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Agent

很多企业做AI项目时，第一反应是："我们要不要做一个Agent？"

Agent，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AI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 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、Agent不是魔法

1.一定要搞清楚你的Agent，到底要解决什么问题

做Agent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Agent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：Agent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Agent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context intelligence（情境智能"或"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：Agent = 强模型 + 上下文 + 多步执行。

有一个好的大模型，加上context（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。

Context（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"，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"

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，AI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。

context（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，AI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""女性""年轻妈妈""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。

这些数据不会简单地直接开放给卖家，但平台可以用它来改进推荐和广告。

这意味着什么？

AI时代的用户洞察正在从"给人贴标签"，转向"理解一个人的长期变化"。

上下文管理真正解决的问题是：今天这个用户提出当前问题时，我应该从他的长期信息里调用哪一部分，哪些信息必须暂时忽略，哪些信息需要向用户确认。

如果系统把所有内容都不加筛选地塞给模型，数据越多，反而越容易误导。

4.人机协同正在改变工作

Copilot通常被翻译成"副驾驶"，但我更愿意用"人机协同"这个词。

早期的代码生成工具，更多是人主导、AI提供建议。人一边写代码，AI一边补全，人可以逐段检查、接受或拒绝。

现在，AI可以先完成大量代码和任务，人负责确认、修改和否决。

人的角色并没有消失，但工作方式发生了变化。

过去，人负责一步一步执行，机器提供辅助；现在，机器可以完成大部分步骤，人需要设计目标、边界和验收标准。

这意味着，企业引入AI之后，管理者的工作也会变化，他们不再只是分配任务、检查进度和催促员工，而要重新设计：

任务应该怎样拆解；哪些步骤可以交给AI；哪些步骤必须由人确认；AI能调用哪些数据；出错之后谁负责；什么结果才算完成。

如果这些问题没有回答清楚，那公司只是多了一个工具，并没有真正改变工作方式。

5.AI最贵的不是算力，而是失去用户信任

很多AI产品都能在第一次使用时让用户觉得惊艳。

它能写文章，能回答问题，能做总结，能生成方案。但用户会不会长期使用，取决于它是否可靠。

用户可以容忍一次失败，因为一次失败可能是技术问题；但如果用户逐渐认为AI经常胡说、经常迎合、经常给出没有用的情绪价值，信任就会迅速消失。

这就是"AI幻觉"：模型生成看起来合理、实际并不真实的内容。

AI产品还存在另一种问题：过度讨好用户。

用户说什么，它都先表示理解；用户提出一个明显有问题的方案，它仍然不断给予鼓励；最后，用户得到了很多情绪价值，却没有得到可以执行的结果。

这会让人觉得AI"很会说话"，但不会真正解决问题。

在购物场景中，这个问题尤其严重。

用户不需要一个对什么都说"很好"的导购，而需要一个能够说清楚"为什么适合""为什么不适合""有哪些风险"的系统。

所以，Agent的第一道门槛不是功能多少，而是能不能在边界内稳定完成任务。

我建议企业不要一开始就投入大量资源自研一个全能Agent。市场会逐渐出现标准化产品，企业真正需要做的，是判断自己有哪些独特的数据、流程和业务场景。

如果只是把一个聊天框放进公司内部，却没有清晰的数据、权限和任务流程，最终很可能只是增加一个入口，没有改变任何结果。

AI产品最终卖的不是聪明，而是可靠。

三、AI购物时代，谁拥有入口，

谁就能重新分配生意

1.亚马逊要的，不是一个聊天框

传统电商的入口是搜索框和商品货架。用户输入关键词，平台展示一组商品，用户自己浏览、比较、判断，最后完成购买。

AI购物平台的逻辑不同。

用户可能只需要说一句："我想给孩子买一份50美元以内、适合户外活动的生日礼物。"

