复盘大模型的一次成功落地，代替了百万年薪的人

先说下背景，再回顾下过程，然后总结成功落地的五大要素，最后说说怎么凑齐全部要素。

一、背景

我创立的 AGI 课堂的课都是直播。当直播间人数超过 500，互动区消息就刷得飞快，授课老师已完全不可能进行有效互动。

为解决此问题，我们尝试每次课安排助教值班跟课，职责是：全程跟踪互动区，把和课程相关的有效提问拷贝粘贴到飞书文档里，并去重。

这样老师只需要看这份飞书文档，就能完成互动了。

运行了几次，效果不错，就是太消耗助教。

这些助教都在大模型领域有丰富的实操经验，本职工作动辄管着几十人，不乏百万年薪者。跟课这非常没有技术含量，非常机械的工作，他们内心肯定是不愿意做的。

但我也没办法找低薪酬低水平的人来代替他们，因为技术不够，就没能力判断哪些问题是与课程相关的有效提问。

果不其然，我正在考虑要不要给助教加薪的时候，一名助教就发难了……

二、过程回顾

第一版

这名助教叫拐爷，他主导开发了国内第一个基于大模型的智能工作/生活助手。

他发难不是要钱，而是跟我说，他逆向分析了直播页面，做了实验，可以把互动区消息都爬下来，所以打算开发个 AI 跟课助手。问我如果成功了，能否帮他要来知乎（我们的课是在知乎知学堂上课）的官方接口，这样更稳定。

