推荐语
探索Agent的变革潜力，开启人机协作新篇章。
核心内容：
1. Agent的多元定义与商业洞察
2. AI Native公司在Agent领域的创新实践
3. Atypica.ai的独特价值与未来人机关系展望
杨芳贤
53A创始人/腾讯云(TVP)最具价值专家
2025年被誉为“Agent元年”，从企业级AI助手到个人规划工具，各类Agent如雨后春笋般涌现。然而，尽管市场热情高涨，Agent仍未形成统一的定义——它究竟是“下一代App”，还是更接近“智能协作者”？多数人仍将其视为传统工具的升级版，但真正的变革潜力或许远超想象。
在这场Agent的探索浪潮中，AI Native公司正尝试突破传统框架，重新定义其边界。它们不再局限于“效率工具”的定位，而是探索Agent在商业洞察、创意生成、组织变革等领域的深层价值。在本次访谈中，特赞创始人范凌博士将分享他对Agent的独特见解——通过大语言模型模拟真实用户行为，让AI不仅回答问题，更能主动构建用户画像、驱动决策流程，甚至暴露人类思维的盲区。这种创新不仅挑战了我们对Agent的认知，也预示着人机协作的全新模式。【 核心洞察 】
- 产品创新：与传统AI相比，Atypica.ai的创新点是模拟真实的人，用大语言模型研究典型用户，多个AI助手协同高效低成本进行大规模用户访谈。
- 发散优先模型：在推理层做发散优先模型，适合处理商业问题的非共识、艺术性部分，与传统收敛优先的研究方法不同。
- 幻觉的价值：允许AI生成非共识观点，拓宽思维边界，适合需要多元视角的问题（如民意调查）。
- 组织变革：AI使工作方式改变，从专业化分工走向更全能，公司组织架构向更少岗位、更多复合技能方向发展
- 员工潜力：不是AI替代人，而是像我们这样有300人的公司，每个人都能发挥出独角兽般的潜力。
- 观察“镜像”：AI不仅是工具，更是观察人类社会的“镜像”，可能重塑工作与生活形态。
- 预设题库提问：模拟及预设题库提问，能使AI能更好地理解用户需求并提出合适问题。
- 多智能体交互价值：通过多智能体交互能更好地理解人在决策、判断或观察上的盲区。
- 虚拟Agent与人类关系：未来与虚拟Agent的关系难以想象，可将其视作人类世界可能发生的情况来观察，也可当作处理任务的工具。
Atypica.ai与传统Agent最大的不同是什么？
大家好，今天我们邀请到了特赞公司的创始人范凌老师，来一起聊聊他们最近开发的一个非常有趣的产品Atypica.ai，以及这个产品背后的思考。今年被很多人称为是AI agent的元年，而Atypica.ai正是我关注到的一个很有意思的AI agent产品。那么，创立这个产品的契机是什么？我们公司特赞主要是帮助大品牌做内容和AI相关的产品。我们为客户提供内容管理、分发和生产的工具。在工作中，客户经常会问我们：应该制作什么样的内容？怎么做这些内容？不同的内容方案哪个更好？除了营销外，客户在了解消费者和开发新产品时也会涉及到内容问题。这些都是典型的商业问题。以前解决这些问题时，我们会用传统的市场调研方法，比如定性研究、定量分析、数据分析和消费者访谈等。现在我们在思考：能不能用大语言模型来更好地解决这些商业问题？这些问题比较特别，因为它们通常没有标准答案，解决一个问题可能会引出新的问题。传统上，研究人员主要是通过模拟来解决这类复杂问题。以前的模拟主要关注群体行为，就像研究一群小老鼠那样研究人群的整体趋势。但有了大语言模型后，我们现在可以更好地研究和模拟个人行为。这就是为什么我们给产品取名叫"Atypical"（一个典型）-我们想用大语言模型来研究典型用户会是什么样子，从而帮助解决各种商业问题。