过分强调技术本身是我们 AI 产品失败的一个非常重要的原因。

关于大模型落地过程中，大家普遍忽略的几个关键点，在打造产品 PMF，最重要的一点就是寻找场景。

同时，理解技术的边界，这一点比任何一点都要重要，但是为了找到一个合适的场景，我们首先还是要理解清楚目前的技术能做什么，不能做什么。

这里通常有两个问题。

1）对技术过于乐观

其实现在的大模型技术虽然看起来非常的优秀。

但实际上，你真正把它应用在垂直领域的时候，会发现各种各样的问题，所以没有理解这些技术边界的前提条件下，去设计产品或者去寻找场景，很可能会找到不切实际的场景。

第二类，是对目前的大模型技术有一些悲观，或者他根本都不了解大模型技术。

他们寻找的或者意识当中的技术，更多还是我们 AI 1.0 时代，而不是像现在的大模型一样，端到端的一个整体的解决方案。

那通常谁需要负责这一块？

其实就是产品的第一负责人，有可能是公司的产品经理，或者是项目经理，或者是公司的创始人。

但不幸的是，很多公司的产品第一负责人对技术边界本身理解不够，所以也很难去设计适合技术的场景出来，这是我们目前国内大模型落地最大的痛点。

2）PMF 阶段，靠别人不如靠自己

这里一个比较常见的问题是，很多人希望借助于一些外部的产品，或者一个完整的解决方案来赋能自身的业务，但是我们可以仔细想一想，目前我们国内的大模型落地是什么阶段，所有都在0~1的探索的阶段。

目前来讲，很多人也没有看过一个比较成熟的案例或者产品，所以这个道理就很明显，如果我们都没有去做出让自己满意的产品出来，然后把这个产品卖给别人，那这个大概率是跑不通的。

而且在产品的 PMF 阶段，最重要的还是对业务的理解，所以这一块我觉得是没有人可以替代公司的产品第一负责人。

对业务的深度理解，长期看来就是产品的一个关键的壁垒。

那有些人可能会问，目前的团队，确实对大模型本身缺乏一些认知，那怎么办？

这时候我们可以去寻找外部的力量，比如说外部的专家，还有一些团队。

但我们还是要让他们加入到业务当中去，一起去想业务，然后怎么把跟技术结合在一起，而不仅仅是在外部简单的提供一些技术的支持。

3）清晰界定壁垒

自从大模型出来之后，我们也知道开发一个大模型产品的技术壁垒已经变得非常低了。

而且做大模型应用开发的公司之间的技术差异也会变得越来越小。

所以这个时候，我们要考虑清楚，产品壁垒到底是什么？

我们有没有一些足够的用户基础，还是我们有对业务本身的一个壁垒，所以这些是我们该提前考虑清楚的。

比如像现在如果有一个比较好的C端产品出来，那我相信很多的企业都会试着去做的，而且能够在短时间内也能复制出来。

4）用最好的模型进行 MVP 的开发

然后你再推向市场，效果好，规模化了之后，我们再去考虑它的推理成本。

我们应该怎么去把它压缩，而且这里一点是一定要用最好的模型进行 MVP的开发，如果甚至用一个最好的模型也很难达到用户的要求，那这个产品可能就没办法做了。

所以在这个阶段，其实我们核心要做的事情就是要设计一套产品，要确定这个产品是有市场需求的。

然后确认之后，可以切换到一些开源的模型，再想着怎么通过微调的方法能够逼近这种最好的模型的效果，或者超过最好的模型的效果。

5）思考产品的阶段

因为我发现不少人过于强调技术本身，而忽略业务的重要性。

会导致我们花了大量的精力和资源投入到技术当中去，最后也没有做出有价值的东西。

而且这个团队很容易成为一个偏向于科研性的团队，就是做了很多的实验，但是这个实验根本都没有用在我们的产品当中。

而且在这个阶段，我的建议是：能用提示工程解决的就不要考虑rag的技术，能用rag解决的就不要考虑微调。

难道技术不重要吗？其实也不是，但是至少在PMF阶段，我们的目标无非就是要快速的去验证一个商业模式，以及我们所选择的场景。

这个阶段我们顺利的度过了，那第二个阶段才会进入整个产品的优化，这个时候终会真正体现出我们技术的价值。