文章着重于 AI 产品技术路线抉择, 剖析了提示词、RAG、模型微调这三大路线的特性以及适用情形, 点明 SaaSAI 的竞争关键在于技术与场景的匹配程度而非技术的先进层面。仰仗分阶段组合策略跟护城河搭建逻辑, 为企业依据发展阶段、数据资源遴选出适宜的 AI 路线予以实操层面的引导。自从大语言模型兴起以来, 我目睹过好多公司掉进 “AI功能堆砌” 的圈套, —— 开启产品界面, “智能助手”、“自动生成” 的按键到处都能看到, 然而却并未解决客户为何要使用的价值相关问题。存在着这样一股想法, 即认为接入AI也就是赶上了时代快车, 便是这股想法, 正在把SaaS加上AI变成沦为新的同质化竞争重灾区去。称得上真正的那类SaaS加上AI的玩家, 早就已经跳出了那种仅靠“技术炫技”的错误认知范畴了。存在这样一些企业, 运用“提示词加上处于公有云状态下的大模型”以此去支撑起AI面试官能达成规模化的落地呈现还有些产品, 是靠着“小模型加上微调”达成自动记账这么一种场景状况, 这两者所做的选择差别极大然而却同样都取得了成功——在它们背后隐藏着SaaS公司选择AI技术这条路时核心的那种逻辑, 并非在于去考量比较哪家公司利用技术更先进, 事实是在相较哪家公司所采用的技术更契合场景需求、更能够转化成为给客户带来的价值。一、三大AI技术路线的特点于硅谷之地, RAG 这一事物, 以及微调这一行为涉及的三条 AI 路线在进行选型时, 已然构建起相对成熟的实践模式, 且积累起了经验教训。以 API 为主的诸多处于早期阶段或者进行快速迭代的产品, 直接运用大型模型如 Llama 系开源等来尝试开拓市场, 其具备速度快、投入低的特点。例如 AI、Coda 等工具, 在初期时, 很多功能是依据 API 以及用户反馈迭代而打造出来的, 呈现出市场验证快、功能铺设快的状况。当存在“企业有自己文档、内容、政策、合同、知识库”的情形时, 作为增强事实性与私有知识手段的 RAG 就会加入, RAG 常常被运用在客户支持、内部知识问答、合同分析、政策问答等场景之中, 在很多公司它是“模型 检索知识库 工程”的一种组合形式。在有着高要求的、属于垂直领域的情形下进行微调, 当客户的需求对于准确性、一致性、风格以及专有领域知识方面有着较高要求之际, 就会考虑实施微调 , 比如说法律、医疗、金融等这些行业。在案例当中比较典型的存在着法律AI , 就像 , 它实际上是微调法律案例库的模型 , 这般的模型在律师用户当中受到偏好。硅谷里的这些公司一旦规模以及收入达到一定程度 , 便开始开展微调。我将3个技术路线列表予以对比如下:于实际运用之时, 诸多产品里三条路线是混合着来使用的。在某个具体产品落地的不同阶段当中, 能够遵循如此的演进路径: 先验证, 接着是RAG加知识库, 然后在关键模块或者高频任务上进行微调。二、分阶段组合策略SaaS 公司的 “AI 路线图”成为成功的, 那种SaaS加上AI之产品, 向来绝对不会是这种“去押注于单纯单一技术”的情况, 而全然是那种“依照阶段来进行动态组合工具”的情形, 了。1. 初创期提示词为主RAG 为辅用最低成本验证需求处于初创时期时的核心目标乃是“活下去”, 得运用最小的投入去确认“客户愿意为人工智能功能支付费用”, 这时的技术组合逻辑为“提示词搭建框架, RAG补充基础认知”。对于处于初创阶段的SaaS产品而言, 在这个时期需要规避两个误区, 其一为不要去追逐所谓的“完美功能”, 能够借助特定提示词达成百分之八十的需求便已足够, 其二为不要过早地自行构建知识库, 应优先选用公开的数据或者客户自愿提供的基础资料, 以此来降低RAG的搭建成本。2. 成长期RAG 轻量微调平衡体验与成本当客户数量突破到一定数目比如说100家, 便要提升AI功能的“体验质感”, 防止因效果不佳造成流失, 此时的技术组合逻辑为“RAG进行知识覆盖, 轻量微调处理高频痛点”。此阶段要害在于“聚力高频场景”, 切莫贪吃求完。选出客户运用最为频繁、投诉最为频繁的1至2个场景予以细微调整, 如此既能迅速目睹成效, 又可把控成本。3. 处于成熟期时, 以微调作为主要方式, 凭借提示词以及RAG进行补位, 进而构建出不可被替代的竞争力。当SaaS公司步入成熟期时, 客户的“替换成本”成为核心竞争力, 此时的技术组合逻辑是, “微调做核心决策”, “提示词 RAG做规范和补充”, 形成“专业 高效 稳定”的闭环。处于这个阶段时, 其核心要点在于, 要实现从数据资产到定價權的转化。具体是, 首先做的事, 是通过微小调整, 使得人工智能功能所呈现出的效果, 能够远远超越同类型竞争产品。然后, 还要经由结合 RAG 以及提示词进一步将功能的稳定性提升起来。最终目的达成的同时, 也就支撑起了更大的客户价值总量, 并且还提高了客户单价比率/ARR。三、关于微调, 存在着落地陷阱, 并非所有的SaaS, 都适宜那种“完全投入微调”的方式, 此点要注意。纵使微调属于成熟期的关键所在, 然而众多SaaS公司于落地之际, 皆会陷入那个名为 “技术冲动” 的牢笼之中 , 也就是盲目地投身于微调, 最终所得效果欠佳, 成本又高昂, 反倒对业务造成了拖累。