非凡产研特别整理了本期活动精华，以飨读者。
嘉宾分享精华
传声营销 创始人&CEO 成俊杰
1、在数字化浪潮的推动下，数据已无可争议地成为企业最宝贵的资产。它不仅重新定义了企业运营的核心，更要求所有业务活动都紧密围绕数据展开。在这一决策框架中，数据的产生、分析和应用构成了决策的基石，驱动着精准营销和各种业务活动的高效执行。
随着人工智能（AI）时代的来临，AI的领导地位愈发显著，知识（knowledge）成为新的竞争高地。在智能化时代，构建和完善知识库变得尤为关键，因为知识是AI智能的源泉，是提升AI智能水平的基石。
但尽管时代在不断进步，提高工作效率的核心要素——工作流（workflow）——始终未变。对工作流的创新和持续优化，才是推动人类工作效率持续提升的关键力量。
2、用户在实际应用中追求的是切实可行的解决方案，但他们有时会错误地认为，单纯使用工具就能直接获取答案。当工具未能提供预期的结果时，用户便可能感到失望，觉得这些工具无法真正解决他们的问题。然而，所有文案创意工具都应建立在坚实的文案创作理论之上，以确保其使用更加合理和有效。
在人工智能写作领域，我们的首要任务是提炼出卓越的文案结构。但许多人对何为优质的文案结构并不了解。因此，我们必须首先明确这一概念，然后才能利用AI技术来辅助文案创作，使其更加高效、精准地满足用户的实际需求。
3、我们提出了一套文案创作理论“PUJD模型”，它包含以下四个核心要素：
（1）Pain Point （痛点）：指用户面临的问题或需求，即用户的痛点。
（2）Unique （独特）：指企业提供的独特解决方案，即产品或服务的独特卖点。
（3） Joy Point （爽点）：指用户在使用了独特解决方案后获得的满足感或愉悦感。
（4）Data （数据）：指支持文案论点的数据，如节能30%、投资三万元带来三百万的节约等。
结构化输入的背后，实际上是对各种优秀文案结构的深入提炼和精心整理。这个模型着重强调痛点与爽点之间的紧密联系，即通过精准解决用户的痛点，来提供令人愉悦的体验。同时，借助数据的支撑来增强文案的说服力。这样的理论框架有助于我们更高效地进行文案创作，确保文案不仅能够吸引用户、解决实际问题，还能提供有力的数据支撑。
在构建智能客服系统的过程中，我们意识到，如果直接采用智能代理（Agent）来搭建客服系统，可能会导致回答不够精确。因此，我们首先需要提炼出一种描述产品的方法，以提高客服的准确性和有效性。为此，我们正在逐步探索从3W1H到3W2H的理论框架的演进。
3W1H理论包括：
1. Why（为什么）：阐释用户为何需要使用这款产品，提供丰富的内容来展现产品的必要性。
2. What（是什么）：详细介绍产品的具体信息，包括性能参数等，帮助用户深入理解产品的本质。
3. How（怎样用）：提供产品的使用指南和技巧，这是用户购买产品后迫切需要了解的信息。
在此基础上，3W2H理论进一步增加了：
4. Who（谁使用）：围绕产品构建案例知识库，展示哪些用户群体正在使用这款产品，这有助于增强用户的信任感。
5. How Much（多少钱）：解答产品的价格问题，涵盖商务政策、折扣等相关信息。
通过这种结构化的知识梳理，我们可以更精确地回应用户可能提出的各类问题。当然，除了结构化知识之外，非结构化知识——即不以产品为核心的知识——也同样重要。这些知识需要我们进一步地探索和系统化整理，以丰富智能客服系统的知识库，提升服务的全面性和深度。
壹沓科技 副总裁 陆玥
1、信息化和数字化的演进可以概括为四个主要阶段。首先，标准化是信息化和数字化的基石。没有标准化，信息化和数字化便无从谈起。
信息化的起步阶段可以追溯到Windows操作系统及其后续系统的开发。在这一时期，核心特征是人与软件的互动，即从人到软件的转变。人们开始使用打字机和办公软件，但只有当人们真正开始利用这些系统时，我们才认为进入了信息化时代。
