深度｜对话 Perplexity 产品负责人：Perplexity 如何用 AI 构建 AI ？

2024-05-0709:01

有新Newin

2024-05-07 09:01

有新Newin

2024-05-07 09:01

收藏文章

订阅专栏

Perplexity 成立不到两年，已经成为许多人每天多次使用的产品，甚至取代了许多 Google 搜索。Perplexity 团队不足 50 人，但用户群已增长至数千万，并创造了超过 2000 万美元的 ARR。

节前分享了 Perplexity CTO Denis Yarats 关于 Perplexity 产品演变、AI 技术以及商业模式的思考。Denis 谈到，Perplexity 当前的订阅是主要模式，未来肯定会有其他的东西，不排除广告，但像 Google 现在所做的广告形式可能不是 Perplexity 要做的，可以通过有效方法让广告成为对用户有益的方式，如果广告有帮助的话，人们其实并不介意广告。

今天分享的是 Perpleixty 产品负责人 Johnny Ho 最新思考，补充了 Perpleixty 产品设计、项目管理工具、团队管理以及文化等细节。

在不到 50 人的团队，包括了 2 名全职产品经理，并向产品负责人汇报。Perplexity 内部很早开始便利用 AI 工具，如 GPT 来帮助解决产品管理、项目管理、财务等初创公司面临的各种挑战，快速启动工作流程。在 Perplexity 内部，其产品路线图和技术路线图相辅相成，根据模型发展灵活调整，并且每季度重新评估优先级。

他表示，PM 工作中最困难也是最重要的部分是对用例进行品味。借助 AI ，你可以处理太多可能的用例。因此，PM 必须介入并根据数据、用户研究等做出分支定性决策，当团队没有 PM 时，其他成员就会承担 PM 的职责，例如调整范围、做出面向用户的决策以及相信自己的品味。

以下为 Johnny Ho 分享的全部内容：

如何使用 Perplexity 中的 AI 工具来构建 Perplexity？

老实说，一开始，我们不知道如何做各种事情，包括产品管理、项目管理、财务、人力资源等。我们很早就接触到了 GPT-3，当我们在想如何做的时候，我们会通过 AI 问 “X 是什么？”来开始一切。接着询问“我们如何正确地做某事？”

例如，我们提出了诸如“你如何推出产品？启动过程应该采取哪些步骤？”你会得到一个粗略的逐步过程，这对于初创公司来说已经足够好了。显然，第一次尝试通常是不正确的，但人类也不是，对吧？所以我们就从那里自然地迭代。

尝试自己解决问题需要几天的时间，但有了 AI 和一些提示，我们可以在五分钟内开始工作。我们还在做这个：

例如，本周，我问 Perplexity：“我如何写一封邀请某人使用 Perplexity Pro 的电子邮件？”我们甚至有时尝试使用它来构建我们的产品，但我们发现 AI 工具在编码方面还不够好。它可以帮助我们编写脚本，但如果你想要可持续的代码来构建平台，它并没有真正起作用。即使在今天，随着技术的进步和最新的模型，它仍然只编写模板。你无法真正用它设计一个新的、长期存在的抽象。

你们有多少位 PM？

在我们 50 名员工的组织中，只有两名全职产品经理。

你们的成功很大程度上归功于良好的招聘和保持很高的标准。招聘时最看重什么？

鉴于我们的工作节奏，我们首先寻求灵活性和主动性。在资源有限的环境中进行建设性建设的能力（可能需要身兼数职）对我们来说是最重要的。

当你查看产品经理的简历时，你会发现很多人都会优先考虑帮助其他人并找到一致性。我相信随着 AI 的出现，这一点变得不那么重要了。因此，你不一定需要那么多管理流程或领导人员的技能。我们寻找对用户而不是对公司内部有明显定量影响的强大 IC。如果我在简历中看到“敏捷专家”或“Scrum Master”等术语，那么它可能不太合适。

