在探讨大模型应用如何落地前，你可能需要先通过当前的技术能力预测和设计中短期内可实现的产品形态，并通过倒推的方式确定当前技术下的最佳产品形态。而基于产品形态来进行大模型应用的场景探索，可能会具备更加清晰的视角，让产品具备更落地的应用价值、更长的生命周期。

本次分享中，我将围绕大模型的产品设计与场景实践，结合个人经历分享大模型带给我的三次触动（Sora 甚至没有入选），以及我认为现阶段 LLM Native 产品存在的两个难题，并试图给出我的一个参考答案。

演讲提纲：

1. 大模型 1 年多带给我的三次触动

• GPT-4 for coding
• Code Interpreter
• GPT-4 Sketch to Code

2. LLM-Native 生产力工具的意义

• LLM-Native 生产力工具 vs 原有生产力工具
• Canva、Notion、Tableau 这些工具 + LLM 的演进和突围 vs 传统软件厂商彻底 AI 化的困境
• LLM-Native 的生产力工具应该满足哪些要求

3. 技术难点：如何利用产品设计去缩小大模型的不确定性问题？

• 代码解释器、RAG
• 人机协同的办公方式

4. 产品化路径：LLM-Native 生产力工具的产品设计

5. 商业路径：LLM-Native 生产力工具的商业化路径

• 代码小浣熊和办公小浣熊落地案例的介绍
• To B 困境的突围，一个开放性的话题

听众收益：

• 掌握大模型产品的形态与特征：听众将学习到如何结合大模型现阶段及可能涌现出的能力，来预测和设计未来的产品形态
• 洞察大模型原生产品的难点与壁垒：演讲将分析 LLM Native 工具类产品在确定性和行业竞争方面的难点，帮助听众理解市场壁垒，并探索如何克服这些挑战
• 共同探讨行业挑战与机遇：基于嘉宾给出的参考答案，听众可以共同交流、探讨更多的可能性，获得专属于自己的行业判断

方案痛点：

• 国内开发者对于大模型技术能力可能存在的理解误区
• 从业者对于 LLM Native 工具产品设计上的滞后性