近年来，数字化成为热议的话题。经过我们的统计，发现对数字化这一概念至少有50种不同的理解。尽管只是简短的三个字，但每个人对其的理解都有所不同。数字化的主要特点是从软件到人的转变，它释放了人们的潜力，例如通过RPA（机器人流程自动化）技术实现流程自动化。
随后，我们迈入了数智化的新阶段，这涵盖了通用人工智能的应用。数智化阶段带来了基于大模型的数智生态系统，实现了业务的超自动化和智能化。在这个阶段，特征转变为从软件到软件，再到人工智能代理（Agent）的演进。
超自动化的概念最初由Gartner公司提出，它描述了一系列技术的发展。这个过程包括四个阶段：任务自动化、流程自动化、认知智能，最终达到超自动化。在每个阶段，都运用了不同的技术，包括最新的大型语言模型，以推动业务流程的自动化和智能化。
2、几乎所有的行业和领域都将步入"人工智能+"的新时代。自20世纪60年代半导体技术的萌芽以来，我们经历了系统开发、网络化、互联网、APP时代、移动互联网的演变，直至今日的人工智能时代。在每一个发展阶段，总有一些企业以其卓越的表现脱颖而出。然而，随着人工智能时代的到来，传统的商业逻辑经历了重大变革，同时也孕育了无数新的机遇。
通用人工智能（AGI）与我们通常所理解的人工智能有着本质的区别。我们之前接触的人工智能主要是为了执行特定任务而设计的，这种人工智能被称为窄AI或弱AI。与之相对，通用人工智能是一种强人工智能，它具备推理、解决问题、规划、学习、沟通和感知等能力。
在人工智能时代，企业需要重新审视和构建自己的商业逻辑，以适应这一变革。同时，通用人工智能的发展也为各行各业带来了前所未有的机遇，企业需要积极探索如何利用AGI的潜力，以实现业务的创新和转型。
3、人工智能与工作的结合应用可以划分为三个阶段。在过去，以及目前一段时间内，我们主要采用的是嵌入式（Embedding）模式。在这种模式中，人工智能与其他技术被整合到系统中，作为一种功能增强或丰富化的手段。
随后，我们将迎来Copilot模式，这标志着人机协作的新纪元。在Copilot模式下，人工智能助手将与人类并肩工作，协助完成各种任务。例如，厨师可能会有一个烹饪机器人助手，帮助他进行切菜、洗菜等准备工作，但最终的烹饪艺术仍由厨师亲自掌握。
最终，我们将步入Agent模式。Agent模式的核心在于，人类只需向人工智能代理（Agent）发出指令，该代理就能够独立执行这些指令，完成复杂的任务。
随着人工智能技术的不断进步，这三个阶段的演进不仅预示着工作方式的变革，也为人类与机器的协作提供了新的可能性，推动着我们向更加智能化、自动化的未来迈进。
4、目前，大多数系统的设计初衷是为了方便人类操作。这些系统的设计通常遵循一系列原则：首先固化工作流程，然后根据各个工作岗位的具体需求来设计用户界面。然而，未来的趋势将是人工智能代理（Agent）或机器人使用这些系统，而非人类。
在未来，人工智能代理可能不再依赖于传统的用户界面。它们将能够直接访问和操作后台数据库，无论是集中式还是分布式的数据库。这预示着随着人工智能代理的普及，系统的形态和设计将经历显著的变革。
商业模式也将随之经历重大转变。在未来，一个人工智能代理或一个人形机器人可能成为我们与商业世界交互的主要入口。用户只需通过对话框输入文字，或者向机器人发出语音指令，人工智能代理就能理解并分析用户的需求。它将比用户自己更深入地了解用户的偏好和需求，并据此做出精准地选择和推荐。
这种模式将彻底革新传统的购物体验，使商业交互更加个性化和智能化。人工智能代理将能够根据用户的指令和偏好，自动完成商品搜索、比较、购买等一系列流程，为用户提供更加便捷、高效的服务体验。这不仅将提升用户体验，也将推动商业模式向更高效、更智能的方向发展。
意言科技 创始人&CEO 刘煜晨
圆桌讨论精华
Q：企业在开发和实践应用相关AI产品过程中，底层大语言模型（LLM）的能力对整体效果的影响非常显著，应该从哪些维度考虑这个问题？