在此之前, 本号已然详尽聊聊过三个SaaS加AI的产品, 分别是北森AI面试官, 还有慧算账记账Agent, 以及数美内容审核Agent, 它们之中, 有些产品的那些核心能力是源于经过微调而得来的, 另外一些, 则是来自加RAG这种方式, 并且, 不管是哪种情况, 均能够获取到优异的效果哒!1. 先去询问一下 “数据够不够” 这个问题, 要是没有达到 1 万条标注数据的情况, 那就不要去触碰微调这件事。微调的效果本质是 “数据质量 × 数据量” 决定的。本号之前的文章讲过, 慧算账能够将小模型调整到百分之九十四的准确率, 其核心在于拥有两亿条真实的记账数据。而且, 如果数据量有所欠缺的话, 微调所产生的效果或许还比不上提示词, 你说是不是这样呢?当下的经验数值是, 针对于垂直场景而言, 其标注数据起码得达到1万条, 并且要覆盖超过80%的核心需求, 如此微调才具备意义。对于那些数据欠缺的SaaS公司而言, 不妨先着手进行“数据积聚”: 借由产品应履行功能引领客户生成带有记录的数据如同促使会计针对AI自动开展的记账结局予以“确认/修正”这般, 或是同行业协会携手合作来获取公开性质的数据, 待数据数量达到标准以后再开启细微调整。2. 再算 “成本账”隐性成本可能吃掉利润不少SaaS公司仅瞧见“调整单次成本少这样的情况”, 然而却遗漏了合规、维护之类的潜在“长期维护成本”。对于那些SaaS公司来讲, “性价比”始终是比对“技术先进程度”更具重要性的存在。3. 最后看 “场景匹配度”非核心场景的微调都是浪费并非所有的场景都是需要进行微调的, 要是强行去进行微调的话, 那么不但效果提升是有限的, 而且还会让成本有所增加。判断场景是不是需要微调, 存在一个简易的标准, 那就是该场景对客户的核心业务成效有没有直接影响。自动记账对客户的财务合规有直接影响, 要是自动记账的被采纳率低于90%, 人类会计就不会接纳, 那就必须进行微调。一场AI初筛面试跟人类面试官的一致性达到70%, 就能够接受, 不会影响最终录用决策, 那就没必要微调。四、关于护城河有硅谷那边的博主质疑中国软件公司为何总要想护城河我给她留言回复说, 这跟中国于世界贸易格局里的所在位置有关系, 在那样一个战场上, 其中每个客户都在严格把控成本, 不存在护城河的产品不但会在3个月之内被复制, 而且会在6个月之内被冲击成为有着低价格现象的红海。然而, SaaS加上AI所形成的护城河, 从来都不是技术名词自身, 而是技术是不是能够锁定对手拿不走的资源。单独从AI产品的角度看护城河只有两条对行业或者领域有着深度的认知。比如说, 北森在测评这类人才研究方面有着长达20多年的积累, 这就让它在AI面试产品设计方面具备了极大的认知优势。有着独有的数据飞轮。比如说, 数美如今每天要处理数十亿张图片以及文本, 历经十年积累了万亿次过滤。数据飞轮效应致使新玩家难以进入这个领域。对比于无论谁都能够借助AI技术去制造的新产物而言, 上述的那两条方才是实实在在的壁垒。或许存在一些出身于技术领域的朋友, 他们并不赞同我的此般观点, 毕竟亲自上手去做了相当长的时间, 而且攻克了数量众多的AI技术方面的艰难关卡, 如此情况下又怎么会不存在所谓的护城河?然而咱们回忆一下, 30 年来于国内有哪一款产品单单凭借技术就征服了市场呢? 你在技术方面的突破, 产品体验得以优化, 这是做出优质产品的根基, 可是要是没有认知以及数据作为支撑, 这些成果极为容易被竞品模仿——它们能够抄袭你的‘AI 面试流程’, 然而却抄袭不走你 20 年的人才测评逻辑能够搭建你的‘数据处理框架’, 然而却搭建不出你万亿次过滤的飞轮。这同样是为何于三条技术路线之中, 我会更偏向模型微调, 因微调的实质, 乃是将“行业认知”与“独有数据”一并熔入模型参数, 致使技术路线与护城河深度紧密相联, 而RAG路线虽说也涵括“行业认知”, 却缺失“数据飞轮”的防护, 仅提示词的路线极为薄弱。五、结语围绕SaaS加上AI展开的竞争, 其本质实际上是关于“场景认知”方面的竞争, 依据以上提及的评估, 我绘制了一张雷达图解用以展示, 展示三条技术路线在六个维度里的优势与劣势。当然, 我还要着重指出一点, 在实际运用的情形之下, 3个技术能够在不同的阶段进行混合运用, 是这样的。与此同时, 上述所作的分析以及所列举的案例, 最终都指向了这样一个结论, 即为, SaaS公司在AI技术路线方面的选择, 向来都并非是基于“技术好坏”来进行判断的, 而完全是属于以“场景适配”为依据的那种决策。将提示词用于“冷启动验证”适配其使用场景, 把RAG应用于“专业领域知识补充”契合其特性, 用微调达成“构建壁垒”符合其作用——它们本身不存在绝对的好坏之分, 唯独存在的变数是“阶段和场景的匹配度”。对于SaaS公司来讲, 在为“该采用何种技术”而纠结之前, 得先把三个问题给想明白:客户什么问题能被我解决? 我的产品处于哪一发展阶段? 我有没有足够数据以及资金去支撑技术投入?想清楚这三个问题技术路线的答案自然会浮现。终究, 于 SaaS 加上 AI 的这个世界当中, 最为厉害的并非是“他人所不具备的技术”, 却是“最为了解客户的技术”。