ChatGPT 两周年，以及 Dailyio 工具探索的一些回顾

时间过得真快，距离 ChatGPT 发布已经过去了两年。过去两年，Dailyio 旗下的 Digital Explorer，一直在探索围绕 ChatGPT 等大模型产品的多种可能，接下来我们不妨来回顾一下若干个依托大模型构建的思考或流程。

大模型+搜索

这一年来，「大模型+搜索」的产品层出不穷，这其中，Perplexity 最具代表性，通过抓取、分析、生成若干网页内容，用户在 Perplexity 上获得的，不再仅仅是一个个网页链接，而是所谓的「答案」。

但 Perplexity 也面临一系列困境，这期 Digital Explorer 不仅探讨 Perplexity，还会探讨Perplexity 提供的「在线大模型」API 体验如何？以及还有哪些值得尝试的商业与开源「大模型+搜索引擎」服务？

更进一步，Perplexity——或者说这一类标榜 AI 的新一代搜索工具——并非发现信息的可靠工具，且不提这些工具提供的来源链接充满了幻觉；另一个原因则是，Perplexity 等新搜索工具也在成为新一代「信息看门人」，它控制着信息的流向。

在这样的背景下，我改变了使用 Perplexity 的方式，将其从搜索工具转变为可联网的大模型工具。换句话说，我不再仅仅使用 Perplexity 搜索信息，而是将它变成类似 ChatGPT 的工具，这期结合我的使用体验，分享一些思考与实践。

Claude 与 ChatGPT 渐行渐远

本周 OpenAI CFO 透露该公司的主要营收来自 ChatGPT 的收费，而多家机构预测 Anthropic 的营收主要来自 API，两家公司或者说两个产品已经走上不同的道路。

Claude 切入了一个更细分的项目管理或小团队协同的领域，从「Artifacts」到「Projects」，Claude 与 ChatGPT 已经不在一个赛道。充分利用其大模型的能力，结合企业或个人自身的数据/知识库，帮助他们优化内部协同的效率，这期内容一些我的发现和思考。

大模型+笔记

关于「大模型+笔记工具」，4 月份的时候，我分享从语音到文本的工具流程，放弃对单一笔记工具的依赖，依托不同工具的特点搭建更灵活的使用流程，包括：

• 笔记工具：Workflowy、Craft（本地版）、Obsidian、苹果「语音备忘录」；
• 大模型工具：OpenAI/Claude 的 API、通义听悟等；

两个基本点：

• 数据或内容必须可以自由迁移，特别是笔记（比如语音笔记）的原始数据；
• 不要奢望将思考外包给大模型工具，它只会分析问题，并和人类共同迭代问题的可能方案；

而借助 Obsidian 和越来越便宜的大模型 API，作为一个常年和信息打交道的内容生产者，我开始探索从信息的消费、加工、创造等环节，逐步构建起一个高效的信息管理基地，这背后既有传统的工具的「功劳」，还有各类大模型的支持，各位可通过这里详细查看。

降本增效

2024 年大语言模型的选择越来越多，很多模型的能力也愈发强大，如何在内容消费与生产过程中选择合适的模型，不仅影响到自己的钱包----要知道一些模型的使用价格动辄 30、50 美元----也会影响到我的工作效率，作为内容创业者，我不想花费太多时间去调优某个开源模型，使其表现接近闭源模型，时间成本也是我需要重点考虑的因素。

在这样的背景下，我开始探索一些「降本增效」之举，比如「大小模型协同工作」。

另一个降本增效的方法是使用开源（开放权重）模型，在「开源模型越来越落后」的背景下，我以一名内容创业者的视角，阐述使用开源大模型的优势，并推荐几款优质的开源模型。另外，这期还将分享使用开源模型的实用工具与思路，为读者提供一份简明的开源大模型使用指南。

两个实验：大语言模型能胜任邮件通讯主编吗？

今年春节期间，我首次尝试让「AI 编辑」替代我的工作，撰写、编辑了多期「Dailyio Briefing」，随后我在一期 Digital Explorer 里回顾了整个流程，还没来得及阅读的朋友可以在这里了解一下。

5 月下旬刚好搬家。「AI 编辑」重新登场，主理了四期「Dailyio Briefing」（原计划出版五期）。

从 2 月中旬到 5 月下旬，这 100 多天的时间里，各类语言模型的发展，是否让我——一个长期关注大模型发展的内容创作者——感受到变化？各类模型如何影响和改变我的内容创造流程？以及，接下来的 100 多天，还会有哪些值得关注的方向？这期 Digital Explorer 的特刊，我们就来聊聊这些话题。

2024 年大模型发展水平如何？

由于工作关系，我需要经常处理大量文本内容。为了更好完成这些工作，我在众多开源、闭源模型上做了大量测试与试验，希望能够找到更适合我工作场景——包括但不限于文本摘要、文本之间的翻译、文本生成等——的大模型。

3 月的时候，我以一位大语言模型重度用户为切入点，总结过去一年多来的经验和教训：

• 如果没有万能模型，用户该怎么办？
• 为什么使用大模型是一件浪费时间的事情？
• 为 API 付费还是付费订阅在线服务？

另外，我也会对当下主流大语言模型应用做一些点评和分析，哪些是最被低估的模型、哪些是最具「弹性」的模型；另外，近期由上下文窗口与 RAG 驱动的长文本应用开始爆发，本期也会做一些盘点。

到了今年 10 月，我又分享了一份对不同模型的评测，两个提醒：

• 其一，无论是大模型体验还是他们的回答，并不存在所谓「统一标准或答案」，所以不要以我下面的内容作为标准去验证，请将这些思考当作一个参考，然后去尝试即可；
• 其二，我的测试与使用基本都是调用大模型的官方 API，通过自定义提示、模型输出温度等方式，减少诸如 ChatGPT 这类产品里的系统提示词干扰。

谈到 API，我今年逐渐减少了对于开箱即用类大模型应用的依赖，转而使用 API 构建、优化大模型的流程。

一方面，现在大模型 API 价格已经足够便宜，还能通过更灵活的调用进一步降低成本；另一方面，使用 API 也能够最大限度减少大模型对于特定提示的依赖，你完全可以依据自己的习惯，定制从系统到场景的提示词，从而获得更好的输出效果。

而要让 API 的调用更高效和方便，我需要找到一个大模型 UI——简单来说就是一个良好的前端界面与适当的功能，后端对接大模型 API——这个探索过程充满了各种有趣的发现与无知的陷阱，在体验了一众开/闭源产品后，我为什么选择 Open WebUI？，这期内容很精彩。

尾巴

大语言模型还在发展，今天（周五）ChatGPT Search 开放、Google 推出带有搜索功能的 Gemini API，围绕信息入口的竞争持续升温。我们有理由相信，接下来整个产业的发展，将给我们这些用户带来巨大的技术红利。