一、從賣書到AI購物，
今天的亞馬遜在做什麼？

1.先解決一個問題，別急著做萬能Agent

很多企業做AI項目時，第一反應是：“我們要不要做一個Agent？”

Agent，中文通常翻譯為“智能體”，指的是能夠理解目標、呼叫工具、拆解任務並連續執行多步操作的AI系統。它不只是回答問題，還可以幫使用者完成搜尋、比較、填寫、下單、分析、整理等一系列動作。

聽上去很有吸引力，但問題也從這裡開始。

很多企業還沒有想清楚客戶到底遇到了什麼問題，就先決定做一個Agent。

亞馬遜的Rufus項目，提供了一個相反的案例。

這個項目在2023年啟動時，最初只有七八個人，後期也不到20人，用大約兩個月做出了一個小型演示版本。項目後來獲得認可，團隊才逐步擴大到數百人，並繼續向完善的AI購物助手發展。

亞馬遜當時面對的實際問題非常具體：平台商品越來越多，使用者搜尋一個普通商品，可能會得到幾百甚至幾千個結果；評論中存在刷評現象，使用者很難判斷那些資訊可信；選擇太多，反而讓人更難做決定。

所以，Rufus沒有一開始就把自己定義成一個什麼都能做的超級助手，而是先做導購。

它要做的事情很簡單：理解使用者的需求，整理商品資訊，解釋不同選項的差異，最後給使用者兩三個更值得考慮的選擇。

購物在這裡被重新理解成了兩個問題：一個是選擇困難，一個是信任不足。

這就是亞馬遜做Rufus時最重要的判斷。它沒有先問“AI現在能做什麼”，而是先問“客戶現在最需要什麼”。

今天的AI可以完成很多事情，但並不意味著它適合解決所有問題。企業如果看到幾個很酷的AI演示，就決定把所有流程都AI化，往往會迅速陷入混亂。

模型能力越強，任務範圍越大，資料、權限、流程和錯誤處理就越複雜。

亞馬遜的做法，是先把問題縮小，再把結果做深。

2.算力是亞馬遜給未來準備的籌碼

如果只把亞馬遜看成一家電商公司，就很難理解它為什麼能在AI時代保持競爭力。

亞馬遜從1994年線上賣書起步，後來擴展到全品類零售、雲服務、智能硬體、線下商超等多個領域。

AWS(Amazon Web Services，亞馬遜雲服務)如今已經成為亞馬遜最重要的業務類股之一，也是其AI基礎設施的重要組成部分。

AI時代的競爭，仍然要落到基礎設施和供應鏈上。

亞馬遜有一個佈局挺讓人敬佩的，我在亞馬遜工作時，GPU（圖形處理器）非常充足，永遠不會為GPU擔心，沒有人會為算力發愁。亞馬遜提前佈局GPU算力，從一開始H100、H200、B200，現在到B300、GB300，因此內部團隊使用算力時相對充足。

亞馬遜不愧是做供應鏈出身的，算力其實也是供應鏈產品，需要CPU、網路、光纖、蓋機房，這一套東西下來了是很吃供應鏈能力的。

在微軟和Google時，反而經常遇到算力排隊的問題。

亞馬遜未必是最早喊出AI口號的公司，卻很早做好了基礎設施準備。

亞馬遜原本儲備算力，可能主要是為了搜尋、推薦和雲端運算業務。生成式AI興起之後，這些提前投入的資源突然有了新的用途。

這就是長期投入的價值，它未必一開始就能帶來收入，卻可能在未來出現新機會時，讓企業擁有更快的反應速度。

亞馬遜Echo智能音箱也是同樣的邏輯。

這是亞馬遜推出的智能音箱，這類硬體本身並不一定以硬體利潤為主要目標，主要是為了提高購物的體驗，它更重要的作用，是把語音互動接入購物場景。

可以在硬體上和亞馬遜的商城說：今天我們家洗衣液沒了，給我加點洗衣液。使用者可以直接對裝置說家裡的洗衣液用完了，讓系統幫忙補貨。

當對話式AI能力還不成熟時，Echo更像一個智能家居裝置；當模型能力提升之後，AI一下子就對話了，能聊天了，而且聊天越來越好了，它又可能成為購物入口。

以前想做這麼一個功能的時候，AI還沒有現在這麼厲害。後來忽然發現，AI一下子就對話了，能聊天了，而且聊天越來越好了，亞馬遜又一下子投資了Anthropic，Anthropic的模型又是最好的，導致現在的Echo最好賣。