我来举个简单的例子：如果让AI读完西游记，我们就可以让它模拟孙悟空的性格。比如问它"孙悟空会喜欢喝咖啡还是果汁？喜欢看什么类型的电影？"AI可以根据对孙悟空性格的理解来回答这些问题。在我们的网站上，我们用一句话概括我们的目标："为主观世界建模"。我们想通过上下文让AI具有特定的性格特征，来模拟真实的人。现在有了多个AI助手协同工作的技术，我们可以让一个AI扮演专家去采访其他模拟出来的用户。这样就能高效、低成本地进行大规模的用户访谈。我们一直想做这件事，最近几个月终于实现了，主要是因为大语言模型的能力提升了，可以模拟出更真实的消费者形象。第二个原因是我们看到了很多多智能体的交互形态，它把智能体的工作从黑箱变成了一个可观察的过程。比如说Cloud Artifacts、Man或者Devin，你能够直观地看到智能体是如何运作的。这让我们看到了一种新的交互方式。基于这些观察，我们很快就决定把一直在脑海里的想法付诸实践。我注意到你们的产品有一个独特的特点，就是模拟真实的人。这个想法很创新。现在市面上大多数AI助手产品主要是用来思考和解决问题的，比如OpenAI的Deep Research和Manus。这些产品让我们看到了AI助手最基本的样子。很多人还是用传统的方式看待AI，觉得它就是一个解决复杂问题的工具。但你们的产品却把重点放在了模拟真实的人这个方向上。是的，我们的想法其实是有连续性的。我认为人类发展的过程中，越来越多的事物可以被建模和计算。举个例子，物理学就是用来计算和预测客观世界的：比如一个物体掉下来时，我们能预测它的运动轨迹、速度和时间，以及它会如何反弹。现在，大语言模型帮我们解决了语言交流的问题，进而帮我们理解了思维的问题。这让我们意识到，就像物理学可以对客观世界建模一样，我们也可以用大语言模型对人的主观世界进行建模。我发现访谈这种形式特别有价值。以前我们总是让AI来回答问题，但现在我们可以反过来：让AI提问，由人来回答，然后让AI总结分析。当有了多个AI智能体后，不同AI之间的互动会产生很多新的可能性。这就是为什么我们想让更多模拟真实人物的AI智能体互相交流和互动。这个假设非常有趣。谷歌最近发布了A2A协议，主要是关于多智能体之间的互通。但很多人对此的理解还停留在一个层面：把专注不同领域的智能体串联起来，形成一个工作流。在你的语境里，其实Agent的定义是更偏向一个虚拟的个体。就拿我刚才举的西游记的例子来说，通过阅读，我们能够了解孙悟空是什么样的人。通过了解他的性格特点，我们就可以推演出他可能会做出什么样的决定、有什么样的判断，甚至能推测出他对某些事情的观点，而不仅仅是了解他掌握的知识。这个想法很有意思。不知道业界是否有其他公司也是这样定义的，现在很多人可能还是把Agent简单地看作是App的下一个发展阶段。大家对Agent的发展都很兴奋，特别是通过MCP实现的各种功能。虽然我们也很期待，但目前我们主要专注于用Agent进行模拟研究。至于其他公司的具体情况，我不太了解。其实在学术领域，这并不是一个全新的话题，就像Agent这个词本身也不是新概念一样。过去的模拟研究主要关注群体行为，比如元胞自动机等理论研究。这就像研究蚂蚁群落一样，观察每个个体的行为。这些研究一直在持续，最近也有很多突破性进展。比如在市场营销和信息系统（IS）领域，很多研究者正在探索用Agent进行市场调研。现在甚至出现了"生成式社会科学"这个新兴学科，专门用Agent来模拟社会问题。与过去主要关注群体的模拟不同，现在我们能够更深入地研究个体层面。对斯坦福这个团队还写了一篇我像模拟100个1000个随机的美国人用Agent的。刚刚讲的都讲了底层的逻辑是怎么思考的，那可能需要一个更加具体的案例来为大家解释一下Atypica.ai是怎么样工作的。