前几天，我去厦门参加了火山引擎的AI创新巡展，玩的很开心，也见到了很多朋友~
在上篇文章的开头也跟大家说了，
今天会跟大家唠唠他们发布会的主要内容，
以及重点会给大家分享，
1、「基于成本和效果平衡如何选择模型？」
2、「有场景没思路的时候如何写Prompt？」
3、「生产级场景的Prompt如何构建与投产使用？」
这些也是很多企业朋友关心的问题，借此机会，跟大家分享一下~
我本来是冲着他们全新升级的豆包1.6系列大模型去的，
毕竟更强的模型意味着我们手里的“武器”又升级了。
但没想到他们还对外公开了很多有意思的产品，
哦对了，该怎么形容上午发布会的火爆程度呢。。
我和乔木、一泽、苍何、袋鼠帝都是站着看完发布会的，后边站着三排人...
话不多说，我们挨个来看看~
基于成本和效果平衡如何选择模型？
开场谭待老师就从「“有好模型”到“做好应用”」的分享中
介绍了豆包大模型过去一段时间的发展，能力不断提升。
之后，带出了豆包1.6系列的全新升级！
也是本场的重头戏，现在也都可以在火山方舟上去进行体验，
咱们今天就掰开揉碎了分开说一说：
首先是Doubao-Seed-1.6-thinking的模型，它主打的就是一个“深度思考”。
对比上一代，它在Coding、Math、逻辑推理这些硬核基础能力上又精进了不少，还支持了视觉理解，能看懂图。更关键的是，它支持256k的超长上下文窗口，输出长度最大能到16k tokens，处理复杂任务和长文档简直是降维打击。
适合我们去处理一些复杂多模态场景的问题，比如，我让它直接帮我进行作业批改
它在长达四分钟的阅读、思考、理解之后，会给到我一系列的修改建议，还会给出一个总结。
这，就是Seed-1.6-thinking-0715模型的升级，
除了1.6-thinking之外，他们的1.6-Flash也同步升级了，
如果说thinking是“最强大脑”，那flash就是“闪电侠”。
它的推理速度快到极致，TPOT（每个输出token的时间）仅需10ms。同样支持文本和视觉理解，纯文本能力还比上一代lite提升了近10%。
同样具备256k长上下文，追求极致响应速度的场景，选它准没错。
上述两个模型其实或多或少在其它渠道都有所耳闻，
而他们这次还更新了Seed1.6-embedding模型，这绝对是这次的重头戏，做RAG和搜索的兄弟们估计已经坐不住了。它不只是一个普通的向量模型，而是全模态的！
而且首次引入了视频向量化能力！这意味着它可以统一处理文本、图像、视频帧，并支持多模态的混合输入。无论是在跨模态搜索、内容理解还是多模态Agent场景，都提供了更灵活、更强大的表达能力，是业界首发支持混合模态检索的embedding模型。
而且模型能更好地理解你的“指令”，你可以通过定制化的指令模板来引导向量的生成，让embedding表达更贴合你的具体业务目标，用更低的成本提升场景效果。
这三个模型能力的升级都非常不错，那么我们来聊聊对于企业而言，
如何「基于成本和效果平衡如何选择模型？」
其实不管是哪家模型，我们都需要考虑「成本」和「效果」，
不存在一个“万能”的完美模型，「最优选择永远是“最适合业务场景”的模型」。
企业选择的过程，本质上是在性能、成本和控制权这三个维度上进行权衡和取舍。
拿Seed模型来举例：
1、当业务场景对结果的准确性、深度和逻辑性有最高要求，且预算相对充足时，应优先选择Doubao-Seed-1.6-thinking模型。
2、当业务场景对响应延迟要求苛刻，或需要处理海量请求，希望在保证良好基础效果的同时最大化成本效益时，Doubao-Seed-1.6-flash是理想选择。
为什么呢？我们可以看下两者的价格：
3、而如果需要构建搜索和推荐系统，尤其是涉及图片、视频等多模态内容的业务，Seed1.6-embedding模型反而是优选，提供极具竞争力的成本优势。
这里也可以给企业方朋友们提供一个问题清单：
而对于成熟的企业应用而言，最优解通常不是单一模型，而是构建一个“模型矩阵”或“模型瀑布”。
