从 AI 工具到经营智能体:快手分销增长 Agent 实践

电商行业对 AI 经营产品的探索已经从单点工具走向系统化落地，从“AI 工具”走向“AI 数字员工”。

以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。

在快手电商的业务版图中，分销是一个看似简单却链条极长的场景。商家提供商品和佣金，达人帮商家卖货并形成成交，核心逻辑就一句“连接商家与达人”。但这句话背后是一整条极其冗长的经营链路：商家要开通分销、发布商品、创建计划、设置合理佣金，再去寻找合适的达人发送邀约建联；达人则要选品、组货、进行内容创作，无论直播带货还是短视频带货；双方还需要持续查看经营数据、做分析、做优化，才能持续赚到钱。

问题在于，这条链路太长、太专业了。平台上大量中小商达并没有专业的经营团队。很多商家是夫妻店或个人店，对他们来说，发布商品、创建计划、设置佣金这些基础动作本身就已经足够复杂。达人侧的情况同样不容乐观，很多达人虽然有几万粉丝、擅长内容创作，但在电商选品这个领域几乎没有经验，货架上几千个商品乱七八糟地摆在一起。总的来说，分销经营对商家和达人都过于专业，经营起来非常吃力。

这种吃力在快手分销商家的经营后台有非常直观的体现。后台入口极多、功能复杂，商家使用过程中需要自己点开冗长的业务规则文档去学习、去理解、再去做决策，学习成本非常高。我们在过往的商家达人调研反馈中，出现最多的一个词就是“学不会”。因为中小商家经营经验不足、专业能力薄弱，很多中小商家因为经营不好慢慢流失了。对于整个分销生态来说，中小商家就是底盘，如果这个底盘一直漏，整个生态的健康成长都会受到影响。

针对这个问题，过往我们也有一些常规解决手段。用户不会用某个功能，就做新手引导、弹窗教学、浮层指引，让商家学会使用产品功能；或者给商家派发激励任务，让他完成一个商品发布或计划创建，再给一定奖励。但这些传统手段效果并不理想，它们只能做到浅层牵引，治标不治本，无法真正解决商家和达人不会经营的核心问题。

真正的转机来自 AI。过去一两年里，整个行业都在规模化落地 AI 经营产品：淘天的生意参谋、1688 的数字员工、抖店的 AI 助手等等。行业逐渐形成了一种共识——不仅仅提供 AI 工具，而是通过 AI 数字员工这种产品形态，以更灵活、更全面的方式，把头部商家才拥有的专业运营能力，零门槛地普惠给中小商家。

快手从 2025 年开始也在持续做 AI 应用落地。对分销来说，AI 应用落地分为三个阶段。第一个阶段的目标是降低门槛：找到那些学习成本高、理解成本高的功能，通过 AI 做升级，验证 AI 能力是否能被商家接受、是否带来体验提升，比如日常的商品运营、撮合匹配、建联邀约等基础能力。第二个阶段，随着 AI 工具越来越多，我们设计出了托管这种产品形态，在商家授权下自动帮他执行任务，效率层面得到了很大解放。第三个阶段是现在正在进行中的目标——把托管从效率层面的提升，升级到结果交付层面，做一个更智能、更全能的全店数字人托管，真正帮商家经营好这家店，赚到更多钱。

与业务演进同步，背后的技术演进也分为三个阶段。最早做简单 AI 功能时，重点在 prompt 设计和 workflow 编排，把原有业务流程抽象出来，只在固定环节让大模型做相对具体的事情。到了第二阶段，AI 能力越来越复杂，人的抽象限制了大模型的发挥，于是我们采用泛化能力更强的 Agent，在性能需要优化的场景配合模型微调。到了第三阶段，当有了很多单领域、单功能的 Agent 之后，我们构造了一个经营大脑的 Multi-Agent，把 Agent 能力串联起来，找到规模化增长的方式。