工作流程其实非常直观。在网页上你会看到一个对话框，和常见的AI工具一样。你可以在对话框中提出需要分析的商业问题，系统会追问三到五个问题，来明确你的具体目的。比如说，假设我想研究一个产品的用户反馈，系统会问你："你是以什么角色来研究这个问题？你想了解性能反馈还是用户体验反馈？获得这些反馈后，你打算用于新品研发还是竞品调研？"通过这些追问，系统会更清晰地理解你的需求。第二步，系统会把前面的问答内容整理成一系列具体的工作任务。然后第三个Agent会在社交媒体上进行实时搜索，我们主要覆盖小红书、抖音和Instagram这些平台。我们不是直接调用平台的数据接口，而是像真实的研究员一样去搜索内容。搜索后，我们能看到很多帖子，包括原文和评论。基于这些上下文，我们会模拟发帖用户的典型消费者画像，一般会生成至少5个典型用户画像，有些客户甚至会要求生成100个。Persona相当于人的原型人物画像。然后接下来会触发下一个Agent进行Interview就还问这些原型的人，相应的问题，这些问题都会和你要解决的大问题有关。问完以后把这些问答总结成Summarize成一段话。这段话再生成一个图文并茂的报告大概是这样的一个过程。产品设计上，是先从使用场景倒推出现在的产品形态，还是从模拟群体再推演出他可能的使用场景？让我来解释一下我们系统可以解决的四个主要商业问题：第一是市场洞察。比如，我们可以分析用户对某个产品的反馈。举个例子，我们最近研究新能源汽车市场时发现，有两个以上孩子的年轻家庭可能会需要MPV（多功能商务车）。第二是产品共创。我们可以邀请目标用户群体一起参与产品开发。第三是产品测试。假设你要为健身爱好者开发一款巧克力，你有A、B、C三个配方，我们可以帮你分析哪个配方最受欢迎。第四是内容规划。比如很多小红书博主会用我们的系统分析自己的账号定位，规划未来的内容方向。除了这些预期的用途，我们也发现用户在开发一些有趣的新用法。比如有人用它来规划留学，分析自己的背景并获取适合的学校建议。最后分享一个有趣的例子：以前外国企业要了解中国市场，必须依靠中国团队做调研。现在他们只需要用Atypica用法语提问，系统就能分析中国社交媒体数据，直接生成法语报告，大大提高了效率。是的。现在我们正在与一些权威媒体合作，把他们独特的数据源整合进来。这些是宏观层面的、准确的数据，不同于社交媒体上的道听途说。我们把这些严谨的数据和观点，结合社交媒体上的多元声音，形成完整的分析报告。比如说，研究中国新能源汽车如何在东南亚市场拓展这类严肃话题时，我们就在增加定量分析的比重。在最初的设想里，这项技术主要是服务于市场调研领域的用户研究。这启发我觉得这种模拟特别适合用于个人规划，因为它可以帮你探索人生中不同的可能性。现在很多时候AI在落地的时候幻觉是一个很大的问题，或者它的准确率是一个很大的问题。在你们的场景里，准确率是不是一个问题，在哪些场景会用的比较好？我觉得幻觉和准确率对于商业研究来说是有两面性的。商业问题既是科学又不科学，这就是为什么我前面会说它既是Science又是Art。这也是为什么我们要跟一些严肃的媒体谈合作，接入他们的数据源。虽然不是每个报告都需要接入，但对于一些特殊的问题或高阶用户来说，我们需要获取权威性的数据。这些权威数据应该优先于社交媒体上的道听途说，以确保分析的真实性。这是Science的部分。至于Art的部分，当我们需要开拓思维时，我们需要看到更多元的视角，这时社交媒体的数据就特别有帮助。语言模型直接回答问题时会给出非常结构化的答案，但让它分析社交媒体数据时，就会发现其中存在很多争议和讨论，内容会更加丰富多样。这就是商业问题的特点，也是我们称之为复杂问题的原因。