Copilot模式-设计实践感悟

0 评论 203 浏览 0 收藏 6 分钟

后半年工作,比较多的时间花在了Copilot模式与PC终端融合的探索和实践上,踩着Microsoft的Copilot+PC肩膀,想要走出一条符合数据终端实情的NUI新路子。

截止24年12月,国内在PC侧还没看到成熟的Copilot解决方案,与office365高度相似场景的WPS早在一年多前就推出了WPS AI,以chat形式支持文档总结和内容问答,以指令形式支持模板内容撰写、改扩写等,这种Copilot形式更像是嵌入式的AI设计,且局限于LLM擅长的文本生成领域,借鉴意义一般;

而随着Apple Intelligence的发布,国内一众厂商将小艺、小爱等化身AI助手,实现系统级别的Copilot,倒是看到不少跨应用串联用户场景的新方案,值得深入思考;

而以数据查询、数据分析为核心用户需求的数据终端产品,与上述场景有较大差别;

一、实践过程

1. 探索阶段

在Copilot模式之前,我们有过大约1年的时间,尝试chat模式在各类功能场景下的融合,识图借助LLM实现产品体验质的飞跃;这些实践并非无效,它给我们Copilot模式的实践,提供了大量的参考场景和案例;

例如,23年 GPT3.5席卷而来时,我们对LLM的运用还停留在内容总结和对话上。在资讯、研报等内容型的GUI界面上,我们加入了“总结助手”这样的AI功能,帮助用户自动生成AI总结,辅助阅读。在Copilot模式下,我们需要提炼的是“总结”这样的用户诉求,那作为一个无处不在的AI助手,Copilot模式下需要给予用户自由选择待总结内容的权利,自然而然实现了从嵌入式向Copilot模式的转变

2. 落地阶段

1、我们首先选定了LLM擅长的自然语言理解,从数据检索上进行实践,利用Copilot辅助用户查找指标。

从批量指标提取(全部省份、全部县市等)、到复杂指标拆解(剪刀差>>M1、M2及指标运算)、到前后场景串联(指标检索后给予基础的数据分析),实现一句自然语言的高效、专业内容返回。

表单操作也是重要的场景,我们融入了批量操作、多步骤操作,覆盖少量但高频的表单指令,丰富Copilot的能力;

2、其次,模块和内容查找,对于中低阶用户也是最头疼的使用问题。将功能库编组、描述给予LLM一定的学习,能够更好地满足用户一句话查找相关界面的需求;

3、除此以外,页面模块内的功能检索和执行,也是重要的发挥场景。类似PPT内,一句话插入视频文件。Excel内,一句话转置表格等;

实践过程远比上面的描述艰辛,每一次GUI页面的响应,都少不了function call的执行。工具/函数库的建设、工具调用和步骤编排,这些是实践中耗时最多的部分。

二、实践感悟

1. 用户反馈

在若干场景Copilot上线后,我们走访了目标客户群,向客户演示并征求迭代意见。

  1. 大家对这种新模式表示惊叹,感慨AI洪潮的迅猛;
  2. 对于熟练掌握数据目录的高级用户来说,这种Copilot稍显弱智,他们更习惯和信任自己的手指;
  3. 作为日常涉及功能模块、数据领域繁杂的用户来说,认为Copilot是天降福星,能弥补他们在某些专业上的不足;
  4. 对于纯纯手动型的批量操作,大家一致认为Copilot大有可为;

2.总结感悟

在Microsoft AI CEO的一段视频中,他表达了在当下(2024年),基于Agent的Copilot模式短时间内难以满足用户的诉求,大约是GPT6能够实现的。同时,他给出了2个关键建议:

  1. 明确function call,提供更可靠的agent,实现工具的正确调用和步骤的准确规划;
  2. 寻找用户容忍度高的场景,即便是80%的准确率,也能让用户愿意尝试;

结合以上两点,我们做了扩展和深入:

  1. 单一场景下,少量且区分明确的tools更有利于agent的理解和调用,能确保用户意图执行到位;
  2. 不同的tools可以再结合更合适的LLM,进行tools智能化改造,实现更惊艳的能力;
  3. 用户容忍度高的场景,可以进一步细化为“能否一眼识别可用”、“能否接受多次尝试”、”是否支持二次微调“、”后果能否承担“等;

Copilot模式会在接下来的一段时间更加深入的实践和探索,我们也将不断学习,后续分享更多更有价值的内容。

本文由 @Ma.x 原创发布于人人都是产品经理,未经作者许可,禁止转载。

题图来自Unsplash,基于CC0协议

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!