我们的第一个 AI 功能叫 AIGC 邀约，非常简单。它的业务场景是商家找达人合作时要发邀约，中间有一段文案需要填写。过去的数据显示，大部分商家填写的都是复制粘贴的模板。我们做的事情很直接：在商家准备发邀约的那一刻，把当前的商家信息、商品信息、达人信息，以及商家提供的合作方案，都喂给大模型，让大模型做总结，生成个性化邀约文案。

这个功能虽然简单，但效果给了我们很大的惊喜。首先商家愿意使用这个功能；其次，通过 AIGC 生成的邀约，合作成功率显著高于大盘。带着这个信心，我们开始了更多 AI 能力的探索。我们把商家和达人经营的核心动线梳理出来，逐个去看这个过程中有没有规则难以理解、决策成本高、操作复杂的痛点，然后一步步用 AI 能力做升级。

渐渐地，我们把商家和达人的核心经营动线都做了升级。商家刚开通分销时，有新商助手帮他直接完成第一次计划创建和第一次达人建联，帮助入门。在佣金管理阶段，有潜力分销品帮他找到店里适合开通分销、质量较高的商品，智能佣金帮他出一个适合成本的佣金。在达人合作环节，有智能匹配和 AIGC 邀约。达人侧则提供选品助手，根据达人的带货习惯和粉丝画像做个性化商品推荐。在内容创作环节，有 AI 短视频、AI 直播辅助内容创作、帮找灵感。数据层面有货架诊断，分析达人货架上的商品——哪些卖得不好可以下架汰换，哪些卖得好可以扩大经营或找相似商品持续经营。

关键的转折在最后一行。当商家和达人的核心经营动线都被 AI 能力覆盖之后，我们发现这些能力被商家和达人所认可，于是设计出了托管这种产品形态。它的核心价值是把前面的单点提效工具直接演进到授权自动执行：从效率层面最大程度降低商达的时间成本，从时效性上最快帮他抓住经营机会。

升级后的产品界面发生了显著变化。以新商助手和分销托管为例，新的产品比原来更简洁、更聚焦。我们增加了专业的经营解读和个性化的经营建议，帮助商家直接预填到表单里，同时在旁边给出解释原因和数据参考。此外还提供自动化授权执行的能力。经过这些升级，整个 B 端经营产品也有了 C 端的用户体验。

然而，有了 AI 工具和托管产品形态，并没有完全解决商家经营的问题。效率层面虽然有大幅提升，但仍有两个主要问题。第一，由于缺乏整体的经营诊断和经营分析，商家的经营认知和经营能力并没有被提升起来——他还是不知道自己当前经营有什么问题、应该做哪些优化。第二，前面提到的 AI 工具都是独立的，托管只是简单地把它们串起来，内在没有被打通，价值没有被放大。针对这两个问题，我们想到要再造一个“经营大脑”，让经营大脑帮商家做诊断、做分析、做全局经营规划，然后再去做这些小工具的调用。

如何设计经营大脑？在设计过程中我们发现主要有三个问题无法回避。第一个问题：电商经营非常复杂，从哪里开始帮商家做分析？这个 Agent 应该如何设计？那些子 Agent 在什么时候使用、如何使用？其实对于业务本身来说，我们也无法抽象。第二个问题：前面提到的 Agent 越来越多，每个 Agent 都要迭代，要接入的数据也越来越多，在这些 Agent 维护上我们遇到了瓶颈。第三个问题：我们要帮一个店做个性化经营，那么这个店的经营画像、经营策略，以及店长的个人经营意志，如何告诉经营大脑，让经营大脑真正懂这家店？

带着这三个问题，我们开始思考如何设计 Multi-Agent。在真正干活之前，我们先借鉴了业界的主流 Agent 设计和开源方案，并把它的关键设计映射到电商经营。

