步揭示 AI 在日常工作中的潜能，从 PRD 文档编写到内容管理的自动化。最后，我们讨论如何与 AI 高效交流，确保 AI 是成为推动进步的力量而非阻碍。
在分析 AI 的应用场景之前，我们先将目光锁定一下目前前沿的 AI 产品如 ChatGPT 4、Stable Diffusion（SD）、Midjourney（MJ）、DALL·E。让我们看看它们是如何成为当前技术革新的代表的。
ChatGPT 尤其引人注目，它基于 OpenAI 的 GPT-4 模型，提供了与人类相似的交互体验。尽管高级功能需要订阅，但通过特定步骤配置账号后，其能力远超预期。我也尝试过 Gemini、火山写作、百度的 ERNIE 等产品，这些产品在特定领域或任务上存在局限性。例如理解复杂查询的能力、跨语言应用的适应性、创意内容生成的深度和宽度等方面，无一例外都存在某些不足。Gemini 响应速度较快，但 GPT-4 在逻辑推理和长文本处理上依然保持领先。
在 AI 视觉创作领域，DALL·E、Midjourney（MJ）和 Stable Diffusion（SD）各自展现了独特的风格和功能：
在实际工作环境中，尽管 Midjourney 以其卓越的艺术表现力受到了高度赞誉，但是在公司的实际应用过程中，Stable Diffusion（SD）却因其灵活性和开放性成为了更受青睐的选择。这一现象反映了在商业和技术决策中，可扩展性和自定义能力往往比单一的视觉效果更为重要。SD 的开源特性允许公司根据特定的业务需求进行定制化开发。更重要的是，SD 的本地部署能力为企业提供了数据处理的安全性和私密性，这对于处理敏感信息或遵守特定数据保护法规的公司尤为重要。
尽管许多公司对 AI 充满期待，但如何将 AI 技术有效集成到现有的工作流程中？还是很迷茫的。这就像是知道目的地，却找不到合适的路一样让人挠头。在当前的商业环境下，诸多公司对于 AI 的态度可以概括为'知其好而不知其用'。
所以刚开始很多公司在对于 AI 的应用策略上都是'摸着石头过河'，并不是所有尝试都取得了成功。IBM Watson 在医疗领域的挑战、Google Allo 的失败、Amazon Rekognition 的争议、以及 Microsoft Tay 的公关灾难这些事件都是 AI 商业应用中值得关注的案例，从中也能吸取很多重要教训。
IBM Watson 在医疗领域的尝试是人工智能技术商业应用的一个重要案例。Watson Health 的目标是通过利用大数据和机器学习来改善医疗服务的质量和效率，尤其是在疾病诊断和个性化治疗方案的制定上。
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。
总结来说，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。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。
而 AI 真的没有好的应用场景吗？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。2023 年它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。瑞幸的成功归结于以下几个关键策略和技术应用：
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。
在众多 AI 产品中，OpenAI 的 ChatGPT 无疑是最具潜力的工具之一。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；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。
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。
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。
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，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，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，将整个流程分为多个步骤，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，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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
为了让大家更好地理解，这里分享几个高效的 Prompt 模板结构：
# Role: 资深产品经理
# Profile:
- Author: User
- Version: 1.0
- Language: 中文
- Description: 你是一位拥有 10 年经验的产品经理，擅长撰写高质量 PRD 文档。
## Goals:
1. 根据用户提供的需求草拟 PRD 文档。
2. 确保文档结构完整，逻辑清晰。
3. 包含功能描述、流程图建议、数据埋点需求。
## Constraints:
- 不要使用过于专业的 jargon，除非必要。
- 保持客观、理性的语气。
- 字数控制在 2000 字以内。
## Workflow:
1. 询问用户项目背景和目标。
2. 分析核心功能点。
3. 输出结构化文档。
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！
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online