系统需要理解孩子的年龄、兴趣、预算、家庭情况和购买历史，然后直接筛选、比较并给出少数方案。

亚马逊未来会保留传统货架模式，但AI购物平台会逐渐成为更重要的方向。这不仅会改变用户购物方式，也会改变广告和流量分配。

亚马逊内部正在测试类似对话框广告的机制。未来，广告商品可能不只是出现在搜索结果页，还可能获得AI推荐时的额外权重。

广告投放的逻辑，也会从"购买某个关键词的位置"，转向"让AI在理解某类需求时优先考虑你的商品"。

这对卖家提出了新的要求。

过去，卖家可能更关注关键词、排名和价格；未来，还要关注产品是否真的能解决问题，产品信息能否被AI理解，用户为什么会选择它，购买之后是否满意，以及退货率和口碑如何。

AI不会只看卖家如何描述商品，还会越来越多地看用户真实行为。

当AI替用户做选择时，卖家争夺的就不只是人的注意力，还包括AI对商品的理解。

2.从人对平台，到Agent对Agent：

A2A，即Agent to Agent（智能体对智能体）。它指的是买家的Agent和卖家的Agent之间直接协作。

买家Agent负责理解用户需求，卖家Agent负责提供商品信息、库存、价格、售后和使用限制。未来的交易，有可能不再由人打开几十个商品页面，而是由两个Agent先完成一轮沟通。

在这个趋势下，卖家不一定要马上自己开发一整套Agent。

应该先使用平台可能提供的原生工具，一定要善用平台给卖家用的工具，要迅速想办法怎么让卖家Agent能快速积累你们的能力，把自己的商品知识、业务规则、库存信息和服务边界不断补充进去。

你给Agent的信息越饱满，Agent能帮做的东西就越好。应该尽快让你们的人天天去在配置的Agent上去投流，你就能快速比别人的排名排得更高。

对Agent来说，企业提供的信息越清晰，系统越容易做出正确判断。

将来的竞争，可能从"谁更会买流量"变成"谁能让AI更准确地理解自己"。

过去，商品详情页主要是写给人看的；未来，商品信息还要写给AI理解。产品的功能、限制、适用人群、使用条件、售后边界，都要尽量清楚。

模糊的宣传话术，也许可以吸引一部分人的点击，却未必能帮助AI做出准确判断。

3.平台为什么不欢迎外部购物Agent？

有卖家担心AI时代会让亚马逊重新变成一个单纯比价平台，谁价格低，谁就获得更多推荐。

我认为，亚马逊并不希望成为"更贵的Temu（拼多多旗下的全球化跨境出口电商平台）"。

美国消费者的支付能力相对较强，对低质量商品的长期接受度有限，因此亚马逊不会简单复制纯低价竞争模式。

亚马逊推荐系统更关注商品质量、用户口碑、退货率以及真实行为数据，包括点击、停留、滚动、加购和购买。这些数据构成了平台最重要的资产，也解释了为什么亚马逊会限制外部购物Agent接入。

Muse、Perplexity等外部购物Agent曾尝试通过模拟真人操作进行购物，亚马逊立刻就把它们全部都切断。

问题在于，Agent的点击、停留和浏览行为可能与真人行为混在一起，亚马逊平台的算法分辨不出来，就很难判断哪些行为是真实需求，哪些行为是机器产生的。

亚马逊最重要的数据是人的点击、查看、滑动，人用鼠标滑动，在某一个页面停留的时间，最后添加购物车、购买。

现在亚马逊内部，还区分不了Agent和人类行为。

Agent如果到亚马逊乱玩，整个数据全乱了。

对于亚马逊来说，它现在不能把这些数据给到muse，它一定会把这些数据最后留给亚马逊，或者它投资的 Anthropic等，Anthropic 一定也会做这个事情，它只是现在还不想做。它想做的话，它可以再做这个事情。

