自从几个月前我开始用 AI 改造热量记录工具，发现效果不错之后，我就开始琢磨用 AI 干点更复杂的事情，想必很多人都和我一样，对于网络上铺天盖地的AI毁灭世界论，以及实际上看到最多的例子就是用AI来生成色图和软文的现状，感到有点不满。

在这篇文章，我会讲述一个实际例子，一个试图让 AI 能力和复杂逻辑相结合，成为一个更好用的工具的例子，在这个过程中，我也发现了在面对多维复杂性时——输入的复杂和处理的复杂，即便是最顶尖的 AI 模型也难以解决的问题。

Google Analytics

我是一个Google Analytics( Google 统计)的用户，Google统计，也被称之为 GA，应该是最老牌的网站统计服务之一，网站统计服务，某种意义上，是任何网站和 app 都必须使用的服务，你只需要在代码中植入一小段，然后就能直观的看到你的网站有多少人来过，他们看了些什么，他们从哪里来等等。

去年，Google 统计进行了改版，升级为了 GA4，这项升级前卫但复杂，很多老用户对新版 Google 统计感到茫然，因为熟悉的东西都没了，想看一些针对性的数据，需要自己创建报告，这又是一个极其复杂的页面：

搭配 GA4，Google 也一起发布了新的 API，调用这些 API，可以从GA 获得任何你想要的数据。因此，当我看到 openai 发布 functions 功能后，我开始意识到，我也许能用AI来改造 GA，让它更人性化一点。

GPT functions

我的构想非常简单，用户输入希望看到的数据，交由 gpt functions 转化为需要调用的API，然后再去 GA调用API，然后将获得的数据进行渲染。

但当我真正开始了解 gpt functions 的时候，我发现这里还差得远。

首先 gpt functions 支持的参数类型非常有限，主要是枚举和字符串，但是当我需要以数组类型传递参数，并且数组包含的值是枚举中的不确定的几个的时候，functions 就完全没办法实现。

然而让我懵逼的不是这个，而是即便我按照文档，在输入中确定了枚举的值，gpt 依然会有幻觉，捏造出一个不在枚举中的字符串。这种情况的 GPT 有点类似于下面的领导。

解决这两个问题花费了我大量时间，事实是我其实没办法「解决」，而只是「绕过」了这些问题，我根据 Google 文档，手写了大量规则来修正模型输出的错误。

在这些工作完成后，我终于可以做出一个 demo，它具备这样的能力：你直接描述你想要看到什么数据，然后就能看到，例如：

这个原型产品其实花费了我大量的精力，因为我需要把 Google的 API 全部捋一遍，在这个过程中，我发现了我面对的这些 API 的复杂之处。

GA 的核心 API，叫做 runReport，核心参数主要有两个，一个是维度（dimension），一个是指标（metric），例如，把城市设定为纬度，总用户设定为指标，那么就能获取每个城市的用户：

GA 支持相当多的纬度和相当多的指标（大几十种）

将这些指标和纬度告诉 gpt，并让其选择合适的，似乎行得通，但马上我们会遇到更复杂一些的情况。

GA 的接口，支持你传入多个纬度和多个指标，这让获得的数据变成了多维的，例如，维度设定为「城市」和「日期」，指标依然是「总用户」，那么 GA 会将每个城市和每天的总用户都输出，当我需要知道北京11月21日有多少用户访问时，合理的设置多个纬度就可以达到这个目的。

但这只是第一层的复杂度，即多维度，多指标。

GA 同时支持一个叫做「筛选」的参数，这个筛选参数非常复杂，也非常强大，它支持纬度的筛选和指标的筛选，并且每个筛选都支持多种控制逻辑：和/与/非

而在和/与/非逻辑之中，还可以设定匹配类型和匹配逻辑，甚至可以写正则。 同样在上面的例子中，如果我想知道「北京11月21日有多少用户访问」，除了设定多个纬度之外，更简单的办法则是设置单一维度「日期」，但是将筛选项设定为「城市包含北京」

这是第二层复杂度，即筛选逻辑的控制。

然而，GA 还有一个接口，即 batchRunReports，同时获取多个数据报告，每个报告都包含独立的纬度，指标和筛选，并汇总给你，在面对相当复杂的需求时，往往需要汇总多个报告的数据才能达到目的，而这是第三层复杂度。

在梳理 API 的同时，我也在对 GPT 能力进行实验，我发现即便还不涉及到第一种复杂度，gpt functions已经错误频出，而当我要求其设置多个纬度和参数时，给出的结果更是糟糕——我用的是GPT4，这应该是目前最智慧的大模型。

GPT 似乎只能处理最简单的情况，例如「过去一周的活跃用户」或「最受欢迎的页面有哪些」，这些情况仅下，需要一个纬度和一个指标就能获得合适的数据，但如果我的需求描述的再复杂一点，例如「来自北京的用户最喜欢浏览什么页面」，那么极大概率 GPT 就无法给出正确的参数。

讲道理，如果因为上面的问题，认为 GPT 很愚蠢，那就很愚蠢了，因为我给 GPT 的任务，其实是复杂的数据分析任务，这里面需要：

1.判断用户的问题和需求
2.筛选可能适合的字段和接口使用方式
3.合理的使用这些字段，得到精确的调用参数

这些需求并不简单，能够从 GA 中手动获取到「来自北京的用户最喜欢浏览什么页面」，并且进一步给出一些建议和结论的人，理论上已经可以胜任初级的数据分析师了，拿几千块钱一个月应该问题不大。

可能的办法

事实上，确实可以通过一些办法来提高效果，例如，用 agent 思维，将一个查询拆分成多个数据获取任务，然后每个任务都通过GPT 函数给出接口运行的参数，然后再进行汇总。

但这个过程过于复杂，而且很难进行完全的工程化，还会造成成本直接提高数倍，所以目前还很难运用到项目上。

另一种方案是将 gpt 进行微调，喂入 GA API 文档的相关数据，理论上这应该可以让模型对接口更熟悉，也会更容易给出合理的参数，但是这一步成本则更加高昂，并且 GPT4 还没有微调的接口开放，所以我没有测试。

正因为如此，这个项目我撸了一周之后，发现它变得有点鸡肋：它确实实现了将口语表达的查询，转化成直接的数据图表和结论，但当你的需求比较复杂的时候，它则会失效，而后者，才是我开始希望做这个产品的原因。

目前这个产品我已经发布到线上了，虽然我设置了付费计划，但我不认为真的会有人愿意为之付费，因为就目前的能力来说，它能获取的数据只有最浅表的一层，能够给出的结论和分析也浮于表面，如果你感兴趣，可以直接去试试看（GACopilot）。

但另一方面，我毫不怀疑，随着模型能力的提高，或者一些新的模型工具和使用思维的诞生，这一工具可以变得更有用，我也确信，当下的这些问题并非能够通过 prompt 工程来解决，也正因为如此，这才是一个更有价值的 AI 能力的应用方向。

这是我的一点探索，大模型事实上已经进入我们的日常生活了，但我认为还只是一个非常早期的开始，与我们息息相关的越来越多的东西都会融入大模型的能力，但很明显，离 AGI 或者能毁灭人类，还有相当遥远的时间。

我的微信公众号~