A：单纯依赖大型语言模型（LLM）在执行某些任务时，可能无法达到预期的效果。以一个具体的例子来说，如果向一个大型语言模型提出一个复杂的数学问题，比如询问"681乘以2526等于多少？"，模型通常无法提供精确的答案，而是可能给出一个模糊的估计。这种现象被称为"幻觉"，因为模型本身并不真正理解问题，而是依赖于概率推断来生成答案。
然而，在一些聊天机器人（chatbot）或其他应用程序中，我们会发现它们能够提供精确的计算结果。这是因为这些系统在背后执行了函数调用（function calling），利用了某种工具（tool use）。例如，它们可能会调用一段Python代码，或者采取其他步骤来得出精确的解决方案，然后将这个解决方案呈现给用户，而不是仅仅依赖于大型语言模型。
企业开发具体应用时，如果直接接入大语言模型，遇到"幻觉"问题该如何解决，如何让模型完成一些固有的流程呢？这需要进行一定的工作，但这项工作的深度和广度，我认为完全取决于企业自身的业务需求。
我们曾接触过一些非常复杂的业务场景，可能包含数百个业务节点，逻辑非常复杂。也有一些非常简单的情况，比如企业可能只需要一个能够提供基础搜索功能，或者提供情感价值的聊天机器人，这可能就比较简单，大部分情况下可以依赖大型语言模型的能力。因此，我认为这主要取决于具体的业务场景和企业需求。
Q：我所在的公司主要从事传统的B2B业务，而我在市场部负责市场营销与沟通工作。我们的日常工作包括与媒体进行对接、撰写新闻稿，以及监测行业内竞争对手的市场宣传动态等。我想了解的是，是否可以通过人工智能技术来帮助我们更有效地收集和分析竞争对手数据，从而在市场营销沟通方面取得更好的成果？
A：您所提及的应用场景已经非常明确，即目前广泛实施的社交监听（social listening）。AI智能体（Agent）在企业中的应用中，社交监听是一个相当常见的场景。以往，社交监听虽然可行，但由于成本较高，实施一个社交监听项目——包括文本识别和意图理解等——可能需要部署服务器并进行大量的定制化工作。然而，现在我们能够以更低的成本实现这些功能。
首先，大语言模型（LLM）能够帮助我们识别和寻找相关内容，并在找到内容之后进行深入的内容分析和推理。这包括评估内容的相关性和适宜性，以及决定如何将这些信息呈现给用户，最终生成一份详尽的报告。这是利用AI技术在社交监听领域取得显著进展的一个高效途径。
Q：我目前在B2B行业担任关键客户经理（KA），专注于大客户销售领域。因此，我特别关注B端销售流程的落地实施。我首先想了解的是，在企业采购AI智能体（Agent）产品或服务的过程中，决策者通常是哪些人？
其次，我还想了解一下，在B端销售中，由于采购周期较长，往往存在先发优势。也就是说，一旦有三家供应商进入采购流程，企业可能就不会再考虑其他供应商了。因此，客户培养和销售流程至关重要。那么，在AI智能体的应用层面，应该从哪些部门入手，选择哪些业务场景，更容易推动销售，更容易实现项目落地，更容易激发相关人员对项目的兴趣？
A：我认为，要利用解决方案推动销售，决策权应当归属于那些直接受益的部门。如果我们将问题定位为一个技术性问题，那么讨论可能涉及CIO或CTO等技术部门。然而，如果我们讨论的是客服解决方案，由于它本质上是关于优化客户体验的，这通常属于市场营销部门的决策范畴。因此，优化客户体验的决策权应该掌握在市场总监手中。如果我们的目标是提升销售前的打单能力，开发一个销售前的小机器人，那么投资这个项目的决定权应该在销售总监手中。同样，如果我们为研发总监或生产总监提供员工培训，帮助员工快速掌握机器操作流程的智能体（Agent），那么决策权应该在生产总监手中。
总的来说，我认为决策应当从业务部门的需求出发，直接针对业务需求。谁从解决方案中受益，谁就应该为解决方案买单。
Q：三位怎么看待模型的能力的迭代和提升跟 Agent 的关系？后未来，比如到了 GPT6阶段，其会不会直接替代agent？
刘煜晨：我认为，就目前模型架构的发展而言，尤其是以Transformer架构为代表的大型模型，它们不太可能取代智能代理（Agent）。