這樣一來，亞馬遜的幾種能力就連接起來了：

AWS提供算力，供應鏈負責提前準備基礎設施，電商平台提供真實交易場景，Echo提供入口，使用者行為沉澱為資料，模型則負責理解和執行。

現在，亞馬遜是Anthropic的重要投資方甚至是最大投資方，導致現在的Echo最好賣。

亞馬遜公司屬於資源型企業，堆資源之後可以把事情做好，但是要說純創新型，亞馬遜這麼多年的創新能力，肯定不如創業公司。在國內也是一樣的道理，最好的模型不是大公司做的。

1.一定要搞清楚你的Agent，到底要解決什麼問題

做Agent這個東西，一開始很酷，但是Agent越往後，問題越多，犯的錯也越多。

做一個Agent的話，最重要的是你要想清楚，Agent不是萬能。做Agent，一定要永遠問自己的一個點：Agent的邊界在那裡？

當時，shoppe、eBay、沃爾瑪等美國電商平台都在做一模一樣的Agent，它們也不差錢，但是都失敗了，最後都沒推出來。

但是亞馬遜至少推出來了，而且大家的使用量也在逐漸上升，客戶的反饋也在逐漸上升。很多的時候，一定要找到，你要讓你的Agent解決什麼問題。

好多公司，尤其是在領導可能對AI不是很瞭解的情況下，覺得今天的Agent AI能實現這個，明天又能實現那個，感覺AI是萬能的。這是一個非常危險的事情。

一定要定義清楚你的AI到底要解決什麼問題。很多的事情，AI還是做不了的。

亞馬遜認為購物到底是個什麼問題？說白了就是信任問題。我相信你，我通過你這個管道去買東西，就這麼簡單。

但是，亞馬遜又出現了一個問題，資訊過載，你一搜能搜幾百個、幾千個東西，我到底該買那個？當網際網路剛開始的時候，大家還願意看評論，現在大家都不願意看評論，尤其是在購物網站。因為大家都知道，很多都是刷的評論。

對於客戶來講，這就導致一個問題，很難做決定。為什麼？你給我的選擇太多了，我就想要一個最basic的垃圾袋，你給我推出來200個，各有各的好。

所有的事情加在一起，就變成信任很低。

亞馬遜相當做一個導購，以前是怎麼做的？一個搜尋框，你一搜，出來很多東西，人開始對比。

現在，我們就希望讓Agent幫我。

AI在購物領域使用的時候， 一開始是推薦系統。這是AI1.0，現在是AI2.0。AI 1.0是通過找到某些特徵，做一些匹配。

為什麼這一次2.0是真正的AI爆發？這一次的AI，不僅僅能找到特徵，理解特徵，並且能自己重新定義特徵，並且能跟人開始真的交流了。

亞馬遜，它未來的AI戰略到底是什麼？亞馬遜一定會把選項直接就交給AI來去做。

亞馬遜現在在做一件事：怎麼樣能給打廣告的客戶增加一些權重，能讓自己的AI Agent優先推薦。你一定要要知道那一類客戶在聊天中用那些關鍵詞。未來的AI投流會做這一套。這就是為什麼大家都在搶佔對話聊天這套產品。