你既需要基于事实的共识，又要探索共识之外的可能性。有时候你需要看到多种非共识并存的状态，最终由人来做决策。洞察的作用不是帮你做决定，而是帮你看到更多可能性。所以我认为，这个系统在处理这种非共识的、艺术性的部分特别有优势。某种程度上，Hallucination（幻觉）反而是件好事，因为它能让思维更开放。所以我们正在开发一个希望能尽快备案的大模型。在推理层面，我们不会重复造轮子，而是使用现有的DeepSeek v3。但在上层推理方面，我们想做的是一个发散优先的模型，而不是收敛优先的模型。对于Deep research，你可能希望严谨地找出答案。但我们想做的是发散优先的模型——在得出答案之前，让更多人参与讨论，听取更多的声音。我觉得这样可能更适合处理既有Art又有Science的问题。等等对民意调查，或者你比如说商业问题的多元视角，我觉得很多需要更多元的视角。我最初不知道你是这样定义的。我把它当作Deep research在用，所以我第一个问题就是问他关于当前中美AI发展的对比，以及有什么政策建议。他给我生成了五个不同的Persona，包括大厂员工、硅谷工程师等等。从他们的视角得到了很多不同的回答，很有意思。这让我想到一个灵感：这不就像是一种很好的专家访谈吗？传统的专家访谈都是要付费的。如果未来像刚才说的，在这些专业领域接入了专业数据集，是不是也可能成为未来Agent的一种形式？现在我们有一些客户。因为我们合作的企业很多是消费品企业，他们每年都投入大量精力和资源做消费者研究。这些企业积累了大量的研究文档，虽然最终可能只读一份简化的报告，但实际过程中包含了很多访谈记录。我们会收集这些访谈内容——可能有成千上万个——然后将它们转化成可交互的专属Agent。这样一来，比如说你是某个品牌，在做研究时就不必只依赖社交媒体上的声音。对你可能有自己独有的Agent的对这自己员工库一样。那我觉得也是一个非常好的事。原来你会很简化，只读一个Final report，最后就是明明这都是成成百上千很差异化的人，最后都变成一个量化的报告了？但现在这些人又好像恢复成了一个一个人吧，可交互的对一个可交互的人，我不能说他完全和消费者一样，但他比这些冷冰冰的数字和标签更像一个人。我跟客户和用户解释时会说，我们当然都想喝新鲜果汁，但有时因为经济或环境条件的限制，我们会选择速溶果汁。速溶果汁虽然成本低、随时可用，但它在尽可能地模拟新鲜果汁的色香味。传统的研究方法就像是告诉你果汁的成分构成，但光知道成分你体会不到真实的味道。速溶果汁再怎么便宜，至少还原了一部分真实体验。这就是为什么说我们在做的像是"速溶"版的研究。大家可能更熟悉那种建立在理性层面、科学层面的数据库，但你们现在这个是艺术层面的Agent。那它需要收集哪些维度的素材，才能让这个Agent更像一个真实的人？首先大语言模型的能力是基础。大语言模型就像已经让一个人有了个性，我们要做的是告诉它该激发哪种个性。所以我们并不是在发明个性，而是在激发大模型本身已经理解的个性特征。比如说某种特定的个性，我们是通过Context来激发的。在社交平台上，Context可能比较短，就是用户的发帖和回复。如果是访谈，可能是一两个小时的对话内容，这就比较长了。如果是像《哈利波特》全集这样的作品，里面就包含了所有相关的Context，效果会更好，能展现更丰富的个性特征。我们现在每一个调研背后都是重建Persona库的。所以你你可以理解为积累的过程，就是我们如果有我们现在是不到，反正这个数字很庞大了，这个数字比我想象中庞大。每再乘以五，至少乘以五是我们的帕库。但是我觉得更重要的是说这些都是一些你可以理解为是质量不算最高的，它为了解决某一个问题，我只是Interview你的可能十分钟这种感觉的。