---
author: 硅谷101播客
date: '2026-10-09'
guest: ''
layout: post.njk
source: https://www.youtube.com/watch?v=Fhx_qNS2P8g
speaker: 硅谷101播客
tags:
  - ai-agent
  - workflow-automation
  - e-commerce
  - benchmark
  - model-routing
title: 模型越来越强，为什么用户没感觉？再访阿里国际站总裁张阔
summary: 阿里国际站总裁张阔深度拆解AI Agent在电商领域的落地现状。面对通用评测逼近满分但实际体验提升有限的脱节现象，团队开源107个真实电商任务基准，通过帕累托最优模型路由将成本降至三分之一。访谈深入探讨了垂直Agent的供应链壁垒、长程任务演进以及人机决策边界。
insight: ''
draft: true
series: ''
category: ai-application
area: tech-engineering
project: []
people: []
companies_orgs:
  - Alibaba
products_models:
  - Accio Work
media_books: []
status: evergreen
---
### 电商场景中的AI落差

**Yiwen**: 大家好，欢迎回到《硅谷101》，我是Yiwen。之前我们聊到了大模型的训练数据和榜单，提到每次新模型发布，各种榜单上的成绩都在刷新，但这种进步对于我们用户来说，很多时候并没有变成工作中的进步。

以电商为例，从一个产品创意到把它做出来、卖到全世界，中间要研究市场、找工厂、比较报价、安排物流，还要在不同平台上开店、发布商品，最后算清楚这笔生意到底赚不赚钱。这些工作 AI 现在能接手多少，又会在哪一步卡住呢？

半年前我们请到了**阿里国际站**总裁**张阔**，聊了他们刚发布的 **Accio Work**。半年过去，Agent 产品不断更新，所以我们也再次请到他来聊聊，这些变化究竟给商家的实际经营带来了多少帮助。

张阔分享了一个观察：很多模型的通用评测成绩已经接近满分，但在真实经营中，他们并没有感受到同样幅度的提升。于是团队从实际业务中整理了 107 个任务，测试 AI 在没有人干预的情况下能不能把工作做完。

下面就是我和张阔的对话。阔，你好。

**张阔**: 你好。

### Coding与商业Agent的差异

**Yiwen**: 阔 3 月份的时候就上过我们一次节目，那个时候是你们春节之后刚发布 Accio Work 这个产品的时候。当时你就说 Claude Cowork 这个产品比当时特别火的 OpenClaw 更值得关注。现在过去了半年左右的时间，市场印证了你的判断。我觉得我们可以先聊一下 Cowork 的整体市场，你现在对于 Cowork AI 同事这个市场的整个判断是什么？

**张阔**: 因为 Agent 最开始出来，解决的第一个问题是 **Coding**。我们现在认为 Coding 的市场渗透率我估计有 99%，因为很难看到身边有一个研发人员不用任何 AI 去写代码，现在绝大多数代码应该都是 AI 产生的。

如果跟这个相比，第二个垂直赛道的渗透可能都远远小于这个数字。因为 Cowork 本身偏 work 类的产品，它可能完成的内容和能够给它交付的内容相对来讲还是比较有限，还是一些文案类的工作、计算类的工作可能完成得更多。

但对于商业，尤其像电商这种要去更复杂地判断、可能更长程的任务，以及它最终这个结果不是一个当下马上可以 **verifiable**（可验证）的结果，对于这类的场景来讲，我们觉得整个 Agent 也是刚刚开始的一个状态。

**Yiwen**: 所以我们现在还是把工程类的 Coding Agent 和非工程类的一些商务类的应用分成两块来看的。你觉得为什么 Coding 的任务交给 Agent 可能更加容易一点，相比你刚才说的比较少用的这些 work 的场景？

**张阔**: 我觉得一是本身关于 Coding 的工作是 100% 数字化的，所有的 code 在 **GitHub** 或者在所有的 **Codebase**（代码库）里边，容易被 AI 更广泛地学习。

第二个，去做这个内容的 verifiable，它是一个天然可以 verifiable 的工作。这个到底能编译完成还是不能完成，出来的结果到底对还是不对，这些事情天生比较适合现在大语言模型去进行。

但如果我们把它换到商业这个场景，就太复杂了。第一，数据可能更加多元；第二个，它本身其实没有一个通用的流程可言。你可能最终有一个结果，而且不同的企业对于这个经营的结果好跟坏的判断也有自己的差异性。然后你要去做结果的验证，可能这个验证不是以单次去计的，它可能是以一天、一周、一月或者一年去计的一个结果，它整个反馈的闭环周期就是很长的。

