相关动态
5年后，你手机上的购物App会消失
内容来源：笔记侠PP E（政经哲）课程26级美国站《创新英雄》现场分享。责编 | 贾宁 第 9889 篇深度好文：8985 字 | 20 分钟阅读 商业 趋势 电商 巨头亚马逊，在 AI 时代正在 如何实践 Agent，拥抱AI 时代？今天 的内容，来自笔记侠PPE（政经 哲）课程2 6级美国站《创新英雄 》现场分享 的精华部分，分享人是前亚马逊R ufus项 目（AI助手）创始成 员，内容以 第一人称展开。
这次美国之行 ，笔记侠和一 批优秀的中国第五代企业家，在硅 谷和西雅图双 城，展开了深度的现场学习和实践 ，相关内容请 点击链接了解： 万维钢：未来几 年，人只剩两 件事可干 人生拼到最后，拼的是 心力 过了明 年和后年，这个机会就轮不到你了 希望今天的 分享，对你有所启发。
一、从卖书到 AI购物， 今天的亚马逊在做什么？1.先解决一个问题，别急着做万能Age nt 很多企 业做AI项目 时，第一反应是："我们要不要做一个Agent？&q uot; A gent，中 文通常翻译为"智能体"，指的是能够理解目 标、调用工具 、拆解任务并 连续执行多步操作的AI系统。
它不只是回答问题 ，还可以 帮用户完成搜索、比较、填写、下单 、分析、整理等一 系列动作 。听上去很有吸引 力，但问题也从这 里开始。很多企业 还没有想 清楚客户到底遇到 了什么问题，就先 决定做一个Age nt。亚 马逊的Rufus 项目，提供了一个 相反的案例。这个 项目在2 023年启动时，最初只有七八个人 ，后期也不到20 人，用大 约两个月做出了一 个小型演示版本。
项目后来获得认可，团队才逐步扩大到数百人，并继续向完善的AI购物助手发展。亚马逊当时面对的实际问题非常具体：平台商品越来越多，用户搜索一个普通商品，可能会得到几百甚至几千个结果；评论中存在刷评现象，用户很难判断哪些信息可信；选择太多，反而让人更难做决定。
所以，Rufus没有 一开始就把 自己定义成一个什么都能做的超级 助手，而是先做导购。它要做的事 情很简单：理解用户的需求，整理商品信息，解释不同选项的差异，最后给用户 两三个更值 得考虑的选择。购物在这里被重新 理解成了两个问题：一个是选择困 难，一个是 信任不足。
这就是 亚马逊做Ru fus时最重 要的判 断。它没有先 问" ;AI现在能 做什么 "，而是先问"客 户现在 最需要什么"。做Agent 时一定 要先定义边界 。今天的AI 可以完成很多 事情，但并不意味着 它适合解决所 有问题。企业 如果看 到几个很酷的 AI演示，就 决定把所有流 程都A I化，往往会 迅速陷入混乱 。
模型能力越强，任务范围越 大，数据、权 限、流程和错误处理就越复杂。亚马逊的做法，是先把问题缩小，再把结果做深。2.算力是亚 马逊给未来准备的筹码 如果只把亚马逊看成一家电商公司，就很难理解它为什么 能在AI时代 保持竞争力。亚马逊从1994年在线卖书起步，后来扩展到全品类零售、云服务 、智能硬件、线下商超等多个领域。
AWS(Amazon W eb Servi ces，亚马逊云服务)如 今已经成为亚马逊 最重要的业务板块 之一，也是其AI基础设施 的重要组成部分。AI时代的竞争，仍然要落到基础设施和供应 链上。亚马逊有一 个布局挺让人敬佩 的，我在亚马逊工作时，G PU（图形处理器 ）非常充足，永远 不会为GPU担心，没有人 会为算力发愁。
亚马逊提前布局 GPU算力，从 一开始H100 、H200、B 200，现在到 B300、GB 300，因此内 部团队使用算力 时相对充足。亚 马逊不愧是做供 应链出身的，算 力其实也是供应 链产品，需要C PU、网络、光 纤、盖机房，这 一套东西下来了 是很吃供应链能 力的。
