一句话看懂:货拉拉技术总监亓隆基在QCon分享AI Agent进入实时交易系统的生产实践,提出“Agent生产化四层模型”,强调用Agent拓展系统能力边界而非重做已有能力,并披露意图交易、持续撮合、策略执行三个场景的量化结果。
事件核心:发生了什么
2026年11月,货拉拉技术总监亓隆基公开分享AI Agent在实时交易系统中的落地经验。其核心判断是:Agent不应替代成熟的机器学习、运筹优化和交易系统,而应承担过去只有人才能完成的开放式工作。货拉拉在三个场景已上线:意图交易(AI下单)使意图识别准确率达99%、选车正确率93%、新客下单时长缩短25%;持续撮合(司机Agent/AI撮合)上线近一年配对率相对提升12%,ROI为人工方式的4倍;策略执行(AI运营)则聚焦将运营人员从机械性操作中解放。作者据此提出“Agent生产化四层模型”:模型决定起点,Harness决定下限,Dual Loop决定方向,业务知识决定上限。
为什么重要
过去三年行业投入大量资源让Agent完成任务,但能明确说出Agent带来哪个业务指标提升的团队并不多。货拉拉的实践提供了一个可参照的答案:Agent的价值不在于重写已有系统,而在于把理解、规划、协调、按现场调整这类开放式工作转化为系统可持续完成目标的能力。其提出的“新增能力、新增结果、成本可覆盖”三条标准,以及“让模型只在值得不确定的地方不确定”的工程原则,对正在评估Agent投入产出比的团队具有直接参考意义。此外,持续撮合场景中“没有终止条件的持续行动本身就是风险”的判断,也点出了Agent进入交易链路后的核心工程约束。
对用户/开发者/创作者的影响
对开发者而言,该实践强调Harness Engineering的重要性:上下文管理、确定性护栏、权限与幂等约束、评测闭环,往往是Agent能否上生产的分水岭。对产品与运营团队而言,Agent的定位应从“更快的对话入口”转向“围绕目标的持续服务”,同时必须建立任务完成率、执行准确率、人工介入率等新评测指标。对企业采购方而言,ROI数据提醒Token成本必须纳入决策,只看效果不看成本容易做出不划算的系统。目前公开信息显示,上述数据来自货拉拉自身业务场景,尚不能直接外推到其他行业。
AI 工具推荐
想把多个 AI 模型放在一个入口?
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。
推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。
值得关注的后续
一是三个场景的长期稳定性与成本变化,尤其是Token消耗随规模扩大后的边际收益;二是“Agent生产化四层模型”是否会被更多交易型平台验证或修正;三是运营Agent在“人定策略、Agent操作系统”的分工下,审批与审计机制能否支撑更复杂的策略执行。
来源:juejin