### Accio的迭代与电商落地

**Yiwen**: 自从 Claude 上半年正式推出了 Cowork 这个产品，通用的 Cowork Agent 有没有尝试去解决你刚刚说的那些问题？这个中间有没有发生什么变化，是你觉得比较值得去探讨的？

**张阔**: 第一个就是这个赛道肯定更热闹了。在中国，你进到任何一个电梯间里边，你现在可能看到的最多的产品就是各类的通用办公类产品。从产品的体验角度来讲，我觉得各家都会有一些自己的特色。

从 Accio Work 推出来讲，我们核心可能还是要解决电商这个垂直人群的问题。今天跟之前比，它能解决的问题肯定更泛化了。如果说我们这个产品一年之前，当时核心解决的问题是一个 AI 搜索的问题，它就相当于 Alibaba.com 的 AI mode，买家可以以更自然语言的方式去描述自己的需求，或者通过多模态的方式去表达自己的需求。我们现在去看，整体搜索涨 20%，但是多模态搜索涨 130%，就是现在越来越多的用户去描述自己的需求跟之前有一个很大的差别。

第二个阶段，**Sourcing**（采购）本身向前向后工作比以前延展得更多了。比如之前从搜索更多的是一个 query（查询），现在向前延展了：要做市场的调研，要做产品的 **Design pack**（设计文档）的设计；有这个设计之后，他把这个设计交给供应商，可以跟供应商去推进整个沟通的过程，包括最后完成交易，我们管它叫 **agentic trade**，一个 AI 驱动的交易。这些是我们看到一个 Agent 在 sourcing 上面去表达得更完整的一条路径，而且它能解决的问题跟之前比可能有一个非常大的差别。

到新的阶段，今年 4 月份我们再推出 Accio Work，希望它解决的问题可以更泛化。跟电商相关的问题，我们刚才讲的 sourcing 可能都是跟供应链相关的。因为 Accio Work 本身就基于 **Alibaba.com**、基于 **1688**，它就是全球最大的一个供应链平台。很大一类用户其实就是电商用户，他在 1688 进货，可以在淘宝、天猫、京东、抖音上去卖；在 Alibaba.com 上去进货，那就是在全球的各个电商平台上，无论是 Amazon、Shopify、eBay 等等去销售。

现在 Accio Work 可以帮我们所有的用户去管理他所有的电商后台，通过一个一站式的服务去理解你整个多平台的经营情况，去管理你整个的供应链，去管理你整个企业、员工在整个日常经营里边的表现。这个是现在我们看到这个 Agent 能够再进一步地泛化去解决的更多的问题。

**Yiwen**: 可不可以具体举一个例子？比如说一个跨境商家，他一开始用 Accio Work 是想要解决什么样的问题，这整个流程是什么样的？

**张阔**: 我们这次在 **CoCreate** 大会上正好讲了一个商家 Edward 这个例子。他原来自己喜欢种植物，但是经常把花养死，他就想创造一个产品，怎么让植物去告诉他现在它是个什么状态。

但从有这个想法到把这个产品做出来，它是一个消费级的、个人的消费电子产品。怎么能把这个产品做出来变成一个 design pack，这就可能难住很多的创业者。最后这个电子产品到底用什么样的检测设备，到底用什么样的读取设备，怎么把这个成本压到最低，卖的时候你可以有 margin（毛利/利润率）。

Accio Work 首先帮你做 design pack 设计；第二，可以帮助你找到所有广州、深圳这些做电子产品最厉害的厂商，帮助你制造出这个产品；然后可以帮助你去解决所有跨境领域的问题，无论是你要订船期，你过海关的时候到底要用什么 **HS code**（海关编码）去过，以及运到当地之后我们怎么去管理物流的过程。

有了之后，你要产生各种各样社交媒体的内容，上 Amazon、去 eBay、去 Shopify、到 TikTok 上去卖你这个产品。这个过程中你要管理多个店铺，然后去管理所有的社交媒体内容，有的内容要符合不同平台的不同规则，可能还有不同的定价计划，管理各个平台的买家给你的 feedback 等等，在持续地迭代这个产品。