比如：
所有用户请求首先由一个成本极低的“路由”模型进行意图识别。 简单问候或分类任务，该模型直接处理。 复杂一点的，则转发给性价比高的主力模型。 如果识别出是需要深度创作或复杂逻辑的请求，再升级调用最顶级的性能模型。
抛砖引玉，最优选择永远是“最适合业务场景”的模型，
而业务场景，我相信你自己再熟悉不过了~
其实除了模型选型方面之外，Prompt也是我们应用好AI必不可少的一环，
有很多小伙伴比较好奇我平时写Prompt的思路，以及在有场景没思路的时候如何来写Prompt？
而这，也是这次下午场火山方舟端出的另一道“主菜” —— PromptPilot。
生产级场景的Prompt如何构建与投产使用？
我们都心知肚明，再强的模型，也得有人会用才行。
就像红杉峰会上大佬们的共识：「下一轮 AI，卖的不是工具，而是收益」
真正的AI产品，看的不是“能力”，而是“结果”。
而连接“能力”和“结果”的最大瓶颈，就是我们每个每天都在抓耳挠腮的Prompt工程！
大家常常遇到的痛点是：
要么效果全凭运气，反复横跳，心态爆炸； 要么就是上线后被用户的各种奇葩输入干翻，疯狂救火。
而PromptPilot，我愿称之为终结这种“手工作坊”式开发的“新物种”。
它不是一个教你写Prompt的老师，而是一个能帮你自动生成、评估、迭代、优化Prompt的智能领航员。
来一句话总结：
PromptPilot 是目前国内对外提供Prompt工程化应用实践的最好用的工具，它提供全流程智能优化，涵盖引导用户生成Prompt、根据内容进行调优、再到批量case评估prompt的各种边界，最后自动优化和管理Prompt全阶段。只有经历过全链路的测试之后，生成的Prompt，才能够投入到百万级请求的生产环境中。
当然，它也是打通产品和开发沟通对齐的最重要的一个媒介，
为什么这么说，我们一会在看。
接下来，甲木就带大家一起深度体验一下，看看它到底是怎么把“炼丹”变成“工程”的。
Case 1：质检巡检（图片理解任务）
任务：我们打算让AI看一张工厂车间的图片，判断有没有违规操作或没戴安全帽的情况。
第一步：说人话，AI出活
我们直接把需求用大白话丢给PromptPilot：“为了安全生产，你需要根据生产车间的图片，判断生产车间是否存在违规操作设备和未佩戴安全帽的情况，需要给出违规类别。” ，同时选择“视觉理解”类型。
点击发送后，一个结构清晰、逻辑严谨的Prompt就自动生成了，连思考过程、判断、违规类别这些输出格式都给你安排得明明白白。
为了后续更方便测试，可以将变量名修改为常用的变量名，比如“image_url”。
最后得到的prompt为：
你是一位专业的图像分析AI。你的任务是严格对照给定的判定标准，仔细分析提供的生产车间图像，并按照规定的JSON格式输出判断结果。
## 输入:
- 生产车间图像: {{image_url}}
## 判定标准与JSON输出字段定义:
1. **`是否存在违规操作设备`**: (字符串, "是"/"否")
* **判定**: 图像中是否存在违规操作设备的情况？
* "是": 至少有一人违规操作设备。
* "否": 无人违规操作设备，或者图像中无人操作设备。
2. **`是否存在未佩戴安全帽`**: (字符串, "是"/"否")
* **判定**: 图像中是否存在未佩戴安全帽的人员？
* "是": 至少有一人未佩戴安全帽。
* "否": 所有人都佩戴了安全帽，或者图像中无人。
3. **`违规类别`**: (字符串)
* 如果`是否存在违规操作设备`为“是”且`是否存在未佩戴安全帽`为“是”，则值为“违规操作设备、未佩戴安全帽”。
* 如果`是否存在违规操作设备`为“是”且`是否存在未佩戴安全帽`为“否”，则值为“违规操作设备”。
* 如果`是否存在违规操作设备`为“否”且`是否存在未佩戴安全帽`为“是”，则值为“未佩戴安全帽”。
