这篇不是AI技术文章，而是我们三个半月AI应用创业路上的一些真实感受。希望读到的人能有所共鸣，也欢迎反馈交流。

一、为客户感到开心

昨天最开心的一件事，是我们的一个客户（后面简称“ZY”）的AI应用正式上线了。ZY用的是TorchV的AI PaaS服务，他们切入的市场需求真的很棒——在专属社群这个方向上，找到了精准的切入点。因为人家做的是付费知识服务，面向重点大学本科生和研究生，不太愿意在互联网上过度曝光，所以这里只说个大概，敏感信息略去。

简单提一下他们的商业模式：给在校生提供收费的知识服务。具体怎么玩就不展开了，但我们内部评估过后，一致认为确实很有卖点，而且在资源整合上有独特优势。

重点聊聊ZY和TorchV之间的关系。

我们是去年11月29日正式创业的。前期产品开发用了将近一个月，12月底就开单了——不过更多是靠之前积累的人脉。后来一直在公众号、Blog、X和知乎上发RAG相关的文章[1]，慢慢吸引了很多人关注，ZY就是其中之一。ZY带着明确需求找来，试用TorchV的PaaS服务后，春节前就订阅了我们的专业版年服务（36000元）。至此，ZY算得上是第一个完全通过PLG（产品驱动增长）路径过来的付费客户——通过文章了解TorchV的价值，然后试用、磨合，最终成为正式客户。所以昨天他们的应用上线，对我们来说意义也很特殊。

在磨合过程中，我们也在不断探明很多服务边界，比如各类细项的用量和收费标准。这里可以透露一点数据：

• 知识库上传容量超过2GB：ZY的知识库整理得非常好，这是他们的核心优势。文件数量过千，类型包括网页（论文和自整理知识）、Word、PDF和Markdown等；
• 知识库数量超过50个：为了做好知识分类，ZY创建了大量知识库，让不同需求的客户能更精准地获取信息。

相较于其他付费客户，ZY的这次应用算是一次极限测试——让我们在处理单一客户的海量文件时更有信心了。

二、TorchV提供了什么？

上面这些描述可能还是管中窥豹。那么，TorchV到底为AI企业应用落地提供了什么？简单直接：我们提供的是一整套快速帮助企业使用大语言模型（LLM）的PaaS系统。从底层往上分别是：

• RAG和Agent：检索增强生成（RAG）[2]和Agent，是目前大模型在企业落地的事实标准；
• Tenant：租户系统，这是搭建多租户PaaS/SaaS平台的基础；
• OSS：在线文件存储，包括客户上传的文件、从URL导入的数据等；
• ChatBot：TorchV会提供一个默认的Web版问答系统，客户可以在上面测试知识，内部使用场景也能直接拿来用；
• 数据&洞察分析：对数据进行分析，包括客户预设的洞察条件——一旦触发，就会执行指定动作，比如产品和服务推荐、咨询分流等。客户也可以在这里同步数据，导入自己的系统作为数据分析基础；
• 知识库管理：创建知识库，上传文件后系统立刻处理，变成chunk（小块文本）和embedding后的向量数据；
• 运营后台：涵盖计费系统、参数配置、对话记录查看和标注、用户权限设置、反馈处理等功能；
• 应用中心：一个客户可以创建多个应用，通过API对接自有系统，或者根据API开发新应用；
• API&一键嵌入：除了API，还提供一键嵌入——只需引入几行JS代码，就能在客户Web应用上开启悬浮icon，获得TorchV的对话能力。

另外，对大语言模型的连接也做了中间件，内置多个模型。客户在实际使用中可以指定模型，或者用智能分配。目前内置的大模型包括：

• glm-3-turbo（智谱）
• glm-4（智谱）
• Baichuan2-Turbo（百川）
• Baichuan2-Turbo-192k（百川）
• qwen-72b-chat（通义千问）
• qwen1.5-72b-chat（通义千问）
• moonshot-v1-32k（月之暗面）
• moonshot-v1-128k（月之暗面）
• yi-34b-chat-200k（零一万物）

刨去半个月的春节放假，三个月时间确实做了不少事情——收获了几个付费客户，还有70多家试用企业。和客户频繁深入沟通后，发现目前的进度只是开始，很多优化工作和全新需求已经排进迭代计划了。

三、GTM和产品路线

本来想聊GTM和产品开发战略，但我们这么小，哪来什么战略啊。分享这一章，是因为觉得GTM和产品路线协调太重要了，直接关系到创业到底要创造什么价值。

SLG暴露的问题

GTM（Go-To-Market）Strategy是触达市场的策略。最能想到的两种模式：SLG（销售驱动增长）和PLG（产品驱动增长）。我们一直向往的是PLG——自下而上影响客户购买决策，让客户真正用起来。而SLG是过去几年一直在玩的模式：从“钱”出发，看哪些客户有钱，找到他们，了解需求做解决方案，把产品和部分定制化一起卖出去。

