eLLMo 项目

在这个案例研究中，我们探索了eLLMo的开发，这是一个创新的AI辅助聊天对话UI，旨在改善ZipRecruiter用户的求职体验。

作为产品设计VP，我领导了这个项目的战略和产品设计。两位设计师Yutong Feng和Jihye Woo帮助创建了设计。

eLLMo已上线，快来试试： ZipRecruiter.com

ZipRecruiter面临一个挑战：超过一半的访客没有特定的职位头衔就到达了网站。这些'空白搜索者'在一个为基于职位头衔搜索和活动驱动匹配系统设计的网站上挣扎。结果往往是不相关的推荐。

我们的目标受众是18-65岁的美国求职者，主要是25-40岁的专业人士，包括早期职业人士和熟练及非熟练岗位的职业转换者，他们拥有多样的技能和偏好，但对特定职位头衔不确定。

我共同领导了一个由50多名创新者组成的充满活力的跨职能团队，汇集了产品营销人员、用户研究员、数据科学家、工程师、产品经理和两位首席产品设计师，共同应对这一变革性挑战。

我们收集洞察的方法是全面和多方面的。我们从产品营销团队的定量调查开始，对ZipRecruiter用户和美国求职者进行了广泛概述。

最后，我们分析了当前的网站体验和用户行为，清晰地了解了人们实际如何与我们的平台互动。

我在项目早期阶段进行提示工程时创建了这些原则。下面是我在当时的GPT 4.0中探索技术边界的OpenAI Playground截图。

我的基础提示长度为1,397个token，经过一周的实验开发而成。想象LLM如何实现独特且有用的用户体验对项目的成功至关重要。

我们的设计流程既系统又充满活力。我们从既定原则开始，但很快适应。数据科学家和产品经理提供了重要的输入，重塑了我们的初始概念。

为了测试我们的想法，我们构建了一个沙盒版本。真实用户与之互动，提供了宝贵的反馈。这导致了在沙盒中进行多轮用户深度访谈和进一步改进。

我们的迭代设计流程带来了几项关键改进。我们改用选择题，并将问题数量限制在5个，减少了用户的工作量。添加了新的'介绍一下自己'提示来个性化体验。

设计最终确定后，我们与开发团队紧密合作，确保精确实施。每个细节都被仔细地从设计转换为代码。新版本准备就绪后，我们启动了A/B测试与原版进行比较。

eLLMo的推出带来了显著变化。用户满意度飙升，96%对职位推荐感到满意，82%赞扬了创新方法。

参与度激增。首次职位点击翻了一番多，注册完成率从82%上升到89%。

尽管增加了步骤，用户报告称摩擦减少、个性化改善、导航更容易。

将LLM技术整合到我们的产品中最初遇到了领导层的阻力。为了克服这一点，我采取了三管齐下的方法。首先，我使用OpenAI的Playground实时演示技术能力。然后，我提出了潜在用户利益的清晰愿景。