* 如果`是否存在违规操作设备`为“否”且`是否存在未佩戴安全帽`为“否”，则值为“无”。
## 输出格式:
请按照以下JSON格式输出你的判断结果。所有字段的值必须是字符串。
{
"是否存在违规操作设备": "是",
"是否存在未佩戴安全帽": "否",
"违规类别": "违规操作设备"
}
第二步：上考卷，AI当考官
点击右下角的“验证Prompt”，跳转到调试页面。
首先进行单张图片的测试，点击“填写变量”，上传一张图片。
同时在右侧选择所需模型，这里我们选择带thinking的模型。
全部选择完毕后，点击“保存并生成模型答案”，
可以看到很快模型就给到了判断结果。
如果对结果不满意，可以点击下方的“去添加理想回答”。
在这里，可以自己添加理想回答，也可以打开“更多模型回答参考”，然后基于不同模型的不同回答去选择理想回答。
测完单张图没问题不代表模型就毕业了，
要记住，单个case场景有效不能证明prompt的普适性，我们必须经过严格的测试，才能得到更有意义的证明。
接着选择“批量评测”。
我们直接上传了一整个包含多张图片中的文件当“考卷”（评测集）。
Tip：这里有个小提示，数据集中的列名需要和变量名保持一致，才能完成批量上传~
点击生成，就可以批量对评测集的图片进行判定。
同时我们还可以添加理想回答，给模型评分，如果不想手动评分，也可以给AI一套评分标准。
比如，我们规定：“思考过程、判断、违规类别都跟标准答案一样，才给5分；否则就给1分。”
或者让AI帮助我们生成标准，标准一旦确定，PromptPilot就化身魔鬼考官，
唰唰唰地给所有模型回答自动打上了分数。
第三步：见证奇迹，一键优化
我们根据评测结果和评分结果，可以直接点“智能优化”。
PromptPilot会自己去琢磨那些高分和低分的答案，理解你的评分偏好，然后……它自己把Prompt给改了！
当然如果还是不满意还可以继续优化，这里就不再过多演示了。
刚才给大家看的是关于图片理解型的任务，接下来我们再来看一个文本型任务。
Case 2：品牌评价情感分类（文本理解任务）
任务：分析网上关于某个品牌的用户评论，判断好评差评，并提取负面评价的维度和产品名，输出JSON。
第一步：说人话，AI出Prompt
我们直接把需求发送给PromptPilot，让其自动生成Prompt。
如果对生成的prompt不满意，可以手动修改，也可以在右下角直接点击“优化你的Prompt”，在对话框内输入反馈/优化要求。
比如：你需要关注模型的思考过程。“请增加在<思考>标签，在<思考>中详细分析你对每条评价的情感判断、评价维度和产品名称识别的依据。”。
最后得到的prompt为：
第二步：上考卷，AI当考官
点击右下角的“验证Prompt”，跳转到调试页面。填写变量，选择模型，并生成模型回答。
如果对模型的回答不满意，可以继续优化Prompt，
或者添加理想回答指导模型做出满意的答复。
接着，继续可以进行批量评测和智能优化，上传case集，同时添加理想回答，给模型评分。
第三步：见证奇迹，一键优化
根据评测结果和评分结果，可以直接点击“智能优化”。
PromptPilot会自己去分析评测集的结果，然后生成分析报告。
分析报告的结果中，它会根据我们的评分标准自动优化Prompt直到分数有明显提升。
当然，如果我们企业有知识库的情况，它也同样支持引入知识库RAG的形式。
Case 3：医疗知识问答（知识库RAG）
任务：让AI扮演专业医生，根据我们提供的医疗知识来回答问题，不能自由发挥。
第一步：创建知识库并引用
在Prompt生成页面，点击“知识库”。
将我们提前准备好的资料上传上去，方便后续引用。
上传完成后，回到Prompt生成页面，输出需求并引用刚才上传的知识库。
可以看到引入知识库后，生成的Prompt中按疾病进行分类，并增加了很多专业词汇。
第二步：批量评测
我们直接对Prompt进行批量评测，上传一份包含疑难杂症的文件。
点击生成全部回答后，模型很快给出了包含可能的病因和判定依据的回答。