此外， AI 还允许产品经理做更多的 IC 工作，特别是数据分析和客户洞察。当然，你仍然需要一些基础知识（即数学、统计、编程的基本掌握），但成为真正的“技术”PM 从未如此简单。

我们仍然会选择适合文化且易于合作的人，但我们不再寻找指导他人工作的人，因为这对于 AI 来说并不那么必要。当我们达到一定规模时，这种情况可能会发生变化，但在目前的规模下，需要构建的产品远多于开发这些产品的人员。

我认为未来，我预计整个行业的管理层级会减少。如果我不得不猜测的话，随着时间的推移，技术 PM 或具有产品品味的工程师将成为公司中最有价值的人员。

你是否围绕产品、用户类型、用户旅程、结果或介于两者之间的其他因素来构建团队？这些年来这种情况有变化吗？

我的目标是围绕最大限度地减少“协调逆风”来构建团队，粗略的想法是，协调成本（由不确定性和分歧引起）随着规模的扩大而增加，并且增加经理并不能改善情况。人们的激励变得失调。人们倾向于对他们的经理撒谎，而经理又对他们的经理撒谎。如果你想与组织中其他部门的人交谈，你必须上两层、下两层，一路询问每个人。

相反，你想要做的是保持总体目标一致，并通过共享可重用的指南和流程来并行化指向该目标的项目。特别是随着 AI 的进步，通过使用 AI 调试你的想法，而不是依赖完美的一致性和共识，可以最大限度地降低协调成本。我们还在内部文档中更新了“名人录”列表，如果你觉得需要联系任何人，就这样做吧。这需要高度的信任。

但更重要的是，有了 AI ，你不必经常与人接触。有时，在问你要问别人的问题之前，你可以先尝试花一分钟要求 AI 降低协调成本，并给每个人一个合理的起点，让他们自己做这件事。

困惑已经存在了不到两年的时间，而 AI 领域的变化如此之快，以至于很难再做出超越的承诺。我们制定季度计划。在几个季度内，我们尝试在产品路线图中保持计划稳定。该路线图有一些每个人都知道的大型项目，以及我们随着优先级变化而转移的小任务。灵活性至关重要，因为 AI 的发展往往会产生不可预见的影响。例如，开源模型和上下文长度的快速发展对产品、路线图和整体业务产生了下游影响。就在最近，Meta 发布了 Llama 3，Mistral 发布了 8x22B；我们正在寻找在我们的产品中使用这些模型的创造性方法。

产品路线图中的项目也需要灵活，因为新产品开发与技术 / 模型开发路线图并行运行。工程师根据周的情况在维护现有产品和开发新产品之间切换。当我们遇到现有系统的局限性并积累技术债务时，技术路线图往往会快速增长，但我们会尝试优先考虑能够解锁产品改进的技术债务。

不过，在一周内，计划相当稳定。每周我们都会举行一次启动会议，每个人都会为自己的一周设定高水平的期望。我们有一种设定 75% 每周目标的文化：每个人都确定本周的首要任务，并努力在周末前实现其中的 75%。只需几个要点即可确保本周的优先事项明确。

你是否以某种形式使用 OKR？

我们在季度规划中尽可能做到严格和数据驱动。所有目标都是可衡量的，无论是可量化的阈值还是布尔值“X 是否完成”。我们的目标非常激进，通常在季度末我们只在一个方向或另一个方向完成 70%。剩下的 30% 有助于确定优先级和人员配置方面的差距。例如，当基础设施目标未能实现时，在雇用基础设施工程师方面的投资不足很快就会显现出来。

在确定了中心目标和高层设计之后，我们会尝试在决策过程中实现相当分散的权力。项目由单个 DRI 驱动，并且执行步骤尽可能并行完成。

任何项目的第一步都是尽可能将其分解为并行任务，以减少协调问题。我们在 Linear 中完成这项工作，我与团队中的 PM（或任何负责 PM 职责的人）一起领导这项工作。我们努力使每项任务都是独立的——你应该能够在没有障碍的情况下执行它。你可能不得不做出一些有争议的决定，但你可以稍后解决这些争议。