现在 Accio Work 就可以帮你把这个完整的周期在一个 Agent 里边去完成，去跨端地管理你的整个一本生意。

### 人机协同与效率跃迁

**Yiwen**: 我理解这个过程当中，比如说你刚刚提到 sourcing 以及 sourcing 前后的这样一些步骤，Agent 它可能会起到一些搜索和推荐的作用。这个中间有哪些步骤还是需要人去完成的？它应该还是需要商家做一些选择，知道哪个是更好的，这些东西是人和 Agent 合作的这样一个步骤。

**张阔**: 我可以描述一下最开始如果没有 Agent，人是怎么做的。

你从 query 一个关键词开始，你要把这个产品做出来，那你大概其就要知道这个产品需要有什么样资质的工厂和商家能做出这个产品。你可能要管理 Excel，这一个 Excel 可能有 20 列，比如说十几个供应商之间，你从他的生产制造能力，到他当地有没有制造这类产品的资质，他工厂的水平、拿货的价格，包括他可以给你的账期水平、物流的方案等等，你最终选到两三个要合作的厂家。这过程中可能省略的就是你要 back and forth（反复沟通）跟这个供应商要去交互，周期一般可能是以月计，到最后你能拿到一个样品。

如果有 Agent，我们可以把你这个周期缩短到以天计。它可以帮助你把你的想法首先分解成一个可以制造出来的产品和这个产品究竟需要什么样的能力，然后从 Alibaba.com 这个平台里边，包括用这些商家自己的详情里的内容，以及商家上传的自己这个企业知识库的内容，帮助你去匹配最合适的商家。然后在你允许的情况下，它会去跟若干个商家去做沟通、去推进，拿到你最终想要的这个报表。前面花一个月去维护的这个 Excel，现在这个项目可以用 AI 可能在 24 小时之内帮你达成一个结果。

**Yiwen**: 比如在刚刚我们举的这个例子里面，这个产品比较复杂，所以它其实也有相当于是赋能这样一批商家去找到一些他们可能一开始不太熟悉的产品，这里面有更多的可能性。

**张阔**: 对的。我们的供应商给我们的反馈说是没有见过这么专业的 design pack。因为一般买家都是笔在纸上画一画，大家开始去交流的，你只要把这个事情能搞清楚就要花很多精力。还有很多时候，就是当拿到的东西发现跟你原来想的又不太一样，这是大量有纠纷、反复沟通的过程。

开始能把一个人的想法真的能说清楚，到最终我们给你算出来一个到手价，到你在零售之间的 margin 是多少，能把这个信息更多地给用户去呈现出来，我觉得也能极大地去提高他们自己做生意成功的效率。

### 中美Agent与SaaS格局

**Yiwen**: 我们刚才是简单地以 Accio Work 为例子，看了一下电商这个垂直领域的 Agent 这样一个用法。我想回到你一开始提到的通用 Cowork Agent 的这个点。你讲到国内有很多厂商在竞争这个赛道，我们最近听到比较多的就是像 WorkBuddy 这类的产品；在美国也有很多通用的 Agent，Meta 刚刚发了 Muse，之前 Grok Bot 也是大家评价说是一个非常好用的产品。能不能给我们讲一下这个市场的竞争，你觉得现在整体的格局是怎么样的？而且你现在也在美国，你觉得中美之间有没有什么比较大的差异？

**张阔**: 从办公的角度来讲，我觉得可能差异相对来讲小一些。当然它也有一些不同的场景，这是跟原来这两个地方本身企业的延续性有关。

因为比如在美国，SaaS 就是个挺大的生意，然后这个 SaaS 的生意本来就是垂直化的。做 CRM（客户关系管理）的有 SaaS，做广告类的、做律师类、做医疗的，都有自己垂直的成熟的 SaaS 体系。这个生态在中国就不太一样，中国可能有很多平台侧，它有非常多垂直的整合进去的功能。所以 AI 进来的时候，它本身也有一定的惯性的差异。但是从最终要给用户去交付结果来讲，各个平台想做的事情都是一样的。

**Yiwen**: 其实这个市场的观察也很有意思。因为你说到 SaaS，比如我们先从美国这边来说，其实咱们上次聊的时候相当于是美国 SaaS 恐慌情绪最严重的那样一段时间，就是有很多 sell off（抛售）。包括说现在 AI 的能力，其实 Claude 推出 Cowork 之后，也有很多投资人担心说这又一次地杀死了很多 SaaS 公司。当时你提出了一个判断就是：只要一些 SaaS 公司能把 AI 用得好，反而 AI 可能是一个利好。现在我们看到很多 SaaS 公司也没有我们想象的那么在这个过程当中没有办法继续生存下来。能不能再聊一下，这几个月过去，你觉得 Agent 对于这些 SaaS 公司的影响，你看到他们采取了什么样的对策？