第一个借鉴对象是 ClaudeAgent。它非常智能，关键设计在于主从结构：主 Agent 负责统一规划，子 Agent 执行独立任务并向主 Agent 汇报结果。这正好映射到我们的电商场景——经营大脑负责诊断和全局规划，前面设计的选品、定价、建联等子 Agent 去领任务、独立执行，再把结果回传给经营大脑。

第二个借鉴对象是 OpenClaw。它在年初非常火，也是一个开源框架。我们学习了它的代码和核心设计——ReAct Loop 的推理设计，最大程度应用大模型的泛化能力；它设计的 Skill 结构可插拔，数据接入上非常灵活、高效。应用到电商经营，我们也设计了一个 ReAct Loop 的通用运行框架，并且把电商的领域数据、业务数据通过通用 Skill 协议封装给大模型使用。

第三个借鉴对象是 Manus 的三层架构：规划、执行、校验。映射到我们的经营大脑，就是经营大脑先思考，然后让子 Agent 执行，再校验子 Agent 的回传结果去做总结。

带着这些业界产品的最佳实践，我们得到了很多灵感。比起从抽象的 AI 知识理论一步步探索，直接借鉴最佳实践是非常取巧的方式。

电商的 AI 经营比较复杂，没有办法说简单地调用大模型就可以完成经营。因此我们背后设计了一个双轮驱动的技术架构。这两个轮子，一个是数据智能基建，一个是业务智能体。两个轮子互相驱动，才能使 AI 经营跑得又快又稳。

先介绍数据智能基建这个轮子。这部分在很多 AI 实践上提到的不多，很容易被忽略。不可否认，大模型现在的能力和通用知识的确很强，但电商经营有很多私域的、独立的领域知识。如果没有详细、结构化、大量且能够被大模型方便获取和理解的数据提供给大模型，大模型的准确性很难保障。电商场景下，大数据说了很多年，但在 B 端 AI 经营的数据仍然非常匮乏。我们过往的数据沉淀主要面向 C 端、面向消费者，使用场景也主要是在推荐模型。面向 B 端 AI 经营、喂给大模型的数据还是很缺的。

对此我们做了四类数据基建。第一类，把优秀商家的经营策略沉淀为知识库，提供给大模型，在它思考的时候做参考。第二类，把分销场景下商达的合作关系清晰沉淀出知识图谱，在商家推荐达人或者达人推荐商品的场景做应用。第三类，把业务的实时数据都封装成 Skill 接口，方便大模型使用。第四类，做商家经营画像，包含两部分：长期记忆是商家比较稳定的经营偏好和经营策略；短期记忆主要来自于 AI 工具执行结果的总结。

有了这四类数据，大模型执行起来效果比原来稳定很多。在这个过程中，大模型也不仅仅是数据的消费者，也是数据的生产者。在很多环节里，数据是让大模型自己加工出来的：我们把原始数据喂给大模型，让大模型做高质量总结和结构化，这样就形成了数据和模型互相驱动的飞轮——数据越用越多，数据越用越准，模型越跑越好。

但在具体使用过程中，我们还是遇到三个主要难点。

第一个难点是无数据，主要针对新商家和新商品。它们没有数据或数据比较缺乏，在 AI 经营上就有一个数据冷启动的困境：没数据就经营不好，经营不好就更加没数据，形成恶性循环。

第二个难点是无法评价。我们有很多商家数据提供给大模型，但这些客观数据放在那里，大模型很难评判它是好还是不好。数据在没有参照系的情况下，无法比较、无法评价。

第三个难点叫无法理解。电商场景下有非常多的指标口径，这些指标之间又有互相的主从关系或者因果关系。如果大模型不知道这些指标背后的口径含义及其关系，它是没有办法去做分析和总结的。