这是因为，当前的大型模型可以被视作对世界知识的高效压缩。许多人对模型存在一个误解，认为它们擅长创造性思维，但事实并非如此。大型模型并不擅长创造性思维，而是擅长于总结和归纳，它们能够提供一种相对保守和中庸的答案。虽然通过调整模板（Template）的参数，可以使得模型的输出在一定程度上偏离常规，但模型本身并不具备真正的创造性。
去年我们在探索模型技术时，尝试让模型进行创意性文案编写、游戏设计或生成NPC对话等任务，结果发现这些尝试颇具挑战性。在这个过程中，我们意识到模型本身更像是一个遵循固定输入输出规则的系统，具有一系列预设的参数。因此，在这个层面上，我们可以将其理解为一个高度复杂的模型。
这个模型更像是人类大脑的直觉系统，它不涉及复杂的抽象思维。当然，不同的人可能对此有不同的理解和看法，但我认为，除非出现新的框架或范式，否则目前的大模型不太可能发展出真正的推理能力。尽管通过增加参数量或模型规模，可能会产生一些看似具有推理效果的现象，让我们误以为模型理解了背后的逻辑，但实际上并非如此。它仍然是一个遵循特定规律的模型，这是我的观点。
陆玥：在智能代理（Agent）领域，仅仅依靠底层大型模型的进化并不足以颠覆整个行业。正如奥特曼之前提到的，在他们内部测试即将发布的ChatGPT 5版本时，发现在某些垂直领域中，ChatGPT 5的效果并不理想。原因在于，它只能解决公开语料库的训练问题，而大量的信息实际上掌握在私有领域和企业内部，这些信息是无法通过常规途径获取的。
正因为如此，目前国内企业更多地聚焦于私有领域的垂直模型开发，包括开发各种智能代理应用。这是因为，私有领域的数据和信息对于特定行业和企业来说具有更高的价值，能够提供更加精准和个性化的服务。因此，开发和利用私有领域的数据，构建适合特定垂直领域的智能代理，将是未来的一个重要方向。
在这些专业领域内，不会出现您所担忧的问题。担忧一定要注意的是，随着ChatGPT不断升级，其训练语料的增多和参数的扩展，可能会进一步迭代，但机遇仍然存在。我们目前还看不到ChatGPT能够完全取代我们所有的运营工作。这是不可能的。
成俊杰：人类社会在持续不断地进化和发展，但在这个过程中，有些核心要素始终保持着它们的稳定性。首先，企业私域的知识是相对恒定的，它涵盖了企业内部长期积累的专有信息和数据。这些知识是企业宝贵的无形资产，为企业提供持续的竞争优势。
其次，工作流的沉淀也是不可动摇的。在各行各业中，人们通过长期的实践和探索，积累了丰富的经验和智慧，这些经验最终被系统化、规范化，形成了工作流程（Workflow）。这些工作流程不仅是企业独有的知识产权，更是企业在特定领域专长和知识的体现。
因此，无论技术如何进步，模型如何演变，这些基于长期实践形成的工作流程和企业私域知识都是不可替代的。它们构成了企业核心竞争力的基石，是企业在激烈的市场竞争中立于不败之地的关键。
Q：大模型在赋能CRM工具方面有哪些新的价值？是否意味着输入数据的需求会减少？或者其分析的精准度会有所提高？又或者说，它能否对整个销售流程进行优化和改进？
A：大型模型在赋能CRM系统方面主要展现了两方面的价值：一是对现有工作流程的效率提升，二是为新业务领域开拓提供可能性。
首先，对于现有工作流程的效率提升，大型模型能够显著降低成本并加速任务完成。例如，过去企业可能需要投入高达10万或15万元的资金以及大量时间来生成一份报告，现在却能以更低的成本和更快的速度完成。这并不是说旧技术无法完成这些任务，但预训练的大模型通过统一化的任务处理，使得许多下游任务的处理效果超越了以往经过精细调整的模型。
其次，大模型带来的增量价值主要体现在智能代理（Agent）之间的互联，以及工作流之间的串联。过去，我们处理的是独立的、单一的任务，但现在企业可以使用大型模型将它们连接起来。回想我们在企业中与SaaS系统交互时，实际上是在处理系统A、系统B和系统C之间的连接。举例来说，登录CRM系统提取笔记，粘贴到Excel中进行分析，生成报告，通过邮件发送给老板，老板批复后再进行下一步操作。在这个过程中，我们与不同的系统进行交互，这涉及系统的使用、行动、基础推理和工作流设置。
