全文約 2732 字

預計閱讀 7 分鐘

最近和不少創業者交流，大家都覺得今天做出一個產品看似簡單，但要做出一個真正有價值的產品，其實遠比移動互聯網時代更難。

回想移動互聯網時代，我們談論一個好產品，總繞不開「用戶體驗」。合理、精巧的交互設計，順滑的用戶旅程，往往影響著產品能否快速起量、鎖定用戶。那時，用戶體驗很大程度上是產品經理的「審美」問題，是關于洞察與精巧設計的故事。

但在今天，對于 AI Native 產品而言，用戶體驗已不只是「審美」層面的問題，而是一項技術問題了。當用戶與 AI 之間可以通過自然語言聯通時，AI Native 產品同時面對著用戶需求的「失控」，以及用戶體驗和用戶價值交付的「失控」。

這種雙邊的「失控感」帶來了 AI Native 產品在用戶體驗上的核心挑戰：我們該如何交付更好的用戶體驗與用戶價值？一方面，不可能僅靠一套固定的系統提示詞，就完美適配每位用戶千差萬別的真實需求；另一方面，更不能要求每一個用戶都成為提示詞大師，懂得如何從大模型這個「Magic Box」中精準、高效地提取能量。結果就是，即便 AI 已成為一種可以無處不在的強大「原力」，但絕大多數人并不能真正駕馭它。

最近關注到硅谷「提示詞工程已死」的大辯論，集中地看了一些相關內容，我覺得大神們的探討也在清晰地指引 AI 產品下一步的進化方向：當前 AI Native 產品的體驗瓶頸，本質上是技術問題——不只在模型側，也在產品工程層面。

所有人期待的 C 端爆款產品遲遲未現，這背后，或許就是用戶體驗的「卡點」尚未突破。AI Native 產品的用戶體驗，需要在明確目標下，依托更精巧的產品工程與更強大的模型技術共同進步，才能抵達并突破那個引爆市場的臨界點。今天談「懂人性」和「產品審美」，可能都為時過早。

兩條路徑，一個被忽略的真相：「是人不行」

我在今年 AGI Playground 大會的分享中也提到了，AI產品一定是 Input > Output。

AI 時代，產品的基本構型就是兩端分別是 input 和 output，中間的 AI 則是個 Magic Box。大模型的確有 Magic，但問題也在于，它是一個處于失控狀態的不確定的概率模型。因此，產品的目標之一就是在不確定性中增加確定性。對于大多不自主研發大模型這個「Magic Box」的團隊而言，就要在 input 和 output 這兩端上下功夫。對于 input 這一端，我的提法是要做「寬輸入」（具體展開可以參見文章：）。Karpathy 和 Grove 提出的「上下文工程」和「規范化編程」，也是在 input 上做加強。

我們先來「圈點」一下這兩位大神的觀點。

Andrej Karpathy的「上下文工程」（Context Engineering），從原材料上做優化，認為 AI 智能體的失敗，多半是「上下文的失敗」——你沒有在對的時機，用對的格式，給它對且充分的信息。他強調要系統化地管理指令、歷史、記憶、工具等所有輸入，像個「信息架構師」一樣，為 AI 精心準備好所有「建材」。

Sean Grove 的「規范化編程」（Spec-writing）直指「用戶想要什么」這個根源問題，也看到了大部分人在意圖澄清上的欠缺，「人類花費大量精力優化與 AI 的交互，卻從未真正說清自己想要什么?！顾鲝堄媒Y構化的規范文檔（Spec）來定義目標和價值觀，讓它成為比代碼更重要的「源代碼」。

這兩條路徑都遠超了「一次性」的提示詞或提示詞工程。提示詞的困境在于，它把人懟到了一個死角里，它默認「人」是那個清晰、可靠的指令發出方?？涩F實是，別說普通用戶，就算是 CEO，有幾個能一上來就把自己的愿景、使命、產品邏輯結構化、無歧義地拆解清楚？又有幾個老板能在每次發號施令的時候，把上下文、意圖、原則、規范等等都清晰明了地傳達？寥寥無幾。

Karpathy 和 Grove 的方案，本質上都是在試圖「越過」人類的模糊性。Karpathy 想通過優化上下文來「包圍」模糊，讓 AI 擁有足夠信息去自行判斷；Grove 則想用一份結構化、可迭代的規范來「穿透」模糊，倒逼人類在行動前完成思考、在行動中持續思考。

AI 的下一站：「人不行」，所以 AI 必須行

那么，未來向何處前進？

如果解決方案最終還是「靠人想清楚、說透徹」，那它和提示詞工程的困境沒什么兩樣，甚至更進一步提高了對人的要求和用好 AI 的門檻。

這才是真正的斷點和解法所在：「人不行」，所以AI必須行。

由此，我有一個更進一步的判斷：解決方案的探索方向，一定不是靠人這一端，而是要靠AI。

我們不能期待用戶都成為上下文管理大師、邏輯大師和溝通天才。未來的 AI 產品一定不是依賴人變得更會提供「上下文」或更會寫「規范」，而是 AI 要具備主動性和相應的能力，要能主動「Find Out」合適上下文以及識別、預判用戶真實意圖。如果 AI 不具備自主處理、定位、匹配、調用合適上下文的能力，將大批量上下文給到 AI 將是個災難。

AI 還要繼續進化。它要像一個真正的伙伴，能從我們雜亂的「生活流」（lifestream）中，從我們碎片化的表達和行為中，去主動地、持續地理解、提煉、調用，甚至預測我們的真實意圖。在一份全面、明晰、可持續主動迭代的「規范文檔」之外，也需要一個動態的、不斷生長的「數據流」。

這正是我說的「寬輸入」的終極目標：多模態感知，對生活流的高分辨率捕捉。并且，要能在 input 和 output 之間形成閉環來實現「自進化」。

Karpathy 和 Grove 的工作，在我看來，正是在為 AI 建立這種能力。他們并非在等待一個完美的「人」來喂養數據，而是在 AI 這一端構建一套機制，彌合人這一端的欠缺，讓 AI 更好地消化和理解這個不完美的、混沌的真實世界，能與不完美、不明晰的人類更好地協作。

你看，Karpathy 說的要管理上下文，其實很大一部分在于模型要怎么學著自己去 manage context；Grove 說要有規范，其實是要讓模型學著如何把模糊的人類價值觀，對齊到自己可執行的目標上。

這幾位大神都絕對信 AI，不那么信人，所以他們一定會站在 AI 的角度去思考：我下一步該怎么做，才能解決「人不行」的問題？

Karpathy 和 Grove 給出「上下文工程」和「規范編程」肯定也不是終極的解法，但是他們將問題更清晰地擺在了桌面上。這也說明了一點，傳統意義上的產品經理們，如今面臨的挑戰確實變大了。因為在這個時代，必須先懂「模性」，才輪得到發揮「懂人性」的作用；若沒有 AI 技術和工程上的「審美」，產品的「審美」也大概率沒辦法閃耀光輝。

轉載請聯系極客君微信：geekparkGO