汇报关系如何进行的？

目前，团队是按职能（产品、研发、设计、业务等）构建的，不同的团队考虑公司和堆栈的不同层面。但所有精力都集中在改进核心产品上。我们设计的目标可转化为通用的顶级指标并全面改善用户体验。例如，所有团队在其堆栈层内进行 A/B 测试时共享通用的顶级指标。由于产品变化如此之快，我们希望避免任何人的身份与产品的任何给定组件绑定的政治问题。

就我们目前的规模而言，我们的设计是扁平化的，报告结构并不像对顶层目标的承诺那样规定优先事项。我们的两名全职产品经理（一名网络产品经理和一名移动产品经理）向我汇报，担任产品主管。我们发现，当团队没有 PM 时，团队成员就会承担 PM 的职责，例如调整范围、做出面向用户的决策以及相信自己的品味。

你打造了最受欢迎、最成功的产品之一。你认为产品取得如此成功的独特之处或核心是什么？

我们方法的核心是收集用户和内部的反馈，并将其提炼成一些可以为许多客户服务的直观产品。我们还尝试以一种激励和告知我们团队的方式提炼反馈，设定广阔的愿景，但让个人控制自己的决定，决定什么最能服务于最初的目标。我们的去中心化决策方法传递了责任的火炬，无需审批流程即可实现快节奏的迭代。个人会做出紧急的、局部最优的决策。任何错位都会很快得到解决。

你用于任务管理和错误跟踪的主要工具是什么？

Linear。对于 AI 产品来说，任务、错误和项目之间的界限变得模糊，但我们发现 Linear 中的许多概念非常重要，例如线索、分类、规模调整等。我最喜欢的一个功能是自动存档——如果某项任务有一段时间没有被提及，那么很可能它实际上并不重要。

我们用来存储路线图和里程碑规划等事实来源的主要工具是 Notion 。我们在设计文档和 RFC 的开发过程中使用 Notion，然后用于文档、事后分析和历史记录。将想法写在纸上（记录思路链）可以使决策更加清晰，并且可以更轻松地协调异步并避免会议。

Unwrap.ai 是我们最近推出的一款工具，用于整合、记录和量化定性反馈。由于 AI 的性质，许多问题并不总是具有足够的确定性来归类为错误。Unwrap 将各个反馈分组为更具体的主题和改进领域。

你认为路线图想法主要是自上而下（团队被告知要构建什么）还是自下而上（团队通常提出想法）？

高层目标和方向是自上而下的，但大量新想法是自下而上提出的。我们坚信，工程和设计应该对想法和细节拥有所有权，特别是对于 AI 产品来说，在想法转化为代码和模型之前，限制是不知道的。大量的头脑风暴一直在进行。我们在 Slack 中有一个专门的头脑风暴频道，在 Linear 中收集后续想法，并且通常无需任何人询问就可以直接编写代码。

自下而上的想法的最佳例子可以在 Perplexity 的发现、收集和共享体验中看到。例如，正如我上面分享的，我们的品牌设计师 Phi 构建了 Discover Daily 播客，同时围绕脚本、ElevenLabs 集成、品牌和音频工程做出决策。对于 AI ，在产品迭代发布之前不可能预测用例。一年前，我们绝不会预料到 Discover 体验最终会被内置到播客中。

当人们从外面看到像你这样的公司时，一切看起来都很完美，就像你已经把一切都搞清楚了。有哪些事情进展不顺利或遇到了巨大的挑战？

今天的重大挑战围绕着将我们当前的规模扩大到新的水平，无论是在招聘方面还是在执行和规划方面。我们不想失去在非常扁平和协作的环境中工作的核心身份。即使是很小的决定，比如如何组织 Slack 和 Linear，也可能很难扩展。我们目前正在努力解决的问题是，在不导致通知激增的情况下，尝试保持透明度并扩大渠道和项目的数量。