我认为，当我们尝试将这些流程转变为智能代理（Agent），并通过代理之间的连接来实现时，将展现出巨大的发展潜力。结合大型模型和智能代理，能够重新构建传统SaaS系统的能力，并为客户提供更系统的咨询服务方案，可能会为我们的客户提供更优秀的解决方案。
Q：我有三个问题。首先，如果企业目前专注于工具层和平台层的开发，例如大型模型的工具链，是否有必要进一步拓展至垂直领域的应用开发或提供完整的解决方案？
其次，RPA（Robotic Process Automation）这种技术已经先于agent已经存在多年，企业拥有丰富的应用经验和落地成本相对低廉，在Agent时代，我们要如何向采购者证明Agent在效率、成本和整体性能上会超越RPA？
第三，企业在拥有基于Transformer架构之前的NLP算法库的情况下，如何处理现在同时拥有传统NLP算法和大模型（可能进一步发展为Agent）的情况。因为，大型模型在某些任务上（如精确量化情感倾向）可能不如传统NLP工具精确。如果同时运行两套系统，则需要承担两方面的成本；如果考虑整合，需要进一步提升大型模型和Agent在意图识别和分发方面的能力，这又将涉及额外的投资。在这样的决策过程中应如何权衡？
A：从本质上讲，RPA（Robotic Process Automation）工具的功能相对有限。它主要通过模拟人的鼠标和键盘操作来执行任务。然而，智能代理（Agent）结合RPA，代表了未来发展的一个重要方向。在这种模式下，Agent将驱动RPA工具执行工作流程，两者并非相互矛盾，而是适用于不同的应用场景。
我们今天讨论了很多关于大型模型的话题，许多人似乎将大型模型视为解决所有问题的万能钥匙，但事实并非如此。有些问题可以通过其他工具更有效地解决，因此我们不应过分依赖大型模型。例如，大数据挖掘技术也能解决某些问题，而RPA在执行效率方面也具有显著优势。在工具选择上，应根据具体场景和需求来决定最合适的工具。不同的工具，有不同的价值所在，这些不是矛盾的。
agent 里面它要去调动哪些工具？什么时候要去用到RPA？什么时候要去用到其他的工具？等等都是需要根据实际层面去综合考虑的。比如，在客服领域，我们经常面临客服响应时间较长的问题，如果使用大型模型来回答问题，有时可能无法迅速给出回应。在这种情况下，传统的自然语言处理（NLP）技术，如意图识别和关键词提取，仍然是不可或缺的。它们能够挖掘出相关的实体信息，并据此做出回答。目前，这些技术仍然有其应用需求。
因此，在设计产品时，我们需要提供一个最终的解决方案。这个解决方案可以利用大型模型，也可以使用传统的NLP技术。正如您刚才提到的评分问题，有多种实现方法。虽然使用纯大型模型可以实现评分，但可能效率不是最优。如果我们微调一个小模型，使其能够快速进行评分，这是否可行呢？答案也是肯定的。但当我们进行比较时，可能会发现直接使用传统的NLP技术来构建一套完整的解决方案可能更为合适。
实际上，这里有许多不同的处理方法可供选择。它们之间并不冲突，而是可以相互融合，共同完成这项工作。无论是大型模型还是传统的NLP技术，都有其适用的场景和优势。关键在于根据具体的业务需求和场景特点，选择最合适的技术方案，以实现最佳的客服效果。通过将这些技术有机地结合起来，我们可以为用户提供更加高效、准确的服务体验。
关于NLP的问题，在实际的工作流的综合优化中，我们并非总是需要依赖单一固定技术来解决问题。大型模型已经整合了多种不同的任务类型，能够实现统一处理，这无疑简化了许多工作流程，为您节省了大量时间和精力。当然，这并不意味着它是效率最高的解决方案。
在某些情况下，您可能需要对一些小型模型进行微调，以实现更高的效率。在特定的应用场景中，使用这些模型进行分类等任务可能会减少"幻觉"现象，即减少模型输出与实际情况不符的情况。这些可能性尤其在一些非常专业的小众场景中更为明显。例如，如果您需要一些性能更优的嵌入（Embedding）模型，那么开发和使用这些小型模型是完全可行的。