我要做GPTs

也许从从业者角度来看，身边每天都充斥着各种AI的信息，身边每个人都在聊AI，但实际上放眼整个社会来看，这个群体体量还非常非常小。大多数人甚至连真正的OpenAI都没有用过，更不用谈如何正确地使用。的确AIGC门槛不高，但如果让大多数用户直接去面对大模型，最多的对话可能就是“你好”，“你是谁”，“给我讲个笑话”。无了...为什么Character.ai（虚拟角色）的数据却居高不下？从本质看区别，差异在于Character.ai很明确地创造了一个具体的角色，我就是谁，我就是干嘛的。不要让用户去想，这可能是大多数做产品的人都听过的一句话。那这个事情谁来做呢，模型厂家做么，还是应用平台来做，都做不了。只有那些先行者们来做，也就是GPTs的创作者们。平台需要场景去反哺产品，也需要先行者们去先富带动后富，而先富的人，也要获取利益，平台则来提供能力和工具，这才是一件双赢的事情。最终形成一个共存的生态。

很多人都是以BeBeGPTs站长的身份认识的我，但实际上我在很早的时候就开始做LLMs应用了，只不过是ToB的产品。在我们当时项目立项的时候，我就提出了GPTs的概念，实际上我们做的很多东西，都算比较早的，从RAG，到Team，到FakeJsonMode，到tools，到Agent。我做产品做了十年，从B到G到C，大大小小也经历了很多项目，有大成有小成也有成不了的。后来转了AI产品，我一直觉得自己是非常适合做这个事情的，懂技术懂产品懂业务有经验，但同样我还是碰到了问题，我找不到落脚点，想法非常好，但是用户都在观望。AI技术的跃迁对于大多数人来说来的太快了！我激情昂扬地跟大家描述这个事情的时候，更多的人是不解跟质疑。没办法，这场仗，应该是场持久战，而现在，才刚刚开始。后来，我混入到各种各样的群里面去结交各种各样的朋友，跟他们聊业务，聊技术，吹牛逼，甚至还免费给镜像站的开发者当产品经理，免费给一些企业老板做咨询。我给当时的状态总结了一下：GAP（断档）。懂技术的人，他不懂业务；熟悉业务的大多数人，他又没概念，毕竟敢第一个吃螃蟹的，还是少数。别说客户了，当时我们的技术Leader，甚至也因为我想找个人来写Langchain而跟我吵了好几次，你一个产品，不要干预技术，所以没办法，我们用Java又造了很多轮子，也浪费了很多时间。在前几天硅星人对话智谱CEO张鹏的报道中，也给出了了同样的观点。铺垫了这麽多，回过头来说GPTs。作为从业者，我们也时时刻刻在关注行业动态和各种数据。

这是我在23年11月做的第一个GPTs【麦克阿瑟的素数】。这是一个可以帮用户判断数字是否为质数的无聊GPT应用。即便已经使用过了很多AI产品，我依旧对第一次使用GPTs的感觉记忆犹新。从点子到产品这是GPTs的创建界面，左侧对话，右侧调试。我发现GPTs也可以使用代码解释器，一个无聊的念头从我的脑中显现：做一个质数判别应用吧，既可以考考大模型的记忆力，遇到大数字还能考考他的代码能力第一版，纯靠模型自身判断是否为质数。遇到大数字时，模型会无从下手第二版，告诉模型无法判断时，调用代码解释器，写代码解决第三版，大质数在整数序列中分布稀疏，用户很难蒙到一个大质数；于是增加了计算最近的两个质数第四版，大质数判断太无聊了，于是增加麦克阿瑟点评功能这是最终的效果👇GPTs的奥义GPTs到底是干啥的？它到底解决了一个什么问题？直觉判断，OPENAI一定在海量用户的聊天中发现了一个事实：普通用户说的那点三言两语，大模型根本明白不了他们要干啥这不是一个单纯的技术问题，而是一个产品问题。当前的大模型就是需要用高质量Prompt去驱动，而且Prompt中很大一部分就得是用户的上下文信息。但是人类有记忆，大模型却没有。所以，普通用户一上来就称兄道弟，大模型却满脸懵逼。GPTs的解法是，通过对话引导方式，逐步获取用户信息，再由大模型根据对话信息生成更优质的Prompt。GPTs把普通用户生产高质量Prompt的过程，拆解为以一轮对话为最小单元任务的重复。基于对话引导，解决了用户说什么的问题基于对话循环，解决了低门槛生成高质量Prompt的问题用简单原子通过迭代去拟合复杂任务，这不就是万物法则吗？