针对这三个问题，我们又对数据做了三层加工。对于没有数据的问题，我们将商家的数据按照生命周期、场域、类目做平均处理，作为冷启动的特征集，解决没有数据的问题。对于数据无法比较的问题，我们首先对商家的经营数据做向量化，再对所有商家做聚类分群，然后在每一个分类下计算 P75 的数据作为标杆商家，计算 P50 的数据作为均值参考，提供给大模型。这样大模型就可以拿具体商家的数据去和标杆商家或均值商家做比较，评判出问题所在。对于指标无法理解的问题，我们把指标的数据、指标的关系沉淀为知识库，提供给大模型，这样大模型在诊断的时候就可以做逐层归因，同时结合标杆商家或均值商家做差值计算，分析出当前商家的经营问题，产出他的经营计划。经过这三轮数据加工，大模型才算是用好了数据，真正懂得了这个店的经营。

下面讲智能体这个轮子。前面提到我们借鉴了 ClaudeAgent 和 OpenClaw 的推理设计，设计了一个主 Agent 负责统一编排、子 Agent 负责独立任务执行的主从 Agent 结构。主 Agent 就是经营大脑，负责做目标拆解，将子任务派发给原有的选品、定价、内容生产等子 Agent，子 Agent 独立执行。每个子 Agent 可以独立发展，也可以独立使用。这个设计的好处是：当业务能力迭代、子 Agent 越来越丰富时，主 Agent 改动不会很大，而主 Agent 能力也越来越强。

在部分场景下，我们也会做模型微调。主要针对性能有要求或成本有要求的场景，我们会对一些小模型做微调。整个微调思路是先用高级模型跑一些冷启动样本，再把线上真实数据加入进来做 GRPO，然后两路数据合流去对小模型做微调。经过微调的小模型，业务效果可以逼近大模型的效果，但在成本和响应时延上得到比较大的降低。

下面来讲一讲一次经营诊断在运行时的一个业务过程。首先把商家的经营问题输入给经营大脑，经营大脑先做一个统一的上下文构建，里面包含商家当前的用户画像、历史执行结果以及用户记忆，还有当前经营大脑可以使用的一些 Skill。然后经营大脑判断这个任务应该派发给哪些子 Agent、每个子 Agent 做什么样的任务。

分派给所有子 Agent 之后，子 Agent 并发且独立地执行。每个子 Agent 拥有独立的上下文、独立的 prompt、独立的模型和 Skill 列表。当子 Agent 执行完成，它把结果回传给主 Agent。主 Agent 判断是否要进行第二轮执行，还是说当前结果已经 OK 可以做总结返回给用户。在这个过程中，还会有一个异步模块，把当前整个会话中的结果数据做总结，如果有价值的话，把它加入到这个商家的短期记忆中。

这套架构最大程度保留了大模型的自主规划能力。同时，我们通过通用的 Agent 定义、通用的 Skill 协议、通用的上下文设计，降低了这些 Agent 的维护成本。这也是我们能够从单点 Agent 走向规模化 Multi-Agent 的关键所在。

目前快手分销的上述 AI 产品能力都已经规模化落地，服务了数万商家和达人。托管产品能力的覆盖用户数一直在增长，主动取消率保持在 2% 不到，说明托管能力对商家和达人来说还是比较认可的。我们的产品能力主要服务新商和新达，帮助他们做好自动化经营，也帮助大量的新商和新达实现了从零到一的动销。

核心经验总结主要有三点。一个是双轮驱动，从实践经验看，数据智能基建和业务专属智能体的建设，对于大模型的效果来说同样重要，都非常关键。第二个是组合智能，前面提到的 AI 能力不完全都是使用大模型解决的，大模型也不是所有问题的最优解。在部分场景下，我们也会使用传统的算法模型，比如推荐模型、聚类模型或者白盒化的数据模型。第三个经验是比较感谢业界的最佳实践，通过它们的灵感，我们找到了平台化的扩展方式，让后续的迭代事半功倍。

关于未来，还是前面提到的那句话：我们会继续深化在 AI 经营领域的探索，去实现我们的愿景——让每一个商家和达人都能拥有自己专属的智能经营团队。

会议推荐