用一张图理解所有的AI Native产品（下篇）

产品二姐

读完需要

分钟

速读仅需 4 分钟

引言

上一篇文章用一张图理解所有的AI“聊天”产品（上篇）算是近期个人阅读量的最好成绩，同时也收集到了更多的资讯和想法，较上一篇的思考这篇更为成熟，今天这篇文章你将看到：

快慢思考和感性理性四象限图的一些补充和更新。

快思考+理性这一象限中，我们用 Perplexity.AI 着重讲一下我们可以从 Perplexity.AI 习得的哪些技术，贾扬清是如何用 500 行代码复制出来的类 Perplexity 产品，以及扩展说一下知识库问答类的产品的技术 RAG。

慢思考+感性这一象限中，我们借助 Character.ai 和 Relika 着重探讨生活伴侣型产品如何刺激用户持续的人机对话，形成长期依赖关系。

关于“快、慢思考”的更新

下图是我对上一篇文章中那张图的更新，包含两项：

增加了快慢思考的具象定义。

在四个象限里增加了更多的产品形态。

这些更新主要受两个读者反馈的启发。

第一个读者反馈是：

“我在想一个 AI native 产品的时候，会下意识的考虑这个产品是杀时间，还是省时间的。看到您的分析象限使用了快思考和慢思考，不知道您对时间和思考之间有什么相同或不同吗？”

我现在的回答是杀时间、省时间这个维度仍然存在。但是：

杀时间不代表慢思考。

省时间也不代表快思考。

所以我对快、慢思考进行了更加具象的定义：

慢思考：需要长期相处来解决用户的问题。

快思考：短期内就能解决用户的问题。

这里的长期、短期不等于时长，而是时间跨度，比如你和一个同事相处时长可能会大于你的父母，但是父母是你一生的伴侣，而同事只是短时间的过客。

第二个读者反馈是：

“人脑主管情绪和理性的区域分别在中层和外层。快思考（也叫自动化思维）和情绪具有天然的链接，人在情绪主导的时刻基本上都处于快思考界面；而一旦启用了理性脑来慢思考，就意味着决策中的情绪影响大大降低。这么看二四象限最贴近自然人的思维方式。但这也不意味一三象限无用，举个例子，在心理咨询领域，如果希望用 ai 训练一个认知行为流派的咨询师，最合理的象限是第一象限；而脑暴创意 ai 显然应该使用第三象限的基础模型。”

这个留言激发了我在心理咨询领域的思考，于是趁势了解了心理咨询这块的产品，比如 Sonia AI therapy(苹果用户直接下载，目前仅支持英文，后续我们可能会以播客和文章的形式来聊聊)，我把它放在第一象限中，与此同时我又将接触到的更多 AI 产品也放到了不同象限中，比如：

AI 相亲，AI 陌生人社交放在第四象限中，因为相亲重在”匹配“，陌生人社交目前停留在”过路人“的阶段，而非长期伴侣

各种企业的知识库放在第三象限中，因为它能快速帮用户解决问题，并不需要长期陪伴培养 AI 的能力。

把飞书 AI 伙伴列入第三象限中，主要源于谢欣(飞书负责人)在一次访谈中对伙伴的定义：“它是长期的”。

在上一篇中我以 “PI(Personal Intelligence)和哄哄模拟器”聊了聊位于二、四象限的产品。这一篇我们来聊一下一、三象限的产品。

第三象限(快思考+理性)：建立在搜索引擎之上的AI工具

如果要我为 2023 年的 AI Native 产品排名，ChatGPT 第一，Perplexity 第二。我目前用 Perplexity 的频率已经和使用 Google 差不多了，尤其是在调研一个全新事物的时候。简单来说：

Perplexity = Google + RAG。

RAG 也是目前众多开发者能够进行低成本建设应用的必备法器(关于什么是RAG参考RAG组合拳：AGI应用走向落地的40%)，并且 Perplexity 在技术上确实没那么大的优势，更多的是工程的精细打磨，甚至贾扬清用 500 行代码就做出了一个 Perplexity，youtube 上也有哥们用 2 分钟就简单讲述了怎么构建 Perplexity，复杂一点的用了 38 分钟也讲完了。

为什么理论上构建一个 Perplexity 这么简单呢？我们来看下面这张图：针对同样一个问题“花木兰是谁”，左边是 Google 的搜索结果，右边是 Perplexity 的结果，在数据来源上 Perplexity 和 Google 是高度重合的，只是顺序不同，而造成顺序不同的就是 RAG 里的一个常用“拳法”：Rerank。

下面这张图是专门提供 Rerank 服务的 Cohere 公司的 demo，我们以此来看看 Rerank 的效果。左边是维基百科主站里输入“”的搜索结果顺序，右边是 Cohere rerank 后的顺序，在右侧每个结果的下方展示了 Rerank之前的排序和Rerank中重新计算的相关度，也就是说 Re-rank 就是基于原有的检索结果进行“重新排序”。

所以Perplexity 走的是“偷梁换柱”路线，它把google 搜索结果作为初赛入围者，之后入围者在 Perplexity 里进行去重、重新排序等手段，得到更精准的排名，之后将页面内容作为上下文发给大模型做 summary，给到用户最终的结果，在贾扬清开源的 500 行代码中也确实证明了这一点：leptonAI 的开源项目中就明确地提到需要设置 Google search engine API 和 Bing Search engine API。

在国内，也有个类似 Perplexity 的产品是：昆仑智能的天工 AI，但从搜索结果上显然没有参考百度的结果(因为百度没有开放 API)，并且对搜索结果连最简单的去重也没有做(参考下图四个检索结果都是同样的内容)，很显然只是 copy 了 Perplexity 皮毛的粗糙产品。

说白了，Perplexity 就是站在巨人(Google)的肩膀上，赢得了大量的用户。当我发现这个方法时，一度冒出来一个想法，是否可以对 X 度、知乎的排序做 rerank 做一个更精准的搜索产品呢？目前的探索是不太可能，因为他们没有开放 API。

不过Perplexity 却给我们独立开发者提供了一个非常好的榜样：通过 RAG + LLM 构建一个用户喜欢的搜索结果 + 生成的解决方案。这也是知识库问答的常见思路。具体方法和参考详见我之前的文章RAG组合拳：AGI应用走向落地的40%（上篇）内有详尽的参考文档、代码，争取让大家一招过。

而与第三象限较为清晰的产品、技术路径相比，第一象限的产品目前还处于一片混沌摸索阶段。

第一象限(慢思考+感性): 如何刺激用户持续的人机对话成为最大难题

说白了，慢思考+感性的 AI 产品可以称为是 AI 伴侣，就像你的好闺蜜，好哥们，不一定天天相处，但是每次联系到彼此都能了解彼此。这一趴的难处在于：

如何刺激用户持续的人机对话。

要达成这一目标，除了技术、产品之外，耐得住时间考验才算是成功的产品。直到现在，我并不能找到一个完美的产品来作为示例，但是我能从 Character.ai，Relika 中窥探到一些气息，因为二者的目标都是希望成为长期伴侣。所以今天不会全面讲述这两个产品，仅和大家分享：这两个产品中哪些功能能激发用户持续地进行人机对话。

4.1

能让用户维护长期人机关系的功能

回想一下我们在一个陌生环境交到一个好朋友的过程：