**张阔**: 如果这个 SaaS 本身做的内容比较简单，有一些就是 AI 自动可以帮助他做的事情，可能你说它削弱了一些 SaaS 本身的能力，这个事也是存在的。

因为 SaaS 本身跟工作流集成得比较紧密，它对于整个企业上下文的理解，尤其这个企业，我们现在比较流行一个词是 **ontology**（本体）。你就算请一个大学生来，你搞不清楚这个企业本身各个数据到底意味着什么，以及这些企业最终经营的目标是什么，你就让一个人去做这件事也很困难。

今天一方面 SaaS 自己也可以围绕这个角度去升级自己的产品，用更多的 AI 去推动；反过来一个 AI 进到一个企业里边，它也一定要去理解到底这个企业各种数据意味着什么，这个老板到底是想基于什么东西去做优化。你最后达成一个交易，不是这个交易最终只是成交了它就能代表好还是坏。这个交易到底是为了有更多的利润率，还是为了有更多的市场份额，我可能预算的使用方法都是不一样的，我需要库存的方法、我需要去做广告的方法可能都是不一样的。这些事情其实没有办法你扔一个通用 AI 进到一个企业里边就能保证完成。

同样的，原来的 SaaS 必须要人推动去执行，但是它的好处是它了解很多企业的经营上下文。如果你有更好的 AI 去帮助，它也可以去拿到更好的结果。我觉得现在可能更多是两边都要互相集成的这么一个过程。

**Yiwen**: 在美国，像你刚刚提到的一些垂直领域，法律、医疗，像 **Harvey**、**OpenEvidence** 这样的产品其实现在做得都非常好。但我理解这些可能更多还是 AI-native 的 Agent 产品，而不是可能一个 SaaS 公司去转型加上 AI 来推动这样一个工作流。

**张阔**: 每一个时代都有这个时代的公司。一些人对于这个技术理解得更好，同时对于经营的领域理解得更深，它可能速度就更快。就像移动互联网时代有移动互联网时代的产品，到每一个有技术转折的节点，都会有一些新的公司冒出来。

**Yiwen**: 那你觉得在中国的市场，你刚刚说从平台的角度去推动，这个对于用户的需求，我们怎么理解这些产品的用户需求？

**张阔**: 比如美国跟中国的电商就有很大差别。如果是一个中国的企业在中国经营，它第一个想法一定不是做个独立站。但是在美国，你发现 **Shopify** 这个生意，或者是独立站这个生意，还是个挺大的生意，而且还在持续增长。比如在美国 Amazon 它确实是个平台，在这个平台上你可能客户自己都接触不到，你要把商品发到一个仓里边，通过 **FBA**（亚马逊物流）的方式把它卖出去，这很适合当地的这些目前企业经营的状况。但是如果你想要有自己的独立品牌，想要有自己的独立客户，要跟所有的客户去建立关系，那可能 Shopify 就是个选择。

但在国内，假设淘宝和天猫，它就是基于两者之间的一个状态。它既是一个平台，你可以在这里边更低成本地获客，同时在这个平台里边也集成了大量的电商类的工具。其实最终它给客户交付的这些价值项是一样的，只不过它表达的形态在不同的地方是不一样的，仅此而已。

### Agent工程公式与三维演进

**Yiwen**: 基于这个区别，你们 Accio 有发布国内和海外不同的版本吗？

**张阔**: AI 这个产品很有意思，它的第一天就是全球化的，天生的没有语言问题。你在各个地方可能你要解决的不同用户的交互问题是大同小异的。第二，从客户交互的角度来讲，它交互的门槛肯定比之前大部分降低了。虽然它里边有一部分 GUI（图形用户界面）的属性，但是大部分用户在交互的时候是 LUI（语言用户界面）的方式，我把我这个工作描述清楚了，我就可以把这个工作交付给你。

但是它需要做的差别是什么？我们说 Agent 有一个公式：**Agent = Model × Harness × Context**。不知道业界是不是统一这么说，但我自己总结可能是这个样子。为什么是乘法？哪一项是 0，整个这个公式结果就是 0。你既要在模型上做优化，同时也要在 harness 上优化，也需要在 context 上做优化。

