人们评估一个产品乃至其他生物是否智能，评判标准主要是有多少分像人；乍一听你可能并不十分同意我这句话，但是你稍微停下来想一想——当你平时说一个智能产品“很智能哎”“很不智能哎”的时候，你是不是也下意识用了这种标准呢？
所以我这里用的词是智能感而不是智能程度，因为这部分工作本身与技术无关；而在于产品经理对于用户使用感受的拿捏，和对人类行为的理解深度。
唯有清楚人在某些场景下的反应，才能设计智能助理的反馈，使其更像人，进而看起来很智能。
那么PM在这里要做些什么呢？笔者归纳了如下几条。
一、精细化拆分对话场景
设计或者观察用户在实际使用产品中的需求，尽可能按照最小颗粒度的场景去划分。
依然以买奶茶为例，一级场景可能是“购买奶茶” “询问新品”；二级场景是在一级场景下的细分，比如询问新品之后，可能会继续问新品的口味是怎样；三级场景可能是问过口味之后要下单或者放弃。
这里要尽可能拆到最细节的程度，细到能预估到用户可能的每一个反应，然后对应每种反应给出不一样的反馈。
拆解的颗粒度，设置反馈的丰富程度，对于产品的智能感起到了决定性的作用；试想一下，粗糙和细腻的助理，就像一个只会说“奶盖今天卖完了”和一个会说“奶盖今天卖完了，要不要试试新品芭蕾可可？”的区别。
当然越精细成本越高，PM和开发都要投入更多时间，但是好的体验一定是与成本投入分不开的。
二、反馈设计拟人化
要像人，就要尽可能要用人的口气说话。
也分两个方面：
一是在话术上，尽量从“人在这种时候要怎么处理”的角度出发，去设计智能助理的回复；
二是在智能助理发声时，效果上肯定是用人工录好的声音>参考了人工音色的TTS>纯机器TTS（Text To Sound，文本转语音）。
但第一种方式仅适用于固定文本的，比如你可能收到过一些以假乱真的电话；第二种成本稍高，比如导航中的志玲姐姐；第三种较为常用。
不过由于汉语有很多多音字和轻音重音的变化，所以实践中还是有很多细节要调整。
三、结合用户数据与业务数据
一般来说，人们在无预期的情况下被猜中了心思，就会觉得对方聪明；给产品增添智能感也是这样，与CRM关系很大。
比如用户常买四季奶青，那么当这位用户又来点单时，优先推荐他常买的，大概率会被接受；或者根据用户画像，发现某用户是喜欢尝试新品的人，那么可以优先告知他新上的种类。
这里就跟推荐算法有一定的关系了；不过我们这期的重点在于结合用户数据的思维，体会即可。
四、实践中调整识别效果
通常人们在表达的时候，同样的词汇有不同的倾向，不同的场景也会导致同一个词指代不同的意义；所以甚至可能出现，同一句话在不同场景下的意思完全不同，比如说“我看看吧”也许是表达看看新品——也许是表达自己再考虑一下。
所以在落地过程中，要密切观察产品效果，根据用户反馈实时调整训练的方向。
今天的内容差不多就是这些了，下一篇会聊聊智能助理目前的应用场景。
另外由于一些个人原因，自上一篇发完到现在已经是五个月过去了……后面会尽量保持更新速度。