但SLG的问题也很突出。为了完成业绩，有时会出“非常手段”，加上客户的决策人和实际用户往往不是同一拨人，导致很多SLG卖出去的产品根本没被真正使用。对公司来说，这影响复购；对产研人员来说，价值感极低。再加上大量定制，根本没动力也没精力把产品从60分做到100分。最终，客户的使用价值、公司的产品竞争力，以及产研人员的信心，全都受损。也许SLG本身没错，但在国内很多企业的实际GTM过程中，上述问题大量存在——这还不展开说严重的商务费用问题。

所以这次自己创业，就优先选了PLG。听起来有点任性，其实是最务实的选择。下面说说感受，为什么今年在AI应用落地上，PLG比SLG更有效。

新事物需要新方法

AI虽然不新鲜了，但粗略统计，国内至少还有13亿人不知道GPT到底是什么。大面积做SLG很难。我们手上是有一些销售渠道资源的——去年底创业开始，渠道方面就在帮着推广。但他们的客户关系网建立在以前的集成业务和标准产品上，现在直接推AI应用，存在市场教育问题、落地场景问题。渠道商普遍觉得很难推，他们自己和客户对AI都还有认知gap。AI应用市场的建立还需要时间——包括知道GPT的企业，对幻觉问题也依然警惕。

去年9月、10月写了几篇文章，阅读量5000到12000不等，都发了朋友圈。但好友阅读量没超过20。这说明微信好友里大部分人还没真正关心大模型的价值。如果拿着AI产品去原有销售网络找客户，无异于缘木求鱼。

但除了20多个好友，还有那么多新朋友在阅读——他们中间会不会就有对大模型应用有需求的人？

通过阐述价值寻找客户

为了验证这个想法，我们在2024年1月26日傍晚上线了TorchV Bot试用系统，并在公众号、X和知乎上阐述产品理念——不是纯技术文章，而是邀请大家试用。当天晚上就收到十几家企业的试用申请，团队倍感惊喜。接着春节，直到过了正月十五才真正回归状态。3月初，我们给100多家企业开了试用账号，和其中70多家进行了需求沟通，把很多共性问题归纳整理。这些试用客户里，有些已经付费开启正式版，还有一些直接说“你们把XXX完善了，我马上付款”。于是，五个显著应用场景和TorchV PaaS优化的需求，被列入产品持续迭代计划。

醋和酒

通过内容推广和试用，我们验证了一个想法：AI应用的需求大量存在，通过PLG或PM（产品营销）去吸引有需求的客户，效率明显高于传统SLG的主动出击。我们也不是没试过SLG，但找到的客户没有主观需求时，他们的需求往往“临时起意”。打个比方：我们是酿醋的企业，目标是酿出上好的醋，但主动找的客户会说：“醋是好醋，但你们要是能再酿些酒，我就一起买了”。团队人员有限，产品研发迭代只能单线程运转，根本应对不了需求无限蔓延。

而通过PLG主动找来的客户，需求明确到——说得夸张一点——他们已经万事俱备，就欠我们这股东风了。合作很自然，我们也能聚焦在产品优化上。在AI应用（比如RAG、Agent）这个行业摸爬滚打过的朋友都知道，从开源应用到真正企业级应用，要脱好几层皮才能进化出来。真正的企业应用需要很多优化，除了满足客户精准、稳定的要求，还要有很多特性：

• 开箱即用：客户能快速搭建知识库，不用自己解决二十多个技术环节；
• 快速接入：提供有良好文档的API和一键嵌入能力；
• 数据和洞察：对客服务类客户希望在服务过程中洞察商机，能实时推荐产品或服务，或者把商机特征明显的咨询自动分流给专家或销售代表；
• 超大资源容量和访问权限：像ZY那样需要支持超大容量知识库，企业级场景不是针对几个文件。另一个客户在公司内部使用时，有问答权限需求——比如合同文件不是所有员工都能问答；
• 一账号多应用：依赖同一组知识库，客户可能对接或开发多个应用，需要多应用处理能力和每个应用的专属配置；
• 更多形态：企业应用不仅限于对话，还有更复杂的业务，比如合同预审——输出问题报表，我们正在和一个合作伙伴共创。

我们的价值和使命是什么？

创业确实不容易。短短三个多月，我们有过几次自我怀疑——深夜里在漆黑的森林找路，走着走着很难不怀疑方向对不对。但总能调整回来，因为大家有坚定的价值观：创造真正有价值的产品。另外，在漆黑的森林里徒步，要走出去就得设定目标——找到前方远处的灯光，朝那里走。

我们觉得这盏灯就是使命：挖掘企业非结构化数据的价值。过去二十年，结构化数据（关系型数据库、键值对等）的应用已经发展到很高程度，但企业里占比更大的是非结构化数据，而且每天都在为怎么利用它们烦恼（推荐阅读《挖掘非结构化数据的价值（一）》[3]）。我们的使命就是解决这些需求。过程中的技术（RAG、Agent和其他AI技术）都是走向这盏灯的工具。

四、结论

坚持价值观做事是很孤独的。这也是为什么昨天看到ZY上线会那么兴奋——他们这群人，在做一件很有意义的事。

以上算是三个半月创业的真实感受和心得，希望能得到一些共鸣，如果对某些朋友有帮助，那就更好不过了。