大模型开始“普世化”了，不必理解技术，在不知不觉中就能用得不亦乐乎。

一个不会编程的小学生，在手机上随便扒拉两下，就能创建一个外教“智能体”，陪自己练口语，比越练越烂的那些“英语角”可强多了——这样的例子并不少见。

最近，“智能助手”类产品成了手机应用商店中的新宠。这类鲜明的针对普通用户的AI应用，通常都是用各自的大模型作为“底座”支持，将散落的 AI 需求整合并封装到一个“聊天界面”之下，基于自然语言处理文本、图像的需求。

你能看到这类产品有，文心一言（百度）、通义（阿里）、Kimi（月之暗面）、海螺AI（MiniMax）、豆包（字节），还有刚刚发布就颇受关注的“元宝”（腾讯）等。一下子，用户恨不得给手机里装满了“助手”。

通过手机 app 使用 AI 大模型，比在电脑网页上方便多了，也更符合我们已经养成的操作习惯。经过了最初好奇尝鲜驱动的使用，这类 app 有没有可能变得像我们打开微信、美团、滴滴那样频繁呢？

本质上，用户的“线上”核心需求没有变，高效获取信息，提升效率，情感表达，社交娱乐等。那，“智能助手们”行么？

神仙打架 or 菜鸡互啄？

打眼几个助手类产品的第一印象：产品同质化。AI搜索、文档总结和问答、文案写作、图片生成等，能做的事情大差不差。但基于模型能力和对价值判断的不同，让用户在使用起来，体验还是各有不同。

AI的“工作流程”，首先是信息搜集，接着对信息进行结构化处理，结合所理解的用户输入，进行内容生产（也可以称之为创作）。

面对确定的、已有的资料，大模型们都能给出不错的答案。但需要信息检索时，原本具备搜索能力的大模型厂商，在联网、时新类搜索上一般表现更好。

比如腾讯元宝接入微信搜一搜，搜狗搜索引擎。当你问它“现在适合买黄金吗？”，它会总结出投行和证券公司最近对于黄金价格走势的判断。

元宝在时新类搜索上的回复丨元宝

决定回答质量的另一个因素是“信息源质量”。当前 AI 搜索大致工作原理，用户以自然语言的查询先被重构，输入进实时索引中搜索信源，再交给语言模型阅读，最后将阅读到的信息结构化一篇有条理的回答，同时附上相关参考链接，为的是克服“幻觉”问题——尽管，那些教AI说话的“老师”（信源）也总在胡说八道。

不得不承认，很多高质量的中文内容处于封闭的生态下。最典型的例子，是微信公众号——新近上线的“元宝”，就是得益于做了对微信公众号检索的打通，让AI回答的质量得到了巨大提升，甚至可以被当作微信生态内容的一个新入口。

元宝覆盖了微信公众号的内容丨元宝app

一个“聊天框”，用自然语言提问解决了“不会搜索”的难题，而对于可能出现的各种“答非所问”，这类“智能助理”产品也提供了相应解决方案。

如果你在“百小应”中问，引擎盖打不开了怎么办？它不会直接泛泛而谈。而是先问什么品牌型号，哪一年的车。聚焦后再生成进一步的回答。通过多轮对话明确问题，搜索少量（不只调用通用搜索，也需要垂直搜索能力）的信息源，做出精准的回答。

AI主动向用户提问丨百小应

一些AI产品中的“灵感提示”、“追问”也都是为了引导用户问出更“对”的问题。

回到讨论的核心。助手类产品的意义是什么？答案或是，提升用户解决问题的效率。

还是以这些AI app通用的主界面，AI搜索对话框为例，其背后都对应着问题的拆解和相对应模型功能的调用：翻译搜索结果、转成语音输出、生成结构化大纲等等，根据用户的特定需求，产品可以做到分别调用翻译模型，tts模型，对专业问题（对信息来源有要求）做对应论文文献搜索。

这种多功能组合，是今天智能助理 app中集成大量智能体的原因之一。甚至，面对更多长尾需求，产品允许用户自建智能体。无论是通过自然语言，简单地构建一个智能体；

还是开放给专业开发者（至少是有编程思维的人），以自建workflow（工作流）的方式构建智能体。

创建智能体丨扣子

普通用户对这类应用的日常需求已经呈现出一个清晰的主线：如何满足娱乐和如何提升效率。

AI产品总体渗透率不足1%，各家并没有拉开差距。功能上，产品处于同质化的状态。深究原因，是技术能力相对也同质化——回想一下，这是不是和当年各种同质化的app创业很像？

一个好的智能助手，必须能帮我怼老板

PC端与移动端产品的用户体验，各有优势。处理逻辑复杂，操作繁多的工作流（对于用AI类产品，尤其当涉及到上传多文件，对内容生产结果二创等），PC端用起来更方便。

那么移动端的优势是什么？至少一个智能助理，听起来应该像一个可随身携带的“百事通”。

GPT-4o发布中的一个惊喜是，语音交互竟丝滑流畅到这种地步了——延时缩短到不可察觉，AI助手能听懂语气词，增加了情感表达。当我们感受到“对方”能自主抬高，压低声音，就会不自觉将其看待成人，与之交互就会越来越频繁。

如今不少厂商将“语音交互入口”设置为默认交互界面。对语音交互体验做优化，包括但不限于，做基于大模型的ASR（自动语音识别），超自然的TTS（语音合成）音色。

将语音设置为默认交互方式丨左文心一言，右豆包

不久前，Arc Search（一款浏览器产品）推出了一个名为“Call Arc”的功能，当检测到用户执行打电话手势时（举起手机，贴近耳旁），便能直接到用户与AI搜索聊天——一个移动端AI产品更为“激进”的尝试。

GPT-4o（还有Gemini Live）本质是多模态的进步。他们都在重新定义大模型产品的人机交互标准。所谓多模态，是能像人一样看，听，说，有触觉，调动摄像头，麦克风等手机上各种传感器（移动端天然优势）。行业的一个普遍共识是，接下来提高底座语言模型的能力，将多模态统一融合。

GPT-4o“看相”丨OpenAI

效率另外的提升，来自AI与原有产品生态形成联动。大模型厂商已经在做尝试。

比如钉钉（联合饿了么）群内，用自然语言“20杯拿铁，少冰，加浓”点单、拼单，无需离开群聊便可一键付款。

如何使用好手机上的“个性化”信息，也是这类 app 效率提升和使用体验优化的关键——理论上，如果 AI app能引用地图导航 app 和机票旅行 app 的购买偏好数据，就能为用户安排出行。类似利用好本地的实时的信息，可以创造很多高价值的场景。

“我就期待能有这样的搜索，跟微信联动起来，当老板呲牙咧嘴地逼问我为啥他交代的事情我没做时，我就当着他面让AI立刻查查，他到底说没说！”——我有一个朋友这么说到。

的确，没有比这个价值更高的场景了。

文章来源于“果壳”，作者“沈知涵”