有人愿意研究，愿意开发，还没提半个钱字，我当然支持了！

拐爷大概用了个把周末，就鼓捣出第一个版本，实现了两个能力：

1. 1. 调用 GPT-3.5 来判断每一条消息是否是提问，以及是否和课程大纲的内容相关

2. 2. 把有效提问写到飞书文档里

经过几次和真人跟课并行使用，确认稳定后，助教开始不再自己盯互动区，而是只看 AI 生成的文档，做做人工编辑，删除重复的、错判的。

助教们非常喜欢这个 AI 助手，工作量大减。于是跟课工作从一人跟一课，变成一人同时跟两课（同时会有两场不同期不同内容的直播课）。

助教们自嘲要下岗的同时，还热切提供反馈和方案建议，期待早日完全被 AI 替代。第二版的迭代开始了。

第二版

第二版主要做了两件事：

1. 1. 拐爷增加了去重功能，用 GPT-3.5 判断新问题是否在旧问题中出现过

2. 2. 首席讲师王卓然博士标注了两次课的数据，然后调试筛选问题的 prompt，使判断的准确率大幅提升

最后的 prompt 如下，其中用到了思维链：

另：调试 prompt 的过程，王卓然老师还做成案例，放到了课程中

助教继续人工监督跑了一段时间，只在几次 AI 助手崩溃时动手干预，其它时候基本不需要人看着了。

这个 AI 跟一次两小时的课要花多少 token 钱呢？不到 2 美元。

第三版

页面接口爬取稳定性差，还必须有人开着浏览器，无法无人值守。所以找知乎的研发要专用接口，他们非常配合，很快提供了。

拐爷又花了些时间做迁移和对接，测试了几次课，系统基本稳定住了。

然后，迎来了历史性的一刻：百万年薪的助教，被 2 美元一次的 AI 跟课助手完全替代了！

我查了下，从拐爷发难起，到这一刻，正好过去三个月。中间还跨了个春节假期。项目进度不算快，但合情合理。

但是，学员抱怨自己的问题没被上墙的声音也越来越多了。我们需要分析下原因是什么。

第四版

这一版其实还没开发完，但数据验证已通过，不影响本文结论。

助教西树接到一个任务，人工对 3000 条真实数据做分类标注，评测 AI 的效果，找出问题。

评测结果是，去重的准确率只有 11%。大量有效的提问，在去重环节被过滤了。原来如此！

之前的方案是把所有已上墙的旧问题和新问题一起发给大模型，让大模型判断是否有重复。看来这活儿大模型不太行，得换个方案。

经过讨论，我们试验了 embeddings 方案，直接拿新问题和每一个旧问题算向量距离，非常近的才判重。在人工标注的 3000 条数据上，这个方案表现良好。

估计等上线后，不仅效果会更好，延迟能更小，费用也能大幅下降，有望降到 1 美元。

三、总结

AI 跟课助手完全代替了人。一次跟课只需要 2 美元，远低于人工成本，还消灭了管理成本。

开发量也不大，飞书文档解决了所有用户侧的工作量，助教和老师们捎带手就做完了，ROI 是非常足够的。（此处我露出了资本家的微笑）

所以，这是一次成功的大模型落地案例。总结来看，五个成功要素缺一不可：

1. 1. 业务人员的积极

2. 2. 对 AI 能力的认知

3. 3. 业务团队自带编程能力

4. 4. 小处着手

5. 5. 老板的耐心

1. 业务人员的积极

我一直反复检讨，为什么我没想到可以用 AI 解决跟课问题？

当然不是因为我不懂 AI，而是在我的位置，面对新发生的情况，我首先是要找到确定性强、能马上实施的方案，成本合理可控就好。

出钱，堆人，先把场面控制住，再找更优方案，是正确的思维。

也许稳定一段时间后，我会思考 AI 方案。但到了那时，如果助教们反对，我也很难推进落实。

所以，和数字化转型项目一样，老板积极固然好，但业务人员本身就积极，才是成功不可或缺的要素。

跟课助手这个项目有特殊性，助教们真是不愿意干这种体力活。但更多情况下，业务人员都很担心自己的利益受损。

所以，目标是降低人力成本的项目，必须用各种手腕解决积极性问题。这个非常重要。

2. 对 AI 能力的认知

我们是大模型应用开发课程团队，人人懂 AI，所以一个业务问题是不是值得尝试 AI，能做出基本靠谱的判断。

跟课助手这事，一想就是大概率能成的，区别只在于最后能代替多少人力。

但我们从未想尝试数字人直播讲课这种酷炫的东西。当前太不切实际了。

正确地理解 AI，并能随着 AI 能力的进化调整自己的认知，既不高估也不低估，很重要。

3. 业务团队自带编程能力

为什么不是知乎来做这个功能呢？

其实在初步验证可行时，我就和知乎的大产研团队沟通过这件事。当时想法是万一知乎有兴趣弄，我们就不自己搞了。

「万一」当然没发生。是知乎不懂业务，不懂 AI 吗？当然不是！换我过去，我也不会做。

站在整个知乎知学堂的立场，这样一个功能，首先只有大直播间需要，适用范围立刻打了好几折。

知乎做就不能借助飞书文档了，也不能单搞个后台，得考虑如何同现有产品结合的问题，甚至还包括外采模块的配合。牵连多，工作量多，决策就更难。

做就需要人力，但已有几百个需求排在那等待开发，孰轻孰重？

知乎产研是愿意支持我们的，只是身不由己啊。所以提供只读接口这种工作量不大，也不对大系统有侵入性的事情，他们很快就帮忙完成了，并很好地配合了联调。

所以，不能指望大产研和外包团队。像我们这样，自己就能写代码，短平快先搞起来，很重要。

4. 小处着手

跟课在整个授课环节中并不是个大事。当前代码甚至没通用性，纯粹自产自销、自娱自乐。

按传统做产品的思维看，这是没有开发价值的。软件产品都要奔大用户量才能赚钱啊。

但大模型出来后，逻辑变了。细微之处也能创造足够的价值。反倒大处着手，面对的变数更多，风险更大，极难落地。

所以想实在落地，就别先贪大。从小场景开始做尝试，很重要。

5. 老板的耐心

即便是我们这样有丰富 AI 经验的团队，也不是一下子就能把实现方案搞对的。

为什么拐爷没一开始就让我去要接口？因为他不十分确定行得通。我也不笃定，所以先试试看更稳妥。

在业务里引入大模型，就像招来一个名校毕业生，看简历很厉害，但实际干具体的活到底怎样，只有用过一段时间才知道。

所以，大模型落到每个新场景都是新课题，效果如何很难提前预知，只能边尝试边调试，不断收集真实数据反馈，再决定下一步优化方向。

这个过程不仅长，而且有很多不确定性。所以老板的耐心，很重要。

四、如何搭一个能落地大模型的团队

怎样凑齐这五个要素呢？

关键是要有一个懂业务、懂 AI 、懂编程的团队，再加上一个有耐心的老板。

团队人不用多，像拐爷这样一人集「三懂」于一身的最好不过。但这可遇不可求。

建议组个两人的特战团队，一人懂业务和 AI，一人懂 AI 和编程。快速沟通灵活协同。足够落地火种，再慢慢扩大影响，成燎原之势。

懂业务非常关键，重要性远超技术。这个人必须从本公司出，找业务团队里的积极分子，提供学习和试错 AI 的机会。

如果公司有程序员，找乐于学习好奇心强的，提供学习和试错 AI 的机会，尤其要掌握用 AI 编程完成全栈开发的方法。

如果公司没有程序员，那就要招一个既懂 AI 又懂编程的。临时外包也行，但一定确保他得和懂业务懂 AI 那位，天天厮混在一起。

以上五要素是基于这一次项目的总结。但我惊奇地发现，我们经历的其它大模型项目，包括调研学习的别人的项目，也都符合这五个要素。

所以总结出来，希望能为更多的大模型项目落地，提供参考。

期待 2024 年，真的能大模型应用遍地开花！

下面是带货环节，不喜欢就直接跳到文末赞赏吧。

如果自己想学 AI，或者想派员工学 AI，建议加入我们的《AI 大模型全栈工程师》课程。详情访问 agiclass.ai，或者点击阅读原文了解。

前面的复盘，就是课程教学教研团队部分实力的展示。

第 6 期课程将于 4 月 9 日开课，现在加入刚刚好。

如果你想招聘 AI 全栈工程师，前 4 期有数千已毕业的学员可以挑选。发送你的需求到 liuzhichao@agiclass.ai 吧。