美国跟中国肯定它在 harness 和 context 上会有差别。因为美国接的工具、接的平台跟中国的工具跟平台是有差别的。Context 跟你自己日常经营的上下文有关系，跟你平台集成的情况有关系。比如如果在 Alibaba.com 和 1688 里边，你跟供应商之间的交流也是你的 context 一部分，对话也是 context 一部分，你这个商业的数据也是 context 的一部分，平台长时间积累的一些数据、我们去看到的一些垂直的行业属性、趋势等等，可能也是 context 一部分。我们就要把这些所有的数据基于不同的区域、不同用户的需求整理在一起，才能更好地去达到 Agent 想要的效果和水平。

所以我们开始做，其实最早做的是海外用户，现在在用可能更多的是中国的用户。从供给侧、从 Enterprise（企业版）这个版本来讲，中国的企业很多；从个人用户或者从买家，或者一个电商经营的视角来讲，可能国外的用户用得最多。这跟以前还是有挺大差别的。像国内有 1688，跨境的有 Alibaba.com，我们做了二十几年，这还是两个平台。但是 Accio 从第一天起，它就可以做一个全球平台的产品。

**Yiwen**: 这个非常有意思，可能是 AI Agent 时代一个新的产品设计范式，就是你说第一天我们就可以做一个全球化的产品。你觉得这可以适用于所有的 Agent 产品吗？

**张阔**: 如果需求本身是接近的，因为电商本身我们认为这个最大公约数是比较接近的，那这个事情应该是成立的。如果这个需求本身在各地具有非常大的差异，流程有非常大的差异，环境有非常大的差异，那可能还是有很多需要在每个区域里面去重做的部分。

**Yiwen**: 你们推出这个产品也有一段时间了，在你刚才提到的这三个方面——Model、Harness 和 Context 里面，有哪个部分是你们持续投入的时间或者精力更多的吗？还是这三个部分你觉得都是一样重要的？

**张阔**: 此时此刻我觉得可能是齐头并进的。

最开始大家可能在 harness 上会花的精力比较多。因为你要连接不同的 tools（工具），要管理你自己的 memory（记忆），要做好用户的授权等等，这一整套工程的事情是保证你这套系统能够持续运行的。做电商天生可能就是一个长程任务，它是要连续几个月不停地去执行跟经营，你能不断地优化得到结果的，所以在 harness 上本身就要花非常多的精力。

我们在 context 上天生就是有优势的。因为本身我们就积累了 20 多年，至少做电商还是做跨境电商，还是做 sourcing 和采购，这里边有大量的可能跟每天沟通相关的信息，当然也有大量的行业属性，有大量平台的趋势属性，这些信息都可以进来让你得到一个更好的结果。

现在我们在 model 上其实要花非常多的时间。因为 model 跟 harness 这两个我们发现是要在一起去优化，不是你只优化一个，另一个你就直接可以去用一个通用的 frontier（前沿）模型就能完成的。而且现在对于 model 大家的经营肯定都更深入，也不是说用一个通用 model 我们简单地做做 FT（微调）就行了，可能都是要基于一个一定尺寸的模型去做后训练。同时在 model、在 serving（推理服务）和在 harness 这三个上面都要去做非常精细的打磨，你才能拿到一个模型最好的效果。

只要能同时让它产出的结果效率最高，你可以用最低成本去达到一样的结果，同时你要让你 cache 命中率、你要让你整个模型产出结果的准确率达到一个新的水准，它肯定是在训练和在 serving 和在 harness 上要同时去做优化的，而不是你只是简单地优化一件事。现在我觉得至少在这个角度来讲，可能竞争更加是一个多元化的、全方位的竞争了。这也是让不同垂直领域里边的这些 Agent 能够真正跑出来的原因，因为它不是一个通用模型再加上你给的一些简单的 prompt（提示词）就能产出结果的。

### 107个电商任务评测与帕累托最优

**Yiwen**: 这也是一个很好的过渡，因为你说到模型还有 context 这两个点，我觉得可能就对应了相当于是通用模型和垂直领域的模型这两个不太一样的发展方向。我们上次聊的时候其实也有问到：当现在底层模型能力越来越强的时候，我们为什么还能在垂直 Agent 身上看到机会？你们当时就提到说，你们来做这个产品有 20 多年的优势，包括有信息、数据的准确性，可以形成一个比较有效的强化学习机制。近半年来模型也有那么大的进步，你觉得这些优势它的作用是更明显了，还是它有什么变化？

