生成式 AI 在 B 端软件中实践的思考

我一直认为 C 端软件和 AI 的结合会更顺畅一些，例如，笔记工具“墨问”最近推出了 MCP 功能，允许我在各种客户端中与 AI 交互，并将结果通过 MCP 保存至其中。这是因为大部分情况下，C 端对准确性的容忍度更高。 B 端软件则不同，其对准确性要求极高，尤其在金融、医疗等行业。

我一直认为 C 端软件和 AI 的结合会更顺畅一些，例如，笔记工具“墨问”最近推出了 MCP 功能，允许我在各种客户端中与 AI 交互，并将结果通过 MCP 保存至其中。

这是因为大部分情况下，C 端对准确性的容忍度更高。

B 端软件则不同，其对准确性要求极高，尤其在金融、医疗等行业。本文简单谈谈关于生成式 AI 在 B 端软件中实践的一些思考。

在 AI 应用的场景中，有一部分是生成式 AI。什么是生成式 AI？

生成式 AI 是一种能够创造新内容的人工智能技术。它通过学习海量数据（如文本、图片、音频），掌握其中的规律和模式，然后能够生成全新的、原创的内容。比如 ChatGPT 可以写文章、回答问题，DALL-E 可以根据描述画图，Sora 可以生成视频。

可以看出，生成式 AI 有以下特点：

而企业应用对确定性要求非常高，比如：统计团队成员的绩效数据、统计销售部门的销售额、统计某些区域的疫苗接种情况等等，这些数据如果出现错误，影响会很大。

B 端软件除了特定的业务系统外，还有一类是平台级产品，我们的零代码产品就属于这一类。

这一类产品通常给技术人员或业务人员使用，让他们能通过平台能力来构建最终的业务系统，如果有 AI 加持，可以提升构建的效率。有一些 SaaS 的零代码产品，可以通过一句话描述生成一个应用。

但仅凭一句话描述生成的应用，往往难以达到实际生产环境的使用标准。因此需要反复进行优化和调整，这个调整的过程会受到模型上下文长度的影响。

此外，生成式 AI 的“幻觉”问题，即模型生成不准确或虚假的信息，仍然是一个未被完全解决的挑战。这种不确定性在高风险领域尤为突出，可能导致错误的决策和操作。

在生成式 AI 的实践中，无论是 RAG 产品，或是一些编程辅助工具，都是提供一个对话框和用户进行交互。

但仅靠一个对话框搞不定 B 端软件。

我们在使用系统时，跟 AI 进行对话，AI 的具体运作方式和结果的产生过程，对我们而言如同一个黑盒。

这会带来一种不安全感。

所以，一个系统的构建，从 0 到 1 会有很多的中间步骤，这些中间步骤也需要通过可视化的方式清晰呈现，关键步骤需要让用户来进行确认。

而不是直接后台全部生成好，让用户去看一个最终的结果。

ChatGPT 可以根据我们的文字描述生成图片，当我们需要对图片进行局部修改时，可以对需要修改的地方进行框选，然后描述修改要求。这种框选的功能就是中间可视化界面。

我将上面的问题和局限性告诉了 ChatGPT，ChatGPT 给我提供了一个范式：

其中，E（编辑）和 A（再优化）这两个步骤体现了人工与 AI 的协同。

虽然 AI 技术发展的很快，但我认为，在近几年内，AI 与人工相结合的方式仍是实现有效落地的关键。

AI 的发展太快，各大模型厂商你追我赶，应用层各种新功能也层出不穷。我无法预判未来在 B 端软件中 AI 会发展到什么程度。但我可以有一些设想：

从宏观层面来看，AI 赋能主要就两方面：为用户侧提效，确保从基层员工到高层领导都能获得流畅高效的使用体验；给运维侧提效，能快速响应需求变化，高质量交付应用。
模型微调与 RAG 知识库需要逐步融合，或探索新的技术形态，以解决实时性和准确性的挑战。
零代码这一类的产品会变为基础设施，提供 API 供 AI 调用，如果要让 AI 控制的力度足够细，API 的数量就会变得非常多，AI 怎么能精准对一个或多个 API 进行调用，这是一个挑战，毕竟现阶段推荐的 API 工具不超过 20 个。
出现“准确性边界”框架，用来解决在一些特定场景的幻觉问题和准确性问题。框架所设定的边界是一个底线。
现在 MCP 很火，Google 还推出了 A2A 协议，专注于代理协作，建立了智能体之间相互发现、交流和合作的方式。这两者在未来也必将碰撞出更多创新的火花。
不管是什么形式，最终的解决方案，仍将是人、大模型、工具（API）以及 GUI（可视化界面）四者之间相互交织的产物。

水平有限，以上观点未必完全准确，部分探讨的问题或许已有成熟的解决方案。但在现在这样一个技术快速更迭的时代，保持持续学习和思考总是没错的。

相关资讯