以上就是PromptPilot的几个简单应用场景，接下来我们来回答一下开头的几个问题：
有场景没思路的时候如何写Prompt？
甲木知道在很多时候我们都是了解需求场景，但没有办法把它转化成Prompt，
这时候我们可以去选择一个MetaPrompt（元提示词）帮我们根据自己所需去打造初版prompt的内容，然后进行调试，比如大家都知道的LangGPT提示词专家等等，
以及我之前给大家分享过的如何构建初版提示词的方法论文章，
归根结底一句话：“通过AI的能力拓展我们的行业knowhow，根据Prompt方法论帮我们完成场景prompt编写”
甲木在平时，也会有很多各行各业的应用场景不知悉，不清楚，
你不了解行业知识怎么能写好这个行业的应用Prompt呢？
这时候，虽然我不了解，但是AI了解啊，
它懂世界知识，我们就不断地跟它沟通，不断地跟它交流，告诉它我们的预期，再按照我们的方法论让它去进行整合和补充，
这样，我们就能完成初版prompt的构建。
而现在，有了更好的方案，
PromptPilot平台的设计初衷之一，就是为了解决这种“冷启动”困难。
它将这个过程从“苦思冥想”变成了“互动探索”。
当有场景没prompt思路时，不要把压力都放在自己身上。
可以利用PromptPilot等之类的工具成为一个优秀的“任务指挥官”。
只需要提出一个初始目标，然后通过不断的交互和反馈，让AI来帮助您探索、澄清和实现最终的意图。
生产级场景的Prompt如何构建与投产使用？
我们评判一个提示词的好与坏，不在于它一次任务的完成度有多好，而是能否在多次任务中都能够重复、有效、可稳定的实现目标任务。
这正是区分“玩具级”Prompt和“生产级”Prompt的核心标准。
生产级场景追求的不是一次惊艳的“神抽卡”，而是像工业流水线一样，高效率、高稳定性和可迭代地输出符合业务要求的结果。
这里可以给大家看个生产级场景中的case，真不是广告，我在生产级场景中一直在频繁的使用promptpilot工具。。
那么我的工作流是什么样的呢？也可以分享给大家：
简单来说四个核心阶段：开发与调试、批量评测、智能优化、投产与监控。
阶段一：开发与调试阶段 (从0到1)这是冷启动阶段，目标是快速将一个模糊的业务需求，转化为一个可用的、结构化的Prompt。
这里可以根据自己的任务描述通过PromptPilot（以下简称PP）生成初版prompt，也可以自己根据经验写prompt，拿我这个生产场景，是我自己写的。
然后进行单点验证，在业务场景中，在变量处填入自己的真实数据，进行prompt调试，
如果对生成的结果不满意，可以直接在局部进行修改，或通过对话向AI提出修改意见，
同样地，如果您手头没有现成的测试数据，还可以让AI根据Prompt上下文自动生成逼真的变量内容，帮助您验证和激发思路
阶段二：批量评测阶段 (从1到N)单一案例的成功不具备代表性。生产级的Prompt必须在大量的、多样化的数据上证明其稳定性。
构建评测数据集：准备一个包含数十甚至数百个案例的数据集（通常是Excel或CSV文件），其中应覆盖各种正常情况、边界情况和已知的Badcase。
建立客观评估标准：这是确保“稳定有效”的关键。您需要为“好结果”下一个明确、可量化的定义。PromptPilot支持AI辅助生成标准和自定义标准：
自动化评估与打分：PP将使用您的Prompt处理整个评测集，并根据您建立的标准，对每一个结果进行自动评分。
最终，您会得到一个关于当前Prompt版本的综合得分和详细的评分分布，让您对Prompt的整体表现有清晰、客观的认知（隐私原因暂不展示了）。
阶段三：智能优化阶段 (追求更优)有了量化的评估结果，下一步就是系统性地提升Prompt性能。
一键智能优化：基于带有评分的评测数据集，启动“智能优化”功能。PP会分析所有高分和低分案例，理解您的评估偏好和业务目标，然后自动进行多轮迭代，生成一个效果更好的新版Prompt。