在微软和谷歌时，反而经常遇到算 力排队的问题。亚马逊未必是最早喊出AI口 号的公司，却很早做好了基础设施 准备。亚马逊原本储备算力，可能主要是为了 搜索、推荐和云计算业务。生成式 AI兴起之后，这些提前投入的资源突然有了 新的用途。这就是长期投入的价值 ，它未必一开始就能带来收入，却可能在未来 出现新机会时，让企业拥有更快的 反应速度。
3.一个完整的AI 底盘 亚马逊 Echo智能 音箱也是同样的逻辑 。这是亚马逊 推出的智能音 箱，这类硬件本身并 不一定以硬件 利润为主要目 标，主要是为了提高 购物的体验，它更重要的作 用，是把语音交互接 入购物场景。可以在硬件上 和亚马逊的商城说：今天我们家洗 衣液没了，给 我加点洗衣液。
用户可以直接对设备说家里的洗衣液用完了，让系统帮 忙补货。当对 话式AI能力 还不成熟时，Echo更像一个智能家居设备；当模型能力提升之后 ，AI一下子 就对话了，能 聊天了，而且 聊天越来越好了，它又可能成为购物入口。以前想做这 么一个功能的 时候，AI还 没有现在这么 厉害。
后来忽然 发现，AI一下子就对话了，能聊天了，而且 聊天越来越好了，亚马逊又一下子投资了Anthropic，Anthropi c的模型又是最好的，导致现在的Echo最 好卖。这样一来，亚马逊的几种能力就连接起来了： AWS提 供算力，供应链负 责提前准备基础设施，电商平台提供真实交易 场景，Echo提 供入口，用户行为沉淀为数据，模型则负责理 解和执行。
现在，亚马逊是Anthropic的重要投资方甚至是最大投资方，导致现在的Echo最好卖。亚马逊公司属于资源型企业，堆资源之后可以把事情做好，但是要说纯创新型，亚马逊这么多年的创新能力，肯定不如创业公司。在国内也是一样的道理，最好的模型不是大公司做的。
二、Age nt不是魔 法 1.一定要搞清楚 你的Age nt，到底要解决什么问题 做A gent这 个东西，一开始很酷，但是Age nt越往后，问题越多，犯的错也 越多。做一 个Agent的话，最 重要的是你 要想清楚，Agent不是万能。做Agen t，一定要永远问自己 的一个点：Agent的边界在哪里？
当时，sho ppe、eBay、沃尔玛等美国 电商平台都在 做一模一样的Agent，它们也 不差钱，但是 都失败了，最后都没推出来。但是 亚马逊至少推 出来了，而且大家的使用量也在逐 渐上升，客户 的反馈也在逐渐上升。很多的时候 ，一定要找到 ，你要让你的Agent解决什么 问题。
好多公司，尤 其是在领导可能对AI不是很了解的情况下，觉得今天的Agent AI能实现 这个，明天又 能实现那个，感觉AI是万能的。这是一个非常危险的事情。一定要 定义清楚你的 AI到底要解 决什么问题。很多的事情，AI还是做不了的。亚马逊认为购物到底 是个什么问题 ？
说白了就是信任问 题。我相信你，我 通过你这 个渠道去买东西，就这么简单。但是 ，亚马逊又出现了 一个问题 ，信息过载，你一 搜能搜几百个、几 千个东西，我到底 该买哪个 ？当互联网刚开始 的时候，大家还愿 意看评论，现在大 家都不愿 意看评论，尤其是 在购物网站。因为 大家都知道，很多 都是刷的 评论。
对于客户来讲，这就导致一个问题，很难做决定。为什么？你给我的选择太多了，我就想要一个最basic的垃圾袋，你给我推出来200个，各有各的好。所有的事情加在一起，就变成信任很低。亚马逊相当做一个导购，以前是怎么做的？一个搜索框，你一搜，出来很多东西，人开始对比。
现在，我们就希望让A gent帮我。AI在购物领域使 用的时候， 一开始是推荐系统。这是AI1 .0，现在是AI2.0。AI 1.0是通 过找到某些特征，做一些匹配。为 什么这一次2.0是真正的AI爆 发？这一次 的AI，不仅仅能找到特征，理解 特征，并且能自己重新定义特征，并且能跟人 开始真的交流了。
