采编速览
5年后 ，你手 机上的购物A pp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 988 9 篇深度好 文：8985 字 | 2 0 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 Ag ent，拥抱 AI时代？今 天的内容，来 自笔记侠PP E（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Rufu s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A I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Agent 很多企业做AI项目时，第一反应是："我们 要不要做一个A gent？&q uot; Ag ent，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A gent。亚马逊的Rufus项 目，提供了 一个相反的 案例。这个 项目在20 23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，Ruf us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R ufus 时最重要 的判断。它没有先 问&qu ot;A I现在能 做什么" ;，而是 先问&q uot;客户现在 最需要什 么&qu ot;。做Age nt时一 定要先定 义边界。今天的A I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(A mazon Web Services，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A I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GP U算力 ，从一 开始H 100 、H2 00、B200，现 在到B 300 、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 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A I底盘 亚马逊E cho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Ant hropic，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： A WS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An thr opi c的重 要投资方甚至 是最大 投资方，导致 现在的 Ech o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Age nt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，Ag ent不是万 能。做Age nt，一定要永远问自己的 一个点：Ag ent的边界 在哪里？
当时，shoppe、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Agen t 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Age nt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AI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 A gent 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A I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me ta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Age nt到底由 什么组成？用 AI 去洞察客户 的需求，说 白了就是一个cont ext i ntell igenc e（情境智能&quo t;或&q uot;上下文智能"）。到底 有什么co ntext（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co nte xt（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co ntext（上下文 ），再 加上多 步执行 的能力 ，组成 了今天的Ag ent 。
强模型负责理解和生成。C ontext （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 ：&qu ot;我 准备花3 00美元 带着狗去 露营，帮 我把需要 的装备买 齐。&q uot; 这句话 看起来很 简单，但 真正执行 时，Ag ent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&q uot;做很多事"，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&q uot;猜 你喜欢"到";我知道你 现在想要什 么" 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&q uot ;给我买个礼 物&q uot ;，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 AI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。未来，A I是要把你的 一辈子保存下 来，上下文理 解是真的要懂 你的一辈子。
cont ext（上下文）不是越多越好，而 是要在正确的时间 调用正确的信息。context管 理得越来越好，A I的幻觉会越来越 少。AI发展到今 天，更看重的是任 务的完成度。到底 完成了多少件事，聊着聊着就能帮我 把事情解决了，这 是最重要的。亚马 逊内部正在把用户 画像从简单标签，发展成持续更新的 长篇分析报告。
过去的标签可能 只有" ;男性&quo t;";女性"" ;年轻妈妈&q uot;&qu ot;户外爱好 者"等十几个维度；现在的系统可以根据浏览、购物车、购买记录和 行为变化，形成 更加复杂的用户 理解。