2025年被譽為“Agent元年”，從企業級AI助手到個人規劃工具，各類Agent如雨后春筍般涌現。然而，盡管市場熱情高漲，Agent仍未形成統一的定義——它究竟是“下一代App”，還是更接近“智能協作者”？多數人仍將其視為傳統工具的升級版，但真正的變革潛力或許遠超想象。

在這場Agent的探索浪潮中，AI Native公司正嘗試突破傳統框架，重新定義其邊界。它們不再局限于“效率工具”的定位，而是探索Agent在商業洞察、創意生成、組織變革等領域的深層價值。

在本次訪談中，特贊創始人范凌博士將分享他對Agent的獨特見解——通過大語言模型模擬真實用戶行為，讓AI不僅回答問題，更能主動構建用戶畫像、驅動決策流程，甚至暴露人類思維的盲區。這種創新不僅挑戰了我們對Agent的認知，也預示著人機協作的全新模式。

【 核心洞察 】

產品創新：與傳統AI相比，atypica.AI 的創新點是模擬真實的人，用大語言模型研究典型用戶，多個AI助手協同高效低成本進行大規模用戶訪談。

發散優先模型：在推理層做發散優先模型，適合處理商業問題的非共識、藝術性部分，與傳統收斂優先的研究方法不同。

幻覺的價值：允許AI生成非共識觀點，拓寬思維邊界，適合需要多元視角的問題（如民意調查）。

組織變革：AI使工作方式改變，從專業化分工走向更全能，公司組織架構向更少崗位、更多復合技能方向發展

員工潛力：不是AI替代人，而是像我們這樣有300人的公司，每個人都能發揮出獨角獸般的潛力。

觀察“鏡像”：AI不僅是工具，更是觀察人類社會的“鏡像”，可能重塑工作與生活形態。

預設題庫提問：模擬及預設題庫提問，能使AI能更好地理解用戶需求并提出合適問題。

多智能體交互價值：通過多智能體交互能更好地理解人在決策、判斷或觀察上的盲區。

虛擬Agent與人類關系：未來與虛擬Agent的關系難以想象，可將其視作人類世界可能發生的情況來觀察，也可當作處理任務的工具。

atypica.AI最大的不同是什么？

徐思彥：

大家好，今天我們邀請到了特贊公司的創始人范凌老師，來一起聊聊他們最近開發的一個非常有趣的產品atypica.AI，以及這個產品背后的思考。今年被很多人稱為是AI agent的元年，而atypica.AI正是我關注到的一個很有意思的AI agent產品。那么，創立這個產品的契機是什么？

范凌:

我們公司特贊主要是幫助大品牌做內容和AI相關的產品。我們為客戶提供內容管理、分發和生產的工具。在工作中，客戶經常會問我們：應該制作什么樣的內容？怎么做這些內容？不同的內容方案哪個更好？除了營銷外，客戶在了解消費者和開發新產品時也會涉及到內容問題。這些都是典型的商業問題。

以前解決這些問題時，我們會用傳統的市場調研方法，比如定性研究、定量分析、數據分析和消費者訪談等。現在我們在思考：能不能用大語言模型來更好地解決這些商業問題？這些問題比較特別，因為它們通常沒有標準答案，解決一個問題可能會引出新的問題。

傳統上，研究人員主要是通過模擬來解決這類復雜問題。以前的模擬主要關注群體行為，就像研究一群小老鼠那樣研究人群的整體趨勢。但有了大語言模型后，我們現在可以更好地研究和模擬個人行為。這就是為什么我們給產品取名叫"Atypica"（一個典型）-我們想用大語言模型來研究典型用戶會是什么樣子，從而幫助解決各種商業問題。

我來舉個簡單的例子：如果讓AI讀完西游記，我們就可以讓它模擬孫悟空的性格。比如問它"孫悟空會喜歡喝咖啡還是果汁？喜歡看什么類型的電影？"AI可以根據對孫悟空性格的理解來回答這些問題。在我們的網站上，我們用一句話概括我們的目標："為主觀世界建模"。我們想通過上下文讓AI具有特定的性格特征，從而來模擬真實的人。