亚马逊 ，它未来的A I战略 到底是什么？亚马逊一定会 把选项直接就 交给A I来去做。亚 马逊现在在做 一件事：怎么 样能给 打广告的客户 增加一些权重 ，能让自己的 AI Agent优 先推荐。你一 定要要知道哪 一类客 户在聊天中用 哪些关键词。未来的AI投 流会做 这一套。
这就是为什么 大家都在抢占 对话聊天这套产品。未来，对话聊天可以嵌套所有东西，把所有的东西连在一起，这就是为什么 meta最近出muse，一下子这么火，因为可以跟所有的软件进行结合。亚马 逊现在最重要 的战略就是AI购物平台，整个公司的大战略转型都是在做AI。
2.一个购物的Agent 到底由什么组成？用 AI 去洞察 客户的需求，说白了就是一 个context intelli gence（情境智能&q uot;或&qu ot;上下文智能 "）。到底有 什么contex t（上下文），比 如你家有几口人？你自己家 里经常买什么？去 看一个人的社会地 位、性格以及兴趣爱好，最 好的方法就是看这 个人平常浏览器的 浏览记录。
有这些分析，每 个人搜索页面，匹配的产品就会 不一样。这就是 为什么cont ext（上下文 ）是最重要的。数据非常重要。未来的投流会越 来越精准。我给 大家一个非常简 洁的公式：Ag ent = 强 模型 + 上下 文 + 多步执 行。有一个好的 大模型，加上c ontext（上下文），再加 上多步执行的能 力，组成了今天 的Agent。
强模型负责理解和生成。Cont ext（上下文）指与当前任务有 关的长期信息。它不只是当前对话里的几句话 ，还可以包括用户的偏好、家庭成 员、历史购买、企业文件、流程规则、权限边 界和过去做过的决定。多步执行，指AI不再只回答一个问题，而是把一个复杂 目标拆成多个步骤，逐步搜索、比 较、调用工具、执行和复核。
比如，一个用户说："我准备花300美元 带着狗去露营 ，帮我把需要 的装备买齐。&qu ot; 这句 话看起来很简 单，但真正执行时，Agent需 要考虑预算、宠物限制、露营地点 、天气、装备 清单、商品评 价、配送时间和总价 。它可能先列 出装备，再搜 索商品，比较价格，排除不适合带 狗使用的选项 ，最后把结果组合成 一套方案。
传统AI往往只能处理其中一个动作，它 只能干一次，就一锤子买卖 ，判断一次，而Agent试图完成整个过程。但多步执行并不是步 骤越多越好，如果一个任务 10步可以完 成，就没有必要设计成12步。步骤越多，成本越高，延迟越长，出 错的可能性也 越多。一个好 的Agent，不只是会"做很多事&qu ot;，还要 知道哪些步骤 可以省略，哪 些信息应该调用，哪些信息不能调用。
3.从";猜你喜 欢"到"我知道你现在 想要什么&quo t; 如上所提及，过去的推荐系统，可以称 为AI 1.0，主要依靠特征匹配和行为标签。例如，系统知 道用户买过什么、点击过什么，再根据相似用户的行为进行推荐 。阿里曾经提出的 "千人千面"，就是这 个阶段的典型代表 。
今天的AI则开始进入另一个阶段。它不只是识别特征，还可以理解特征、重新组织信息、解释原因，并且通过对话进一步了解用户的真实意图。用户说"给我买个礼物";，这句话本身的信息很少。但如果系统知道用户家里有几个孩子、谁最近过生日、每个孩子喜欢什么、预算是多少，它就可能给出完全不同的答案。
这就是上下 文的作用。如果一个人曾经说过"最近想吃鱼" ;，并不代 表他今天午饭一定想吃鱼。如果A I在错误的 时间调用了这条信息，就可能被无 关上下文误导。这就是一个意图理 解。意图理 解，没有什么高深，说 白了就是真 正理解意图。