旁路观察
5年后，你手机上的购 物App会消失
内容来源：笔记侠PPE（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26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Rufus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A gent 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; Agent，中 文通常翻译为&q uot;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Agent。亚马逊的Rufus项目，提供了一个相反的案例。这个项目在2023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Rufus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(Ama zon Web Servic es，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，GPU（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、B200，现在到 B300、GB300，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CPU、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，Anthropic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Ant hropic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、Agen t不是魔法 1.一定要搞清楚你的Agent ，到底要解决什么问题 做Age nt这个东西 ，一开始很酷，但是Agent越往后，问题越 多，犯的错也越多。做一个Age nt的话，最 重要的是你要想清楚，Agent不是万能。做 Agent，一定要永远问自己的 一个点：Ag ent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ba sic的垃圾袋，你给我推出来2 00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 Agent帮我。A I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A I爆发？这一次的A I，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AI战略 到底是什么？亚马逊一定会把选项直接就交给AI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c ontext intelli gence（情 境智能&quo t;或&quo t;上下文智能 "）。到底有什么 context （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context（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：Age nt = 强模型 + 上下文 + 多步执行。有一个好的大模型，加上co ntext（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。" 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Age nt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 。