現在有了多個AI助手協同工作的技術，我們可以讓一個AI扮演專家去采訪其他模擬出來的用戶。這樣就能高效、低成本地進行大規模的用戶訪談。我們一直想做這件事，最近幾個月終于實現了，主要是因為大語言模型的能力提升了，可以模擬出更真實的消費者形象。

第二個原因是我們看到了很多多智能體的交互形態，它把智能體的工作從黑箱變成了一個可觀察的過程。比如說Claude Artifacts、Manus或者Devin，你能夠直觀地看到智能體是如何運作的。這讓我們看到了一種新的交互方式。基于這些觀察，我們很快就決定把一直在腦海里的想法付諸實踐。

徐思彥:

我注意到你們的產品有一個獨特的特點，就是模擬真實的人。這個想法很創新。現在市面上大多數AI助手產品主要是用來思考和解決問題的，比如OpenAI的Deep Research和Manus。這些產品讓我們看到了AI助手最基本的樣子。很多人還是用傳統的方式看待AI，覺得它就是一個解決復雜問題的工具。但你們的產品卻把重點放在了模擬真實的人這個方向上。

范凌:

是的，我們的想法其實是有連續性的。我認為人類發展的過程中，越來越多的事物可以被建模和計算。舉個例子，物理學就是用來計算和預測客觀世界的：比如一個物體掉下來時，我們能預測它的運動軌跡、速度和時間，以及它會如何反彈。

現在，大語言模型幫我們解決了語言交流的問題，進而幫我們理解了思維的問題。這讓我們意識到，就像物理學可以對客觀世界建模一樣，我們也可以用大語言模型對人的主觀世界進行建模。

比如我們發現，訪談這種形式特別有價值。以前我們總是讓AI來回答問題，但現在我們可以反過來：讓AI提問，由人來回答，然后讓AI總結分析。當有了多個AI智能體后，不同AI之間的互動會產生很多新的可能性。這就是為什么我們想讓更多模擬真實人物的AI智能體互相交流和互動。

徐思彥:

這個假設非常有趣。谷歌最近發布了A2A協議，主要是關于多智能體之間的互通。但很多人對此的理解還停留在一個層面：把專注不同領域的智能體串聯起來，形成一個工作流。在你的語境里，其實Agent的定義是更偏向一個虛擬的個體。

范凌:

就拿我剛才舉的西游記的例子來說，通過閱讀，我們能夠了解孫悟空是什么樣的人。通過了解他的性格特點，我們就可以推演出他可能會做出什么樣的決定、有什么樣的判斷，甚至能推測出他對某些事情的觀點，而不僅僅是了解他掌握的知識。

徐思彥:

這個想法很有意思。不知道業界是否有其他公司也是這樣定義的，現在很多人可能還是把Agent簡單地看作是App的下一個發展階段。

范凌:

大家對Agent的發展都很興奮，特別是通過MCP實現的各種功能。雖然我們也很期待，但目前我們主要專注于用Agent進行模擬研究。至于其他公司的具體情況，我不太了解。其實在學術領域，這并不是一個全新的話題，就像Agent這個詞本身也不是新概念一樣。過去的模擬研究主要關注群體行為，比如元胞自動機等理論研究。這就像研究螞蟻群落一樣，觀察每個個體的行為。這些研究一直在持續，最近也有很多突破性進展。比如在市場營銷和信息系統（IS）領域，很多研究者正在探索用Agent進行市場調研。現在甚至出現了“生成式社會科學”這個新興學科，專門用Agent來模擬社會問題。與過去主要關注群體的模擬不同，現在我們能夠更深入地研究個體層面。

徐思彥:

對，學術之前有論文斯坦福小鎮還是比較火的。

范凌:

斯坦福小鎮這個團隊還寫了一篇用agent模擬1000個隨機的美國人。

徐思彥:

剛剛講的都講了底層的邏輯是怎么思考的，那可能需要一個更加具體的案例來為大家解釋一下atypica.AI是怎么樣工作的。

范凌:

工作流程其實非常直觀。在網頁上你會看到一個對話框，和常見的AI工具一樣。你可以在對話框中提出需要分析的商業問題，系統會追問三到五個問題，來明確你的具體目的。比如說，假設我想研究一個產品的用戶反饋，系統會問你："你是以什么角色來研究這個問題？你想了解性能反饋還是用戶體驗反饋？獲得這些反饋后，你打算用于新品研發還是競品調研？"通過這些追問，系統會更清晰地理解你的需求。

