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”。
做Agent時一定要先定義邊界。
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。
3.一個完整的AI底盤
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。
二、Agent不是魔法
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。
強模型負責理解和生成。
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。
這就是上下文的作用。
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。
這意味著什麼？
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”。
上下文管理真正解決的問題是：今天這個使用者提出當前問題時，我應該從他的長期資訊裡呼叫那一部分，那些資訊必須暫時忽略，那些資訊需要向使用者確認。
如果系統把所有內容都不加篩選地塞給模型，資料越多，反而越容易誤導。
4.人機協同正在改變工作
Copilot通常被翻譯成“副駕駛”，但我更願意用“人機協同”這個詞。
早期的程式碼生成工具，更多是人主導、AI提供建議。人一邊寫程式碼，AI一邊補全，人可以逐段檢查、接受或拒絕。
現在，AI可以先完成大量程式碼和任務，人負責確認、修改和否決。
人的角色並沒有消失，但工作方式發生了變化。
過去，人負責一步一步執行，機器提供輔助；現在，機器可以完成大部分步驟，人需要設計目標、邊界和驗收標準。
這意味著，企業引入AI之後，管理者的工作也會變化，他們不再只是分配任務、檢查進度和催促員工，而要重新設計：
任務應該怎樣拆解；那些步驟可以交給AI；那些步驟必須由人確認；AI能呼叫那些資料；出錯之後誰負責；什麼結果才算完成。
如果這些問題沒有回答清楚，那公司只是多了一個工具，並沒有真正改變工作方式。
5.AI最貴的不是算力，而是失去使用者信任
很多AI產品都能在第一次使用時讓使用者覺得驚豔。
它能寫文章，能回答問題，能做總結，能生成方案。但使用者會不會長期使用，取決於它是否可靠。
使用者可以容忍一次失敗，因為一次失敗可能是技術問題；但如果使用者逐漸認為AI經常胡說、經常迎合、經常給出沒有用的情緒價值，信任就會迅速消失。
這就是“AI幻覺”：模型生成看起來合理、實際並不真實的內容。
AI產品還存在另一種問題：過度討好使用者。
使用者說什麼，它都先表示理解；使用者提出一個明顯有問題的方案，它仍然不斷給予鼓勵；最後，使用者得到了很多情緒價值，卻沒有得到可以執行的結果。
這會讓人覺得AI“很會說話”，但不會真正解決問題。
在購物場景中，這個問題尤其嚴重。
使用者不需要一個對什麼都說“很好”的導購，而需要一個能夠說清楚“為什麼適合”“為什麼不適合”“有那些風險”的系統。
所以，Agent的第一道門檻不是功能多少，而是能不能在邊界內穩定完成任務。
我建議企業不要一開始就投入大量資源自研一個全能Agent。市場會逐漸出現標準化產品，企業真正需要做的，是判斷自己有那些獨特的資料、流程和業務場景。
如果只是把一個聊天框放進公司內部，卻沒有清晰的資料、權限和任務流程，最終很可能只是增加一個入口，沒有改變任何結果。
AI產品最終賣的不是聰明，而是可靠。
三、AI購物時代，誰擁有入口，
誰就能重新分配生意
1.亞馬遜要的，不是一個聊天框
傳統電商的入口是搜尋框和商品貨架。使用者輸入關鍵詞，平台展示一組商品，使用者自己瀏覽、比較、判斷，最後完成購買。
AI購物平台的邏輯不同。