那我们现在做一个新的东西，就是AI智能的去针对一个你要解决的商业问题来发明问题，人去回答。比如说我最近发起了一个我昨天发起的一个问题，用户体验你有什么建议你就发给我们核心的这些用户就是AI会自动针对这个问题。针对我要解决这个大问题来提问，让人用语音或者文字打字去回答，然后这样的AI就可以总结你的整个的回复，然后给我一个。提好问题是很重要的一个能力，因为我也经常做访谈，我也会让AI给我列一些访谈提纲，但我都觉得通常都比较千篇一律。这里有两种方法。第一种是模拟（Impersonate）——你需要让AI理解你是什么样的人，它才能提出合适的问题。等下我给你演示一下这个产品。重要的是让AI明白，问题的语境不仅仅是一段提示词。比如说"我要做个关于AI agent的访谈，给我出些问题"，这样是不够的。AI需要理解你为什么要问这些问题，而作为访谈设计者，你也要花时间和它互动。第二种方法是预设题库。AI可以从题库中选择和调整问题，还能把握问题的提出时机。比如说题库里有200道题，但不是每次都要问完所有问题。是这样的，我们不只是想服务现有客户。我们希望帮助每个有商业分析需求的人，因为"Business"这个概念不仅仅是ToB的，每个人都有自己的业务需求。对。现在我们的用户群已经远超原来的规模。原本主要是服务大企业，他们对我们的产品都很感兴趣，但也提出了几个问题。首要问题是数据安全——比如说如果他们要询问新品上线的用户反馈，这就会暴露新品信息，所以我们需要解决这个问题。第二个问题是，能否整合他们的私有数据，比如内部访谈和调研等。第三，他们希望报告不只是提供通用的回答，还能针对具体问题深入展开。第四，他们关心如何把这些生成的结果转化为实际行动，比如转化为新品研发方案或下一轮的项目简报，这些都很有意思。或者说就是说那个跟员工们可能我是觉得原来我们是按照技能分。现在可能我们确实需要更多的人有更复合的技能。所以原来可能专门有人做调研，有人做开发，有人做设计，有人做什么，现在可能是需要四倍的人做这四种工作在一起，而不是指每个人做一个。那就是都是三楼对，可是这样，然后对我们的对客户的反馈，对大概就是这样。那你刚刚谈到都已经谈到了AI对组织可能会产生的变革了。我们大家都感觉到随着越来越多的AI产品，不管是自己用还是对商业用大家的工作都会被重新的评判，例如你刚刚提到的需要更复合的技能。作为一个企业的管理者，你你觉得未来要怎么样去组织这个公司？我认为任何改变最终都是好的，但改变的过程总是不太舒服。无论一个人是否愿意改变，大家都知道改变是必要的。但人性使然，我们都不希望自己改变太多。说到AI带来的机会，虽然我们公司主要做AI应用，但我们也是在逐步推进AI的应用。这一点上，像腾讯这样的大公司也是同样的做法。我觉得AI正在带来一个重大转变：它正在改变传统的工业化思维。过去，我们把工作职责划分得非常细，每个人只专注于自己的专业领域，不断重复同样的工作，变成了所谓的"工具人"。但AI的出现让这种高度专业化变得不那么必要了。比如，如果你是一名文字工作者或者插画师，你可能会担心：AI到底是在帮助我，还是在威胁我？我认为，AI时代更像是在回归文艺复兴时期，每个人都可以成为多才多艺的全能型人才。公司未来需要的不是更少的员工，而是更少的固定岗位。我很喜欢这种说法：每个人都可以成为"独角兽"。这不是说一个公司只需要一个人，而是说像我们这样有300人的公司，希望每个人都能发挥出独角兽般的潜力。对大家的Ownership可以更完整一些，原来我只负责我自己的一亩三分地。现在你能不能负责的是更偏端到端，大家也会更有意义感。原来是你只负责这一块，每天就在过度优化一个局部。因此我们的工作方式发生了变化。