第二步，系統會把前面的問答內容整理成一系列具體的工作任務。然后第三步，Agent會在社交媒體上進行實時搜索，我們主要覆蓋小紅書、抖音和Instagram這些主流社媒平臺。我們不是直接調用平臺的數據接口，而是像真實的研究員一樣去搜索和瀏覽內容。搜索后，我們能看到很多帖子，包括原文和評論。基于這些上下文，我們會模擬發帖用戶的典型消費者畫像，一般會生成至少5個典型用戶畫像，也就是Persona，有些客戶甚至會要求生成100個。

徐思彥:

Persona是一個在設計領域的專業的術語？

范凌:

Persona相當于人的原型人物畫像。接下來，會觸發下一個Agent進行Interview，訪問這些Persona 相應的問題，這些問題都會和你要解決的大問題有關。問完以后把這些問答總結成一段話，這段話再生成一個圖文并茂的報告。

大概是這樣的一個過程。

徐思彥:

產品設計上，是先從使用場景倒推出現在的產品形態，還是從模擬群體再推演出他可能的使用場景？

范凌：

讓我來解釋一下，我們系統可以解決的四個主要商業問題：第一是市場洞察。比如，我們可以分析用戶對某個產品的反饋。舉個例子，我們最近研究新能源汽車市場時發現，有兩個以上孩子的年輕家庭可能會需要MPV（多功能商務車）。第二是產品共創。我們可以邀請目標用戶群體一起參與產品開發。第三是產品測試。假設你要為健身愛好者開發一款巧克力，你有A、B、C三個配方，我們可以幫你分析哪個配方最受歡迎。第四是內容規劃。比如很多小紅書博主會用我們的系統分析自己的賬號定位，規劃未來的內容方向。除了這些預期的用途，我們也發現用戶在開發一些有趣的新用法。比如有人用它來規劃留學，分析自己的背景并獲取適合的學校建議。

最后分享一個有趣的例子：以前外國企業要了解中國市場，必須依靠中國團隊做調研。現在他們只需要用atypica用法語提問，系統就能分析中國社交媒體數據，直接生成法語報告，大大提高了效率。

徐思彥:

類似“田野調查”。

范凌:

是的。現在我們正在與一些權威媒體合作，把他們獨特的數據源整合進來。這些是宏觀層面的、準確的數據，不同于社交媒體上的道聽途說。我們把這些嚴謹的數據和觀點，結合社交媒體上的多元聲音，形成完整的分析報告。比如說，研究中國新能源汽車如何在東南亞市場拓展這類嚴肅話題時，我們就在增加定量分析的比重。

Agent的創新設計帶來了哪些場景新思路

徐思彥:

在最初的設想里，這項技術主要是服務于市場調研領域的用戶研究。這啟發我覺得這種模擬特別適合用于個人規劃，因為它可以幫你探索人生中不同的可能性。現在很多時候AI在落地的時候幻覺是一個很大的問題，或者它的準確率是一個很大的問題。在你們的場景里，準確率是不是一個問題，在哪些場景會用的比較好？

范凌：

我覺得幻覺和準確率對于商業研究來說是有兩面性的。商業問題既是科學又不科學，這就是為什么我前面會說它既是Science又是Art。這也是為什么我們要跟一些嚴肅的媒體談合作，接入他們的數據源。雖然不是每個報告都需要接入，但對于一些特殊的問題或高階用戶來說，我們需要獲取權威性的數據。這些權威數據應該優先于社交媒體上的道聽途說，以確保分析的真實性。

這是Science的部分。至于Art的部分，當我們需要開拓思維時，我們需要看到更多元的視角，這時社交媒體的數據就特別有幫助。語言模型直接回答問題時會給出非常結構化的答案，但讓它分析社交媒體數據時，就會發現其中存在很多爭議和討論，內容會更加豐富多樣。這就是商業問題的特點，也是我們稱之為復雜問題（Wicked Problem）的原因。你既需要基于事實的共識，又要探索共識之外的可能性。有時候你需要看到多種非共識并存的狀態，最終由人來做決策。洞察的作用不是幫你做決定，而是幫你看到更多可能性。所以我認為，這個系統在處理這種非共識的、藝術性的部分特別有優勢。

