不瞒大家说， AI 已经全面融入差评了。

当然，并不是说现在这篇稿子，就是用 AI 生成的，而是 AI 已经帮编辑部解决了不少那些看似简单，但却确实有些关键的要紧事儿。

就比如大伙们可能想不到，虽然差评编辑部日常的工作的是拖写稿，但在几年前，咱们公司里其实是有专职的程序员的。

特别是在公众号后台排版时，差评有自己专属排版格式，但秀米这类的工具第三方其实不够用，程序小哥就给咱顺手开发了个排版插件，能一键排版。

后面因为业务调整，插件暂时也没啥 BUG 要修，头发越来越茂密的程序员小哥，也选择了离开。

但后面的几年，咱们的排版格式每年都在更新，微信后台也在各种改版，随着时间的推移，这个插件越来越难满足大家的需求，各种小 BUG 也冒了出来。

一方面编辑部同事们的代码水平不够硬，另一方面相比市面上的其他产品，这个插件依旧是最接近差评文章格式要求的工具。

所以，就连程序员小哥自己都没想到，自个儿已经离职了三年，我们还在继续用着这个插件。

而在去年的年底，在后程序员时代，我们终于给这个排版插件，来了一次迟到的更新。

当然，编辑部并不是花钱重新请了个程序员，也不是编辑们的代码水平突飞猛进，而是一位完全对代码零基础的同事，抱着试一试的心态，用 AI 写了代码，上架了 Chrome 应用商店，完成了这一波更新。