使用者可能只需要說一句：“我想給孩子買一份50美元以內、適合戶外活動的生日禮物。”
系統需要理解孩子的年齡、興趣、預算、家庭情況和購買歷史，然後直接篩選、比較並給出少數方案。
亞馬遜未來會保留傳統貨架模式，但AI購物平台會逐漸成為更重要的方向。這不僅會改變使用者購物方式，也會改變廣告和流量分配。
亞馬遜內部正在測試類似對話方塊廣告的機制。未來，廣告商品可能不只是出現在搜尋結果頁，還可能獲得AI推薦時的額外權重。
廣告投放的邏輯，也會從“購買某個關鍵詞的位置”，轉向“讓AI在理解某類需求時優先考慮你的商品”。
這對賣家提出了新的要求。
過去，賣家可能更關注關鍵詞、排名和價格；未來，還要關注產品是否真的能解決問題，產品資訊能否被AI理解，使用者為什麼會選擇它，購買之後是否滿意，以及退貨率和口碑如何。
AI不會只看賣家如何描述商品，還會越來越多地看使用者真實行為。
當AI替使用者做選擇時，賣家爭奪的就不只是人的注意力，還包括AI對商品的理解。
2.從人對平台，到Agent對Agent：
A2A，即Agent to Agent（智能體對智能體）。它指的是買家的Agent和賣家的Agent之間直接協作。
買家Agent負責理解使用者需求，賣家Agent負責提供商品資訊、庫存、價格、售後和使用限制。未來的交易，有可能不再由人打開幾十個商品頁面，而是由兩個Agent先完成一輪溝通。
在這個趨勢下，賣家不一定要馬上自己開發一整套Agent。
應該先使用平台可能提供的原生工具，一定要善用平台給賣家用的工具，要迅速想辦法怎麼讓賣家Agent能快速積累你們的能力，把自己的商品知識、業務規則、庫存資訊和服務邊界不斷補充進去。
你給Agent的資訊越飽滿，Agent能幫做的東西就越好。應該盡快讓你們的人天天去在配置的Agent上去投流，你就能快速比別人的排名排得更高。
對Agent來說，企業提供的資訊越清晰，系統越容易做出正確判斷。
將來的競爭，可能從“誰更會買流量”變成“誰能讓AI更準確地理解自己”。
過去，商品詳情頁主要是寫給人看的；未來，商品資訊還要寫給AI理解。產品的功能、限制、適用人群、使用條件、售後邊界，都要儘量清楚。
模糊的宣傳話術，也許可以吸引一部分人的點選，卻未必能幫助AI做出精準判斷。
3.平台為什麼不歡迎外部購物Agent？
有賣家擔心AI時代會讓亞馬遜重新變成一個單純比價平台，誰價格低，誰就獲得更多推薦。
我認為，亞馬遜並不希望成為“更貴的Temu（拼多多旗下的全球化跨境出口電商平台）”。
美國消費者的支付能力相對較強，對低品質商品的長期接受度有限，因此亞馬遜不會簡單複製純低價競爭模式。
亞馬遜推薦系統更關注商品質量、使用者口碑、退貨率以及真實行為資料，包括點選、停留、滾動、加購和購買。這些資料構成了平台最重要的資產，也解釋了為什麼亞馬遜會限制外部購物Agent接入。
Muse、Perplexity等外部購物Agent曾嘗試通過模擬真人操作進行購物，亞馬遜立刻就把它們全部都切斷。
問題在於，Agent的點選、停留和瀏覽行為可能與真人行為混在一起，亞馬遜平台的演算法分辨不出來，就很難判斷那些行為是真實需求，那些行為是機器產生的。
亞馬遜最重要的資料是人的點選、查看、滑動，人用滑鼠滑動，在某一個頁面停留的時間，最後加入購物車、購買。
現在亞馬遜內部，還區分不了Agent和人類行為。
Agent如果到亞馬遜亂玩，整個資料全亂了。
對於亞馬遜來說，它現在不能把這些資料給到muse，它一定會把這些資料最後留給亞馬遜，或者它投資的 Anthropic等，Anthropic 一定也會做這個事情，它只是現在還不想做。它想做的話，它可以再做這個事情。
人在網站上面的停留，以及各種各樣的行為，這些資料很重要。對於亞馬遜來說，所有的推薦系統還是看人的行為，人的行為是一個非常寶貴的資產。