某種程度上，Hallucination（幻覺）反而是件好事，因為它能讓思維更開放。所以我們正在開發一個希望能盡快備案的大模型。在推理層面，我們不會重復造輪子，而是使用現有的Deepseek v3。但在上層推理方面，我們想做的是一個發散優先的模型，而不是收斂優先的模型。

對于Deep Research，你可能希望嚴謹地找出答案。但我們想做的是發散優先的模型——在得出答案之前，讓更多人參與討論，聽取更多的聲音。我覺得這樣可能更適合處理既有Art又有Science的問題。

徐思彥:

聽上去很適合民意調查。

范凌:

對的，民意調查，或者可以說商業問題的多元視角。

徐思彥:

我最初不知道你是這樣定義的。我把它當作Deep Research在用，所以我第一個問題就是問他關于當前中美AI發展的對比，以及有什么政策建議。他給我生成了五個不同的Persona，包括大廠員工、硅谷工程師等等。從他們的視角得到了很多不同的回答，很有意思。這讓我想到一個靈感：這不就像是一種很好的專家訪談嗎？傳統的專家訪談都是要付費的。如果未來像剛才說的，在這些專業領域接入了專業數據集，是不是也可能成為未來Agent的一種形式？

范凌:

現在我們有一些客戶已經在做這樣的事情。因為我們合作的企業很多是消費品企業，他們每年都投入大量精力和資源做消費者研究。這些企業積累了大量的研究文檔，雖然最終可能只讀一份簡化的報告，但實際過程中包含了很多訪談記錄。我們會收集這些訪談內容——可能有成千上萬個——然后將它們轉化成可交互的專屬Agent。這樣一來，比如說你是某個品牌，在做研究時就不必只依賴社交媒體上的聲音。

徐思彥:

對你可能有自己獨有的Agent，就像自己的員工庫一樣。

范凌:

我覺得也是一個非常好的事。原來你會很簡化，只讀一個Final report，最后就是明明這都是成百上千很差異化的人，最后都變成一個量化的報告了。但現在這些人又好像恢復成了一個可交互的人——我不能說他完全和消費者一樣，但他比這些冷冰冰的數字和標簽更像一個人。

我跟客戶和用戶解釋時會說，我們當然都想喝新鮮果汁，但有時因為經濟或環境條件的限制，我們會選擇速溶果汁。速溶果汁雖然成本低、隨時可用，但它在盡可能地模擬新鮮果汁的色香味。傳統的研究方法就像是告訴你果汁的成分構成，但光知道成分你體會不到真實的味道。速溶果汁再怎么便宜，至少還原了一部分真實體驗。這就是為什么說我們在做的像是"速溶"版的研究。

徐思彥:

大家可能更熟悉那種建立在理性層面、科學層面的數據庫，但你們現在這個是藝術層面的Agent。那它需要收集哪些維度的素材，才能讓這個Agent更像一個真實的人？

范凌:

首先大語言模型的能力是基礎。大語言模型就像已經讓一個人有了個性，我們要做的是告訴它該激發哪種個性。所以我們并不是在發明個性，而是在激發大模型本身已經理解的個性特征。比如說某種特定的個性，我們是通過Context來激發的。在社交平臺上，Context可能比較短，就是用戶的發帖和回復。如果是訪談，可能是一兩個小時的對話內容，這就比較長了。如果是像《哈利波特》全集這樣的作品，里面就包含了所有相關的Context，效果會更好，能展現更豐富的個性特征。

徐思彥:

你們預計未來會建立多少這樣的Persona？

范凌:

我們現在每一個調研背后都是重建Persona庫的。所以你可以理解為是一個積累的過程，這個數字現在已經很龐大了。但是這些質量不算最高的，它只是為了解決某一個問題，Interview這些persona，可能每個不到十分鐘。我們現在也在做一個新的東西，就是AI智能的去針對一個你要解決的商業問題來發明問題，人去回答。你可以發起一個問題，并分享Interview的鏈接給核心用戶。AI會根據問題自動提問，用戶可以通過語音或文字回答。最終AI會總結所有回復并生成結論。