人在网站上面的停留，以及各种各样的行为，这些数据很重要。对于亚马逊来说，所有的推荐系统还是看人的行为，人的行为是一个非常宝贵的资产。

这就是一个双开门策略，在亚马逊，一个新的算法就能完全替代过去的系统。它会只拿1%的流量，或者是2%的流量，一步步做测试，一步步放大。

4.这是一场新的入口之争

亚马逊，总是能在关键的节点，找到一个正确的方向。在AI的时代，亚马逊内部确实打不过这些创新公司，但是它给创新公司很大的投资。

亚马逊会不会被Agent 时代所被取代？很难。因为它一不缺算力，二有最强的模型，三有这么大的平台。

AtoA（Agent对Agent）的未来是毋庸置疑的。只要在电脑上能操作的事情，未来都会被Agent取代。

现在，是一场入口大战。AI公司的估值已经很离谱了，但是，如果仔细想，这些公司可能是以后所有这些APP的入口，就会理解。这些入口，会成为所有 App的入口。

亚马逊也想做入口，但是它抢不到这个入口。以后购物可能不会有单独的 App。3-5 年以后，手上的APP变成几个：生活 App、工作 App、家庭App。

幸好，亚马逊有强大的供应链。

5.Agent落地的三步路线

我对Agent行业的发展路径，有一个判断，它会分成3个阶段。

第一阶段，是使用头部的闭源大模型。

闭源模型，指模型的核心参数和训练过程不完全向公众开放，企业通常通过API或平台服务使用。它们能力强、上线快，成本也相对高。

企业在第一阶段最重要的任务，是反复问自己：这个业务问题，AI到底能不能解决？

如果使用最强的模型、给出足够清晰的数据和流程后，仍然达不到效果，那么企业就不应该急着做私有化或自研小模型。因为问题可能不在模型，而在数据、流程和任务定义。

第二阶段，是使用头部的开源大模型。

开源模型的参数或部分能力可以被企业获取和部署，企业可以根据自己的业务需求进行调整，成本和数据控制能力通常更好。

第三阶段，是使用开源小模型做垂类定制。

小模型不需要掌握所有能力，它只需要在某几个任务上做得足够好。

你肯定不需要爱因斯坦来帮你做一杯咖啡，一个高中生水平的人，就能把咖啡做好。

大模型什么都能干，一万件事都能做到80分，但你只需要它干好你那一两件事，没必要为那一万件你用不上的能力付钱。

小模型的账也算得明白。

今天的小模型已经比两三年前的顶级大模型强了，参数量可能只有人家的百分之一，万亿参数对几十亿参数。

这就是垂类定制（针对特定行业或场景专门优化的模型）。

有人会担心大厂抢这门生意？这倒不会。对万亿市值的公司来说，给你做一个行业小模型，一单的收入不如工程师几个小时的工资，投入产出比算不过来。

就像你请爱因斯坦专门给你煎鸡蛋，他能煎，但他不会去煎。

这个空间，大厂让出来了，留给了创业者。

一个大模型可以做一万件事，但每件事只能做到80分；另一个小模型只做五件事，却可以把这五件事做到90分，而且成本更低，那么在具体业务里，小模型反而更合适。

企业做Agent时，最需要管理的不是"模型有多大"，而是两件事：

第一，数据能否被按照业务颗粒度整理好；

第二，任务能否被拆成稳定、可检查、可复用的步骤。

企业Agent定制的核心工作，往往就是上下文管理和多步任务管理。

上下文管理解决"什么时候调用什么信息"，多步任务解决"如何把目标拆解成一系列不会跑偏的动作"。

这两个问题只要做好其中一个，就可能做出一个勉强可用的Agent；如果两个都做好，才有机会形成稳定的商业能力。

不少企业花了一堆钱、搭了一队人自研，最后收效甚微，时间、人力、财力全搭进去了。

五、结语：

Agent 时代已来，你的团队是否已经进入 Agent 多步执行时代？在你公司分部的技能资产沉淀为Agent了吗？你是否已经学会管理 context（上下文）？

A2A 时代（Agent to Agent）已来。你是否已经善用各种平台 Agent 工具？

这正是我们做笔记侠AI十倍增长营的原因。

不讲概念，不聊趋势，就带着企业家和创业者，把AI从"听说过"变成"用得上"，从"用得上"变成"用得好"。每一个模块都对着真实业务场景练，每一个产出都能带回公司直接用。

笔记侠AI十倍增长营03期即将于10月15日在杭州开课，席位有限，欢迎扫码了解详情。

好文阅读推荐：