Gamma 拆解：一份幻灯片背后调用 200 次模型
Gamma 联创 Jon Noronha 说，用户拿到一份成品演示稿，背后约有 20 个模型、200 次调用，其中包括几轮视觉质检。
- 谁·场景
- Gamma 联合创始人、首席产品官 Jon Noronha，在 Greg Isenberg 的播客里讲解公司今年把产品重做成 agent 的过程。
- 怎么用
- 云端沙盒读取用户文件，先弹出表单追问用途，再生成大纲、匹配模板、并行生成文字和图片，最后由视觉模型逐页查错并多轮修复。
- 结果
- 他说一份演示稿约用 20 个模型、200 次调用；产品价值 98% 来自 prompt，fine-tuning 主要用来降成本。判断模型或 prompt 好坏，主要看付费转化。
- 你可以试
- 想做垂直 agent，先列出这个领域里你独有的工具、数据或审美，再设计一个「生成→自查→修复」的循环。
- 注意
- 他认为最适合的是主观性强、用户在意细节的领域，比如设计和游戏；法律科技这类方向他觉得已经太挤。
Jon Noronha 在 Greg Isenberg 的节目里，把用户一次输入之后的流程讲了一遍。前 10 秒先问用户「这份稿子给谁看」，并从 Notion、Slack 等连接器拉取上下文。生成大纲、挑模板前已经调用了三四十次。生成完成后，视觉模型逐页检查文字错位、人像被裁、对比度不对，修几轮再交给用户。他说现成模型做这种质检效果不好，Gamma 在自己训练专用模型。
评估方面，他说「好不好看」很难写成 eval。Gamma 更依赖大规模 A/B 测试，观察编辑时长、分享导出和付费转化，其中付费最难造假。一次「快速模式」实验里，保留一些必要的摩擦反而带来了更高的付费转化。
对小团队来说，他给的门槛是：先用现成闭源模型把使用量做起来，有了真实用户，再考虑微调。