徐思彥:

提好問題是很重要的一個能力，因為我也經常做訪談，我也會讓AI給我列一些訪談提綱，但我都覺得通常都比較千篇一律。

范凌:

這里有兩種方法。第一種是模擬（Impersonate）——你需要讓AI理解你是什么樣的人，它才能提出合適的問題。重要的是讓AI明白，問題的語境不僅僅是一段提示詞。比如說"我要做個關于AI agent的訪談，給我出些問題"，這樣是不夠的。AI需要理解你為什么要問這些問題，而作為訪談設計者，你也要花時間和它互動。第二種方法是預設題庫。AI可以從題庫中選擇和調整問題，還能把握問題的提出時機。比如說題庫里有200道題，但不是每次都要問完所有問題。

Agent正在如何重塑組織結構和工作方式？

徐思彥:

你的客戶對這些AI agent的接受程度怎么樣？

范凌:

是這樣的，我們不只是想服務現有客戶。我們希望幫助每個有商業分析需求的人，因為"Business"這個概念不僅僅是ToB的，每個人都有自己的業務需求。

徐思彥:

所以不是純ToB的產品。

范凌:

對。現在我們的用戶群已經遠超原來的規模。原本主要是服務大企業，他們對我們的產品都很感興趣，但也提出了幾個問題。首要問題是數據安全——比如說如果他們要詢問新品上線的用戶反饋，這就會暴露新品信息，所以我們需要解決這個問題。第二個問題是，能否整合他們的私有數據，比如內部訪談和調研等。第三，他們希望報告不只是提供通用的回答，還能針對具體問題深入展開。第四，他們關心如何把這些生成的結果轉化為實際行動，比如轉化為新品研發方案或下一輪的項目簡報，這些都很有意思。

徐思彥:

感覺它一下子干掉四個員工。

范凌:

或者說員工們可能原來是按照技能分，現在可能確實需要人有更復合的技能。所以原來可能專門有人做調研，有人做開發，有人做設計，現在可能是需要四倍的人做這四種工作在一起，而不是指每個人做一個。

徐思彥:

那你剛剛談到了AI對組織可能會產生的變革了。我們大家都感覺到隨著越來越多的AI產品，不管是自己用還是對商業用大家的工作都會被重新的評判，例如你剛剛提到的需要更復合的技能。作為一個企業的管理者，你你覺得未來要怎么樣去組織這個公司？

范凌：

我認為任何改變最終都是好的，但改變的過程總是不太舒服。無論一個人是否愿意改變，大家都知道改變是必要的。但人性使然，我們都不希望自己改變太多。

說到AI帶來的機會，雖然我們公司主要做AI應用，但我們也是在逐步推進AI的應用。這一點上，像騰訊這樣的大公司也是同樣的做法。

我覺得AI正在帶來一個重大轉變：它正在改變傳統的工業化思維。過去，我們把工作職責劃分得非常細，每個人只專注于自己的專業領域，不斷重復同樣的工作，變成了所謂的"工具人"。但AI的出現讓這種高度專業化變得不那么必要了。比如，如果你是一名文字工作者或者插畫師，你可能會擔心：AI到底是在幫助我，還是在威脅我？

我認為，AI時代更像是在回歸文藝復興時期，每個人都可以成為多才多藝的全能型人才。公司未來需要的不是更少的員工，而是更少的固定崗位。我很喜歡這種說法：每個人都可以成為"獨角獸"。這不是說一個公司只需要一個人，而是說像我們這樣有300人的公司，希望每個人都能發揮出獨角獸般的潛力。

徐思彥:

變成一個大型的“一人公司”。

范凌:

對，大家的Ownership可以更完整一些，原來我只負責我自己的一畝三分地。現在你能不能負責的是更偏端到端，大家也會更有意義感。原來是你只負責這一塊，每天就在過度優化一個局部。因此我們的工作方式發生了變化。原來我們是兩周一次迭代，這樣只有持續在做事的人才能真正參與進來。因為兩周中間缺乏節奏感，只有天天做這個事的人才能掌控全局。現在我們通常是一天一個迭代或者API卡片，有時一天能做三次迭代。我們現在開半小時或20分鐘的短會，當天晚上就能看到結果，第二天就能繼續討論。每個會議變得更短，但變化和進展積累得更快，不像以前要等兩周后才開一個冗長的會議。