查看优化报告：优化完成后，平台会提供一份详细的对比报告，清晰展示新旧版本Prompt的综合得分对比（例如从3.2分提升至4.8分）、评分分布变化以及具体的Prompt修改内容，让每一次优化的效果都一目了然。
当Prompt优化遇到瓶颈时，PP还可以判断是否需要发起精调，并与火山方舟的精调功能联动，实现模型级的深度优化，这块感兴趣的可以了解一下。
阶段四：投产与持续监控阶段 (闭环进化)一个生产级的Prompt不是交付后就结束了，它需要一个能在线上环境中持续进化的机制。
它支持版本管理与上线，将优化后、表现最佳的Prompt版本进行保存，并通过API或SDK集成到您的生产应用中。
（ps.可以看到，我每个场景都迭代了十几个版本...）
或许之后，我们的线上应用还可以调用PromptPilot的SDK，将生产环境中的真实调用数据（输入、输出、用户反馈等）反馈回系统。
之后自动对回流的线上数据进行“裁判”和评分，精准捕获Badcase。
这些来自真实场景的Badcase会成为最高质量的“新考题”，用于启动下一轮的“智能优化”，形成一个开发-评测-优化-投产-监控-再优化的自动化闭环。
通过以上四个阶段，
企业就能够将Prompt的构建从依赖个人经验和灵感的“手工业”，
转变为一个数据驱动、可量化、可迭代的“标准化工业生产流程”，
从而确保AI应用在生产环境中的长期稳定和高效。
当然，它们目前还有一些局限和可优化的点，比如：
seed-1.6模型，或者是其它场景输出的时候，<think> </think>标签内容可以收起，或者是，增加一个换行来区分，要不视觉上太不容易理解
或者是整体的token消耗数目前没有展示，如果能在对应区域把消耗的token数量，展示出来，这样大家才能从提示词稳定性和成本方面取得一个平衡，等等
作为一个对外发布没多长时间的工具，我们也应该对它多一些包容和理解~
期待以后PromptPilot越来越好~
更多内容
其实上午场和下午场还发布了很多有意思，又好玩有用的产品，
比如Responses API：写过Agent的兄弟都懂，管理多轮对话和工具调用有多烦人。 而这个API它原生支持上下文管理，能让多轮对话的开发成本和延迟大幅降低。更牛的是，它还能自主选择调用工具，你只管发请求，它能自己组合模型和工具来解决复杂任务，开发时间能大幅缩短。。
比如AI知识库：如果说普通RAG是给AI外挂一个U盘，那AI知识库就是给它配了个智能云盘+私人秘书。它能理解包括图像、视频和超大文件在内的海量多模态数据。
还有VikingDB：知识库&向量库：最后必须提一下支撑这一切的底层“核动力”——VikingDB。作为字节自研、支撑了抖音推荐系统多年的高性能向量数据库，它的性能和稳定性毋庸置疑。
还有实用的同声传译，围观了一堆人。。
哦对，聊了这么多，你肯定想问，这么牛的东西用起来贵不贵？
这就是为啥我觉得火山方舟这次特别有诚意的原因。他们推出了一个简单粗暴的「协作奖励计划」。
个人认证和企业认证都有，简单说，就是官方出钱让你来体验和测试，帮你省钱，顺便帮你把模型和应用打磨得更好用。
这种双赢的好事，上哪找去？活动持续到今年11月30日，赶紧冲！
结语
这一趟厦门执行，收获很大。
也借此机会，跟各位聊一下这三个话题，
「基于成本和效果平衡如何选择模型？」 「有场景没思路的时候如何写Prompt？」 「生产级场景的Prompt如何构建与投产使用？」
抛砖引玉，希望能给大家一些思路和启发。
我们正亲眼见证，AI应用开发正从一个依赖个人经验和灵感的“手工作坊”时代，
大步迈向一个有方法论、有工具链的“标准化工业”时代。
真正的AI落地，拼的不是某个单点技巧，而是全链路的工程化能力。
而这，或许就是这次巡展给我，也希望能带给大家的最大启发。
未来，我们与AI的关系将不再是简单的“人机交互”，而是一种深度的“意图共鸣”。
我们不再需要穷尽所有技术细节，只需怀揣清晰的愿景，就能借助愈发智能的工程化工具，
将心中的答案，
转化为改变世界的结果。