原来我们是两周一次迭代，这样只有持续在做事的人才能真正参与进来。因为两周中间缺乏节奏感，只有天天做这个事的人才能掌控全局。现在我们通常是一天一个迭代或者API卡片，有时一天能做三次迭代。我们现在开半小时或20分钟的短会，当天晚上就能看到结果，第二天就能继续讨论。每个会议变得更短，但变化和进展积累得更快，不像以前要等两周后才开一个冗长的会议。这种工作状态很好。以前做一个产品至少需要前端、后端、产品经理等十个人才能组建一个团队，而且人还嫌少。一规划就是300人天。现在我们可能用两三个人就能做一个项目，这两三个人对项目结果全权负责。如果一个任务超过十个人天，我们就会当场质疑是不是做错了方向。我觉得这些可能都是概念，是不是像孵化技术像什么，我觉得最终功能是很重要。你会觉得你对一些东西有控制力，那你你的工具就是更多的AI，你就不会觉得你是AI的工具。确实每个人更像CEO，对不是说每个人都要承担Liability，但是每个人的工作就更完整的挺好的。对。那在AI转型的过程当中，其实有两种路径，一种是大家自己学会用各种AI工具，现在市面上也有非常多国内国外的工具对。然后还有一种就是从公司层面去推一些统一的，大家要用的工具融合在以往的工作流里面，你觉得这两种现在是怎么样？对于使用新技术这件事，我认为没有绝对的对错，关键在于人怎么去做。虽然愿意尝试新工具的人总是会较早接触新技术，但是后来者也可能会有自己的优势。让我跟大家分享一个意外的故事。按照原计划，我们本应该专注于改进现有产品，而不是开发新产品。但有一天，我的一个学生做出了一个可用的演示版本。看到后，我就和CTO商量要不要试试看。令人惊喜的是，我们的CTO仅用了一周时间就完成了产品开发。在开发过程中，我们遇到了一些挑战。比如说，我们发现产品的交互方式和Manus很像，当时市面上已经有现成的开发框架可以用。用这些框架可能需要3-5周才能完成，但我们的CTO选择自己重新编写代码。这让我们明白了一个道理：只有亲自动手做，才能真正理解怎么做。虽然我们都知道应该用AI写代码，用Cursor等工具，但实践是最好的老师。现在我们的工程师就选择用简单的Next.js框架来开发。实践出真知。很多人只是在讨论应该怎么做，但可能都没有真正做出过产品。我们是在实践中一步步找到了正确的方向。目前虽然只有我和CTO掌握了这套开发方法，但我们计划让其他五个项目组也来学习。有些同事觉得改造旧代码和旧产品很困难，但我们要鼓励大家尝试。我们希望每个人从项目一开始就使用AI来开发产品。范老师的所说的“老产品”里面也有很多AI的功能，那现在的新产品和以前最大区别在哪里？我觉得是这样的，我们最早做了不少AI的理解和生成功能。那是上一代的机器学习技术在支撑。现在我们需要重构这些东西，不仅成本更低，效果也会更好。我也一直在思考我们的产品。作为一家企业软件公司，现在很多企业软件都不得不加入AI功能。但实际上这反而让成本变高了，因为要支付Token费用，而客户并没有额外的预算。我说最糟糕的做法就是"老瓶装新酒"——AI是新的，但产品还是老的。结果就是产品体验变差了，因为不断加入新功能导致Token消耗增加。原本是单纯的软件，现在成本更高了。客户觉得产品变得更复杂，而公司在外面宣传说"我们接入了GPT"之类的。这样硬着头皮追赶AI潮流，实际上并没有创造商业价值。我觉得更好的做法是"新瓶装新酒"或"新瓶装旧酒"。"新瓶装新酒"就是通过AI真正开发出新型产品，这是我们在尝试的方向。而"新瓶装旧酒"则是用新形式来满足原有需求，比如我们的内容管理系统。我后来想，与其完全重构，不如用AI重新设计交互方式。这样就能把它变成一个内容数据库，只是在上层改变交互形态。