這就是一個雙開門策略，在亞馬遜，一個新的演算法就能完全替代過去的系統。它會只拿1%的流量，或者是2%的流量，一步步做測試，一步步放大。
4.這是一場新的入口之爭
亞馬遜，總是能在關鍵的節點，找到一個正確的方向。在AI的時代，亞馬遜內部確實打不過這些創新公司，但是它給創新公司很大的投資。
亞馬遜會不會被Agent 時代所被取代？很難。因為它一不缺算力，二有最強的模型，三有這麼大的平台。
AtoA（Agent對Agent）的未來是毋庸置疑的。只要在電腦上能操作的事情，未來都會被Agent取代。
現在，是一場入口大戰。AI公司的估值已經很離譜了，但是，如果仔細想，這些公司可能是以後所有這些APP的入口，就會理解。這些入口，會成為所有 App的入口。
亞馬遜也想做入口，但是它搶不到這個入口。以後購物可能不會有單獨的 App。3-5 年以後，手上的APP變成幾個：生活 App、工作 App、家庭App。
幸好，亞馬遜有強大的供應鏈。
5.Agent落地的三步路線
我對Agent行業的發展路徑，有一個判斷，它會分成3個階段。
第一階段，是使用頭部的閉源大模型。
閉源模型，指模型的核心參數和訓練過程不完全向公眾開放，企業通常通過API或平台服務使用。它們能力強、上線快，成本也相對高。
企業在第一階段最重要的任務，是反覆問自己：這個業務問題，AI到底能不能解決？
如果使用最強的模型、給出足夠清晰的資料和流程後，仍然達不到效果，那麼企業就不應該急著做私有化或自研小模型。因為問題可能不在模型，而在資料、流程和任務定義。
第二階段，是使用頭部的開源大模型。
開源模型的參數或部分能力可以被企業獲取和部署，企業可以根據自己的業務需求進行調整，成本和資料控制能力通常更好。
第三階段，是使用開源小模型做垂類定製。
小模型不需要掌握所有能力，它只需要在某幾個任務上做得足夠好。
你肯定不需要愛因斯坦來幫你做一杯咖啡，一個高中生水平的人，就能把咖啡做好。
大模型什麼都能幹，一萬件事都能做到80分，但你只需要它幹好你那一兩件事，沒必要為那一萬件你用不上的能力付錢。
小模型的帳也算得明白。
今天的小模型已經比兩三年前的頂級大模型強了，參數量可能只有人家的百分之一，兆參數對幾十億參數。
這就是垂類定製（針對特定行業或場景專門最佳化的模型）。
有人會擔心大廠搶這門生意？這倒不會。對兆市值的公司來說，給你做一個行業小模型，一單的收入不如工程師幾個小時的工資，投入產出比算不過來。
就像你請愛因斯坦專門給你煎雞蛋，他能煎，但他不會去煎。
這個空間，大廠讓出來了，留給了創業者。
一個大模型可以做一萬件事，但每件事只能做到80分；另一個小模型只做五件事，卻可以把這五件事做到90分，而且成本更低，那麼在具體業務裡，小模型反而更合適。
企業做Agent時，最需要管理的不是“模型有多大”，而是兩件事：
第一，資料能否被按照業務顆粒度整理好；
第二，任務能否被拆成穩定、可檢查、可復用的步驟。
企業Agent定製的核心工作，往往就是上下文管理和多步任務管理。
上下文管理解決“什麼時候呼叫什麼資訊”，多步任務解決“如何把目標拆解成一系列不會跑偏的動作”。
這兩個問題只要做好其中一個，就可能做出一個勉強可用的Agent；如果兩個都做好，才有機會形成穩定的商業能力。
不少企業花了一堆錢、搭了一隊人自研，最後收效甚微，時間、人力、財力全搭進去了。
五、結語：
Agent 時代已來，你的團隊是否已經進入 Agent 多步執行時代？在你公司分部的技能資產沉澱為Agent了嗎？你是否已經學會管理 context（上下文）？
A2A 時代（Agent to Agent）已來。你是否已經善用各種平台 Agent 工具？
這正是我們做筆記俠AI十倍增長營的原因。
不講概念，不聊趨勢，就帶著企業家和創業者，把AI從“聽說過”變成“用得上”，從“用得上”變成“用得好”。每一個模組都對著真實業務場景練，每一個產出都能帶回公司直接用。(筆記俠)