而现在，我们都称他为差评张小龙。

只能说谁也没想到，一直在 Debug the world 的我们，最后却靠着 AI Debug 了差评自己的 Bug 。。。

另外，编辑部其实还一直有个甜蜜的烦恼，困扰了大家好多年。

大伙们都知道，公众号自带的搜索功能突出的，就是一个进步空间巨大。

不仅文章不好搜索，数据阅读量超过十万的文章，公众号在前台还只会显示 10w+ ，具体的阅读是十万加多少，就必须登录微信的公众号后台查看。

但差评公众号天天十万加，再加上编辑团队人数也越来越多，后台权限绑定的人数其实是有限的，寻找相应文章和阅读量数据，就变得麻烦了起来。

所以，当某个编辑忘记某篇文章的阅读量时，一般就只好让有后台的权限的同事帮忙看一眼数据，或者是帮忙扫个码。

最后同样是 AI ，解决了这个甜蜜的烦恼。

因为我们直接用一句话，用百度智能云千帆大模型平台的 AppBuilder ，做了个 “ 文章闪电搜索器 ” 。

我们只要把运营同事那边汇总好的 Excel 数据，加入数据库中，这个文章闪电搜索器，就成了个差评公众号内部数据通。

而且方便的是，我们可以选择把这个 Agent 发布到微信小程序、网页、微信订阅号等等的平台上。

突出得那叫一个想用即用。

世超也通过微信小程序的入口，简单试了试这个用几分钟就搭好的 Demo 。

在世超的提问下，文章闪电搜索器很快就给出了正确答案，《 火了 6 年后，国潮开始塌房了。 》这篇文章阅读量到了 120 多万，包括链接也是正确的。

并且，因为千帆 AppBuilder 记忆能力，咱还能继续追问 “ 该作者上一篇百万加的文章是哪篇 ” ？

文章闪电搜索器也是突出一个快，立马给出了正确答案。

而同样的 AI 故事，其实也发生在差评的 B 站视频部门。

这么说吧，虽然差评君的视频看起来那叫一个靓仔，但咱们的同事在写稿，特别是起标题时，常常那叫一个狼狈。

不夸张地说，写文章 2 小时，纠结标题要花 3 小时的情况那是经常的事情。

这时候，如果有个能起标题的大模型，其实能省不少力，最起码也能启发我们一些起标题的新角度。

于是乎， B 站差评君部门，就想到了用千帆大模型平台的 Modelbuilder ，调教出一个适合 B 站这个平台的起标题大模型。

首先，世超准备给大家讲讲精调大模型的必要性，就像很多行业里都有自己的黑话一样，外行常常是听得一头雾水。

AI 其实也这样，对于外行 AI 而言，可能就不明白差评的火锅是啥意思。

而经过精调的大模型，则会和十年老粉一样，理解差评的一些黑话。

同样在很多情况下，通用的 AI 不太懂什么是好的标题，或者说不太清楚哪些标题是适合 B 站，哪些标题是适合其他平台的。

就比如《 仿生医疗设备: 从蚊子口器到人类健康 》这标题，我觉得比起视频平台，更适合发知网。

所以，我们抓取了 B 站 1300 条热门视频的内容和标题数据，通过千帆训练了个 B 站起标题懂哥大模型。

大伙们也可以对比一下，相比没经过调教的版本，新模型给出的标题，明显就更加对味儿了。

当然，说实话 1000 条左右的数据，并不算多，相信随着数据集的扩大，效果也会越来越好。

其实，通过上面几个世超身边实际的案例，大家也应该会发现，即便是差评这么一个小小的编辑部，对于 AI 也都有着各种各样的需求，更不用说其他无数中小企业了，并不是用一个 TO C 的通用聊天机器人，就能解决一切问题的。

但比如说提示词咋写，如何精调模型，应用的能力不给力怎么办等等，都是行业内在用大模型时，普遍存在的问题。

而在体验百度智能云千帆的 AppBuilder 和 Modelbuilder 过程中，世超也看到了百度是怎么一一解题的。

比如大伙们都担心提示词写不好，影响了最终的效果，而千帆直接预置近 300 个行业场景的 prompt 模版。不知道咋精调模型？千帆也直接给了开箱即用的模型精调样板间，支持超过 3 万个模型的精调。

另外在传统企业中，那些复杂的事儿和任务，基本都得靠专家的经验固定好的流程，也就是工作流。哪怕数字化已经搞了这么多年的今天，工作流也依旧是守旧派，没什么新突破。

另一方面大模型确实是很强，相当于一颗会思考的大脑，但 “ 幻觉 ” 问题却一直让人头疼。相信大伙们也都想到了，把工作流和大模型整一块儿，其实刚好能取其长避其短。

这次百度世界大会上，百度智能云千帆大模型平台搞出了个 “ 工作流 Agent” 的功能。通过学习各种企业流程与规范，工作流 Agent 能迅速适应不同岗位职责，并且快速复制出一个个 “ 数字员工 ” 。

拿保险行业来说吧，百度智能云正和保险公司合作，弄出个车险续保售前的数字员工。以前培养一个员工得花一两年时间。现在用工作流 Agent 开发金牌销售数字员工，最快一个小时就能弄好上线。而且这个工作流 Agent 还能很快地集成到百度搜索、微信公众号、企业官网这些业务系统里。

大会上百度也来了波现场演示 ，咋说呢，要不是事先知道答案，我还真猜不出对面原来是个 AI 数字员工。。。

另外说起来你们可能不信，因为有了数据飞轮和模型蒸馏的加持，这大模型还会越用越聪明，越用效率越高。

这么说吧，模型上线后会持续从线上采样用户线上真实的数据，模型会标注好回答的好坏，用于继续推进模型的更新，数据的轮子，就这么转了起来。

包括 ModelBuilder 还能根据优质的数据，蒸馏出一个轻量级大模型，目前百度优选就用上了，它提取商品属性，新模型能达到 90% 的旗舰级模型效果，同时也能达到 3-4 倍的旗舰级模型的速度，效果和性能就这样达成了平衡。

最后世超想说的是，在大模型到应用的这条路上，实际上很多中小企业，都被拦在了 “ 最后一公里 ” ，而千帆们所做的，就是把这最后的路打通。

硅谷有一句经典的 “ 老话 ” ，叫做 “ 软件吞噬世界 ” 。

而世超觉得，世界会不会被软件吞噬咱不好确定，但在 AI 的普及，并且从 AI 到应用这条路越来越通畅的情况下，软件肯定会让咱们的生活和生产更便利。