未來，對話聊天可以巢狀所有東西，把所有的東西連在一起，這就是為什麼meta最近出muse，一下子這麼火，因為可以跟所有的軟體進行結合。

亞馬遜現在最重要的戰略就是AI購物平台，整個公司的大戰略轉型都是在做AI。

2.一個購物的Agent到底由什麼組成？

用 AI 去洞察客戶的需求，說白了就是一個context intelligence（情境智能”或“上下文智能”‌）。

到底有什麼context（上下文），比如你家有幾口人？你自己家裡經常買什麼？去看一個人的社會地位、性格以及興趣愛好，最好的方法就是看這個人平常瀏覽器的瀏覽記錄。

有這些分析，每個人搜尋頁面，匹配的產品就會不一樣。

這就是為什麼context（上下文）是最重要的。資料非常重要。未來的投流會越來越精準。

我給大家一個非常簡潔的公式：Agent = 強模型 + 上下文 + 多步執行。

有一個好的大模型，加上context（上下文），再加上多步執行的能力，組成了今天的Agent。

Context（上下文）指與當前任務有關的長期資訊。它不只是當前對話裡的幾句話，還可以包括使用者的偏好、家庭成員、歷史購買、企業檔案、流程規則、權限邊界和過去做過的決定。

多步執行，指AI不再只回答一個問題，而是把一個複雜目標拆成多個步驟，逐步搜尋、比較、呼叫工具、執行和覆核。

比如，一個使用者說：“我準備花300美元帶著狗去露營，幫我把需要的裝備買齊。”

這句話看起來很簡單，但真正執行時，Agent需要考慮預算、寵物限制、露營地點、天氣、裝備清單、商品評價、配送時間和總價。

它可能先列出裝備，再搜尋商品，比較價格，排除不適合帶狗使用的選項，最後把結果組合成一套方案。

傳統AI往往只能處理其中一個動作，它只能幹一次，就一錘子買賣，判斷一次，而Agent試圖完成整個過程。

但多步執行並不是步驟越多越好，如果一個任務10步可以完成，就沒有必要設計成12步。步驟越多，成本越高，延遲越長，出錯的可能性也越多。

一個好的Agent，不只是會“做很多事”，還要知道那些步驟可以省略，那些資訊應該呼叫，那些資訊不能呼叫。

3.從“猜你喜歡”到“我知道你現在想要什麼”

如上所提及，過去的推薦系統，可以稱為AI 1.0，主要依靠特徵匹配和行為標籤。例如，系統知道使用者買過什麼、點選過什麼，再根據相似使用者的行為進行推薦。

阿里曾經提出的“千人千面”，就是這個階段的典型代表。

今天的AI則開始進入另一個階段。

它不只是識別特徵，還可以理解特徵、重新組織資訊、解釋原因，並且通過對話進一步瞭解使用者的真實意圖。

使用者說“給我買個禮物”，這句話本身的資訊很少。但如果系統知道使用者家裡有幾個孩子、誰最近過生日、每個孩子喜歡什麼、預算是多少，它就可能給出完全不同的答案。

如果一個人曾經說過“最近想吃魚”，並不代表他今天午飯一定想吃魚。如果AI在錯誤的時間呼叫了這條資訊，就可能被無關上下文誤導。

這就是一個意圖理解。意圖理解，沒有什麼高深，說白了就是真正理解意圖。未來，AI是要把你的一輩子保存下來，上下文理解是真的要懂你的一輩子。

context（上下文）不是越多越好，而是要在正確的時間呼叫正確的資訊。

context管理得越來越好，AI的幻覺會越來越少。

AI發展到今天，更看重的是任務的完成度。到底完成了多少件事，聊著聊著就能幫我把事情解決了，這是最重要的。

亞馬遜內部正在把使用者畫像從簡單標籤，發展成持續更新的長篇分析報告。過去的標籤可能只有“男性”“女性”“年輕媽媽”“戶外愛好者”等十幾個維度；現在的系統可以根據瀏覽、購物車、購買記錄和行為變化，形成更加複雜的使用者理解。

這些資料不會簡單地直接開放給賣家，但平台可以用它來改進推薦和廣告。

AI時代的使用者洞察正在從“給人貼標籤”，轉向“理解一個人的長期變化”。

彙整鉅亨號中所有使用「情境智能」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

5年後，你手機上的購物App會消失