我觉得这种方式会更好，客户也会觉得很有价值，耳目一新。第二，客户也更容易理解为什么要开始收取Token费用，而不是像以前那样只收取租户费。是这样来说的话，是不是意味着对于客户来说，他们的一个比较丝滑的转型方式，也是新品装新酒或者新品装旧酒去建立一个全新的工作流。而不是说现在好多人都在卷用AI来提高Productivity，但发现这成本可高了，对一点都不能降，也降不了太多本。我不知道你们的观察是怎么样，大家对口所谓的Copilot不是很满意。成本的问题，或者就是这部分投入对于产出的结果不是很满意，所以很多可能是确实需要基于AI的能力，顺着大元模型能力重新想一想是不是有一些工作的流程是可以重新设计一遍？你现在脑海里有哪些行业或者场景是可以先被设计的吗？对我们自己最近在做一些尝试。比如说，原来我们只知道品牌企业需要更多内容，后来慢慢理解到，因为现在媒介更分散了，内容需求也更多了。很多企业在运营账号，比如说小红书号、抖音号。一开始我们只想帮客户解决账号的大量内容需求，就是要能产出各种各样的、能过审且成本低的内容。但后来我们慢慢意识到每个账号，尤其是设备类账号，都需要有自己的个性（Personality）。这种个性就像差异化的性格特征一样。每个账号需要有自己的特色，内容也要根据这个个性来制作。所以我们不只是用企业原有的数据源来简单剪辑、拼凑、改编（Re-adaptation），而是要去重新创造（Recreate）。基于已有的0到1的内容，创作一些符合个性的图文内容。视频内容对我又想到了一个点，你这个功能还可以用在AI陪伴上面。因为我感觉AI陪伴它非常缺的一个东西，就是Personality之前那个蛋之所以很火，就是因为它的Personality很鲜明，而大多数所谓的AI陪伴他都因为太乖了，太顺从了，其实并不是大家所想要的那种。对，所以我觉得其实事实上我们也看到大语言模型的个性是有挑战的，因为模型非常屈从，对非常容易驯服。对非常服从，对我们有时候希望他多点反对意见，他不喜欢。所以我觉得这也是可能过度对齐的结果，所以当我们要去给大模型增加Context（语境）来增加他的观点的话，我们也会在这部分做一些尝试。对。如果不是这样的话，对普通人来说，如果我自己的感觉跟大语言模型交互久了，你的思想就会非常固化，因为它一直在夸你。现在看到大语言模型加入性格的初步尝试非常有趣，它为虚拟世界带来了丰富的物种和人格。畅想未来，我们会不会和这些虚拟Agent一起生活？它们将以什么样的形态存在？我们是否只会把它们当作工具？“伙伴”这是个概念上容易回答，但形态上难以想象的问题。我非常喜欢观察我们ATP里的Replay功能。我经常会围观Agent之间的访谈，特别有趣。有时我会特意在提示词里写，不要做Interview而要让他们争论，这样Agent之间的讨论就会变得非常激烈。我并不是把它们当作真实的人，而是把它们视作人类世界可能发生的情况来观察。通过这种观察，我能发现自己的一些盲区，这也是我现在特别喜欢这类产品的原因。当然，像MCP这样帮你处理各种任务的Agent是另一种逻辑，就像有很多小黄人在帮你干活。但我更喜欢这种观念上的挑战。我认为，通过多智能体的交互，我们能更好地理解人在决策、判断或观察上的盲区，这会非常有价值。比如我有时会向它询问一些公司的情况："这个销售很努力，但效果不好，已经三个月了，我该怎么办？"虽然Agent的回答可能不会引用真实数据，但这种讨论方式确实能给我带来很多新的视角。感谢范老师今天为我们介绍了这款新产品，以及分享了背后这些富有创新性和开拓性的思考。我们会继续关注这个产品的发展，看它将为我们的生活带来怎样的改变。希望大家多试试用各种方法把它”玩坏”。
粤ICP备17114055号