這種工作狀態很好。以前做一個產品至少需要前端、后端、產品經理等十個人才能組建一個團隊，而且人還嫌少。一規劃就是300人天。現在我們可能用兩三個人就能做一個項目，這兩三個人對項目結果全權負責。如果一個任務超過十個人天，我們就會當場質疑是不是做錯了方向。

徐思彥:

未來公司會不會成為一個“孵化器”？

范凌:

我覺得這些可能都是概念，最終功能是很重要的。你會覺得你對一些東西有控制力，那你的工具就是更多的AI，你就不會覺得你是AI的工具。確實每個人更像CEO，不是說每個人都要承擔Liability，但是每個人的工作就會更完整，挺好的。

徐思彥:

對。那在AI轉型的過程當中，其實有兩種路徑，一種是大家自己學會用各種AI工具，現在市面上也有非常多國內國外的工具。然后還有一種就是從公司層面去推一些統一的，大家要用的工具融合在以往的工作流里面，你覺得這兩種現在是怎么樣？

范凌：

對于使用新技術這件事，我認為沒有絕對的對錯，關鍵在于人怎么去做。雖然愿意嘗試新工具的人總是會較早接觸新技術，但是后來者也可能會有自己的優勢。

讓我跟大家分享一個意外的故事。按照原計劃，我們本應該專注于改進現有產品，而不是開發新產品。但有一天，我的一個學生做出了一個可用的演示版本。看到后，我就和CTO商量要不要試試看。令人驚喜的是，我們的CTO僅用了一周時間就完成了產品開發。

在開發過程中，我們遇到了一些挑戰。比如說，我們發現產品的交互方式和Manus很像，當時市面上已經有現成的開發框架可以用。用這些框架可能需要3-5周才能完成，但我們的CTO選擇自己重新編寫代碼。這讓我們明白了一個道理：只有親自動手做，才能真正理解怎么做。雖然我們都知道應該用AI寫代碼，用Cursor等工具，但實踐是最好的老師。現在我們的工程師就選擇用簡單的Next.js框架來開發。

實踐出真知。很多人只是在討論應該怎么做，但可能都沒有真正做出過產品。我們是在實踐中一步步找到了正確的方向。目前雖然只有我和CTO掌握了這套開發方法，但我們計劃讓其他五個項目組也來學習。有些同事覺得改造舊代碼和舊產品很困難，但我們要鼓勵大家嘗試。我們希望每個人從項目一開始就使用AI來開發產品。

在這輪AI浪潮中我們需要什么樣的產品創新?

徐思彥:

范老師的所說的“老產品”里面也有很多AI的功能，那現在的新產品和以前最大區別在哪里？

范凌:

我覺得是這樣的，我們最早做了不少AI的理解和生成功能。那是上一代的機器學習技術在支撐。現在我們需要重構這些東西，不僅成本更低，效果也會更好。我也一直在思考我們的產品。作為一家企業軟件公司，現在很多企業軟件都不得不加入AI功能。但實際上這反而讓成本變高了，因為要支付Token費用，而客戶并沒有額外的預算。我說最糟糕的做法就是"老瓶裝新酒"——AI是新的，但產品還是老的。結果就是產品體驗變差了，因為不斷加入新功能導致Token消耗增加。原本是單純的軟件，現在成本更高了。客戶覺得產品變得更復雜，而公司在外面宣傳說"我們接入了GPT"之類的。這樣硬著頭皮追趕AI潮流，實際上并沒有創造商業價值。

我覺得更好的做法是"新瓶裝新酒"或"新瓶裝舊酒"。"新瓶裝新酒"就是通過AI真正開發出新型產品，這是我們在嘗試的方向。而"新瓶裝舊酒"則是用新形式來滿足原有需求，比如我們的內容管理系統。我后來想，與其完全重構，不如用AI重新設計交互方式。這樣就能把它變成一個內容數據庫，只是在上層改變交互形態。我覺得這種方式會更好，客戶也會覺得很有價值，耳目一新。第二，客戶也更容易理解為什么要開始收取Token費用，而不是像以前那樣只收取租戶費。

