[控场AI]
· 4 分钟阅读· 2,274 字

ChatGPT插件为何失败?AI技能库需降低发现门槛

ChatGPT插件为何失败?AI技能库需降低发现门槛

ChatGPT插件因用户发现和启用摩擦过大而失败,Agent自主调用技能才是理想形态。

ChatGPT插件曾被视为AI助手生态的重大突破,但几乎无人使用。一期YouTube分析视频指出,失败根源不在插件能力,而在于用户发现和安装的摩擦太大:用户需先知道插件存在,再搜索、了解并手动启用,大多数人在第一步就流失了。对比多个技能库的成败案例,成功者的共同特征是寻找和安装技能的摩擦更小。视频提炼出的关键经验是:让Agent主动寻找并使用技能,而非指望用户手动启用。Agent具备任务上下文,能在正确时机自动检索和挂载能力,用户感知到的是助手能力边界的自然延伸。因此技能库的竞争焦点应从技能数量转向调用率和场景命中率。

ChatGPT插件曾被视为AI助手生态的重大突破,但最终几乎无人使用。YouTube上的一期分析视频指出,问题不在于插件本身的能力,而在于用户发现和安装插件的摩擦太大。这期视频对比了多个技能库的成败案例,提炼出一条关键经验:让Agent主动寻找并使用技能,而不是指望用户手动启用。

The ones that work are generally the ones

插件失败的核心:用户根本不知道它存在

视频中反复强调一个细节:ChatGPT插件需要用户手动启用。这意味着用户首先要意识到插件功能的存在,然后主动搜索插件、了解用途、完成启用。对于绝大多数普通用户来说,这个链条的每一环都在流失。

“你得先找到它们,而大多数用户根本不知道有这回事,”视频指出。用户需要先发现功能,再去搜索里面有什么内容——“没人会这么做”。这不是产品设计的小瑕疵,而是整个分发逻辑的根本缺陷。插件生态的繁荣依赖于供给和需求的双向匹配,但当发现成本高到普通用户不愿承担时,再多的插件也只是沉默的库存。

ChatGPT插件是OpenAI于2023年3月推出的一项功能,允许第三方开发者将外部服务接入ChatGPT,使其能够调用网页浏览、代码执行、旅行预订等能力。用户需要在设置中手动开启插件功能,然后在对话界面通过下拉菜单浏览和安装插件,每次新对话还需重新选择启用的插件。这一机制意味着插件的曝光完全依赖用户主动探索,而非系统推荐或自动触发。插件生态在推出初期吸引了大量开发者提交,但实际调用率极低,OpenAI最终在2024年将其逐步整合进GPTs和自定义动作(Actions)体系中,插件作为独立形态基本退场。

成功的技能库做对了什么:减少摩擦

视频回顾了历史上多个技能库的兴衰,总结出成功者的共同特征:在寻找和安装技能的过程中摩擦更小。那些运转良好的技能库,往往让技能触手可及,甚至不需要用户专门去“安装”这一步。

hey, I'm going to go and use this.

这个观察其实指向一个更普适的产品原则:任何需要用户额外学习成本的功能,都会在规模化时遇到天花板。插件模式把选择权和操作负担同时压在用户身上,而用户既缺乏耐心,也缺乏足够的上下文来判断哪个插件值得启用。

Agent自主调用才是理想形态

视频给出的解法很明确:在Agent场景下,理想状态是Agent自己决定“我要去用这个技能”,而不是让用户来决策一切。这相当于把技能发现和调用的责任从用户转移到Agent身上。

And it was a huge pain.

这一判断与当前AI产品的演进方向吻合。Agent具备任务上下文,知道当前要解决什么问题,因此比用户更清楚在什么时刻需要什么能力。如果技能库能够被Agent自动检索和挂载,用户感知到的就不是“插件”这个独立概念,而是助手能力边界的自然延伸。

Agent(智能体)指能够感知环境、自主决策并执行多步任务的AI系统。与被动响应的聊天机器人不同,Agent具备任务规划、工具调用和上下文记忆能力,可以在用户给出目标后自行选择所需工具或技能。在技能调用场景中,Agent自主模式意味着系统根据当前任务上下文自动检索并挂载相关能力,而非等待用户从菜单中挑选。这与传统的函数调用(function calling)机制一脉相承:大模型在生成回复时输出结构化调用指令,由运行时环境执行对应工具并回传结果。区别在于,Agent自主发现技能需要额外的检索层——在大量技能中语义匹配当前需求,这比预定义工具列表更复杂,也是当前技能库设计的核心挑战。

发现机制比技能数量更重要

视频中有一句话点出了问题的本质:“Agent需要找到它们,并把它们带到你的注意力范围内。”这句话把技能库的竞争焦点从“谁有更多技能”转移到“谁能更好地把技能送到需要的时刻”。

So they need to discover the feature,

对构建AI应用或Agent平台的团队来说,这意味着评估指标要变。技能总数不是护城河,技能的调用率和场景命中率才是。设计上需要回答的是:Agent能不能在正确时机自动发现相关技能?技能被调用时用户是否需要额外确认?启用流程能不能压缩到零?

ChatGPT插件的教训不在于插件这种形态没有价值,而在于它把发现成本留给了最没有动力承担的人。当Agent成为调用主体,技能库才可能从“用户去翻目录”变成“能力按需出现”。这也是当下技能生态重新活跃时,最值得记住的一条设计原则。

调用率和场景命中率是衡量技能分发效率的两个关键指标。调用率指技能在一定时间内被实际调用的次数占曝光次数的比例;场景命中率指在需要某类能力的任务中,系统正确检索并调用对应技能的比例。这两个指标共同反映发现机制的有效性:技能数量再多,如果Agent在正确时机无法检索到,或用户需要额外确认才能启用,调用率就会趋近于零。与之对比,技能总数只是供给侧指标,无法反映需求侧的匹配效率。对平台而言,优化发现机制意味着构建语义检索层、降低确认步骤、让技能在任务上下文中自动浮现,而非依赖目录式浏览。

#ChatGPT插件#AI技能库#Agent技能调用#插件失败原因#AI Agent#技能发现机制
分享:

相关推荐