徐思彥:

是，這樣來說的話，是不是意味著對于客戶來說，他們的一個比較絲滑的轉型方式，也是新品裝新酒或者新品裝舊酒去建立一個全新的工作流。而不是說現在好多人都在卷用AI來提高Productivity，但發現這成本可高了，一點都不能降，也降不了太多本。

范凌:

我不知道你們的觀察是怎么樣，大家對所謂的Copilot不是很滿意。成本的問題，或者就是這部分投入對于產出的結果不是很滿意，所以很多可能是確實需要基于AI的能力，順著大語言模型能力，重新想一想是不是有一些工作的流程是可以重新設計一遍？

徐思彥:

你現在腦海里有哪些行業或者場景是可以先被設計的嗎？

范凌:

我們自己最近在做一些嘗試。比如說，原來我們只知道品牌企業需要更多內容，后來慢慢理解到，因為現在媒介更分散了，內容需求也更多了。很多企業在運營賬號，比如說小紅書號、抖音號。一開始我們只想幫客戶解決賬號的大量內容需求，就是要能產出各種各樣的、能過審且成本低的內容。但后來我們慢慢意識到每個賬號，尤其是社媒類賬號，都需要有自己的個性（Personality）。這種個性就像差異化的性格特征一樣。每個賬號需要有自己的特色，內容也要根據這個個性來制作。所以我們不只是用企業原有的數據源來簡單剪輯、拼湊、改編（Re-adaptation），而是要去重新創造（Recreate）。

基于已有的0到1的內容，創作一些符合個性的圖文內容、視頻內容。

徐思彥:

對我又想到了一個點，你這個功能還可以用在AI陪伴上面。因為我感覺AI陪伴它非常缺的一個東西，就是Personality。之前Dan之所以很火，就是因為它的Personality很鮮明，而大多數所謂的AI陪伴他都因為太乖了，太順從了，其實并不是大家所想要的那種。

范凌:

對，所以我覺得其實事實上我們也看到大語言模型的個性是有挑戰的，因為模型非常屈從，非常容易馴服，我們有時候希望他多點反對意見。所以我覺得這也是可能過度對齊的結果，所以當我們要去給大模型增加Context（語境）來增加他的觀點的話，我們也會在這部分做一些嘗試。

徐思彥:

對。如果不是這樣的話，對普通人來說，如果我自己的感覺跟大語言模型交互久了，你的思想就會非常固化，因為它一直在夸你。

范凌:

是這樣的。

徐思彥:

現在看到大語言模型加入性格的初步嘗試非常有趣，它為虛擬世界帶來了豐富的物種和人格。暢想未來，我們會不會和這些虛擬Agent一起生活？它們將以什么樣的形態存在？我們是否只會把它們當作工具？

范凌:

“伙伴”這是個概念上容易回答，但形態上難以想象的問題。我非常喜歡觀察我們atypica 里的Replay功能。我經常會圍觀Agent之間的訪談，特別有趣。有時我會特意在提示詞里寫，不要做Interview而要讓他們爭論，這樣Agent之間的討論就會變得非常激烈。我并不是把它們當作真實的人，而是把它們視作人類世界可能發生的情況來觀察。通過這種觀察，我能發現自己的一些盲區，這也是我現在特別喜歡這類產品的原因。當然，像MCP這樣幫你處理各種任務的Agent是另一種邏輯，就像有很多小黃人在幫你干活。但我更喜歡這種觀念上的挑戰。我認為，通過多智能體的交互，我們能更好地理解人在決策、判斷或觀察上的盲區，這會非常有價值。比如我有時會向它詢問一些公司的情況："這個銷售很努力，但效果不好，已經三個月了，我該怎么辦？"雖然Agent的回答可能不會引用真實數據，但這種討論方式確實能給我帶來很多新的視角。

徐思彥:

感謝范老師今天為我們介紹了這款新產品，以及分享了背后這些富有創新性和開拓性的思考。我們會繼續關注這個產品的發展，看它將為我們的生活帶來怎樣的改變。

范凌:

希望大家多試試用各種方法把它”玩壞”。