**张阔**: 第一个，我们对这个事本身的理解也是持续有迭代的。为了去衡量这个 Agent 好不好，我们甚至做了一个自己的基准测试。

因为现在模型发布的时间比我们上次聊的时候可能频次更快了，我估计我在硅谷这待一个礼拜，光个人助理就发了好几个。但是我们自己日常经营下来就发现，当一个模型说它出来了，它都会说各个角度都更好，甚至非常多的榜单都已经达到 99 分了，满分 100，在 99 小数点之后去进步。但我们自己在日常去使用的时候，又没有感觉到像说得这么好。

所以我们后来就觉得，我们自己不断实践里面去发现，比如 Coding 在数学或者在通用的 agentic（智能体）的能力上得分比较高，和你在电商领域里边能完成更多的工作，这个事情其实没有那么大相关性。你的通用智能水平变好确实能让你在完成一些工作的通过率更高，但是从我们整体的感觉上来讲，大家没有把本质的水位每一次发布模型的时候拉得那么大。

所以我们就基于我们上百万的在 Alibaba.com 里边真实经营的数据，包括 Accio 里边的真实的这些问答数据，我们大概总结了 **107个 task**（任务）。这 107 个 task 现在是开源，我们也希望所有的模型在训练的时候可以围绕这个开源的基准测试去做自己的评测，这样我们每次出来我们也可以借点大家的光。因为不然的话大家评测的内容都不一样，就会发现这个模型进来我们还要做非常大的适配，才能让电商类的 workflow（工作流）可以做得更好。

然后这 107 个 task 再加上 Accio 作为一个统一的 Harness，我们就可以去评测各个模型在基准测试下面它的表现。事实上可能现在最 frontier 的模型在我们这个基准测试下面能够通过率就是 61% 多一点点，它想要达到及格水平现在都有点费劲。但是它不代表说 61% 就是这个工具不能用，61% 是说全部人不干预的情况下能不能完成。但每个工作的难度是不一样的，我们把它分成 L1 到 L4，越长程可能它最终的结果就是越开放型的，这时候能通过的模型可能就更少一些。

我们把所有这些模型放在一起，就形成一个新的**帕累托最优曲线**。我们希望给用户优化的是什么？最终拿到一个最好的结果，你要用最低成本。就不是说模型升级了，于是大家都跑最贵的模型，然后去完成最简单的事情。一定是你其实有非常多的低成本的模型，尤其是中国我们出非常多的模型、非常高性价比的模型，当然也有一些 frontier 的模型解决一些复杂和困难的问题。由 Accio Work 这个产品本身帮你去路由不同的问题到不同的模型上，同时基于我们自己 harness 能力和 context 能力，即使同样模型我们也可以拿到更好的结果。这是我们在实践过程中不停地在尝试的问题。

比如我们用**千问**最新版本的小尺寸模型做 post-train，它能拿到的效果已经非常接近 frontier 的 top 的模型。这样大量的这些简单的工作，我们其实就可以路由到一些小尺寸模型，更快的时间去拿结果，同时更高的效率。因为现在商家侧我们一个感受是：必须是一个用得起的 AI，才是一个有价值的 AI。因为它是一个日常经营使用的产品，它不是一个我为了解一个数学难题一次性我就用一下这个产品、之后就不用管了，其实跟这个还是有很大差异的。

所以在同样任务的情况下，107 个任务把它都跑完这个情况下，Accio Work 跟 Codex、跟 Claude Code，我们就换一个角度去比 Agent，完成同样的通过率上的任务，Accio Work 的成本是三分之一。我们可以不断地把它降到更低，这样让更多的人可以更大规模地把他的工作交付给 AI，这是我们想要去优化的目的。

**Yiwen**: 能不能具体来讲一下你们做的 benchmark？你说到 107 个任务，能不能跟我们描述一下是什么类型的任务，这都是具体的电商任务是吧？

**张阔**: 是的。举几个例子，有的是跟电商相关的，有的是跟平台相关的，但都是日常过程中我们可能经常会交互或者碰到的。

比如从一个买家去给商家发 quotation（报价单），这个买家要从大量的商家回复的 quotation 里边去选择最合适的一个供应商是谁。这个内容本身含了非常多的信息，除了你要回复你对他的产品、你的生产工艺、制造、价格以外，可能还需要包括产品到手价是多少，给你提供的物流解决方案是什么。然后在这个 quotation 的回复里边，我们还可能给他去掺杂几个钓鱼邮件，我们要把一些有害的信息识别出来，把一些有价值的信息识别出来，最后把从生产侧的工厂价格到含税的到手价格每一个把它算得很清楚，要选出最后一个正确答案是什么。这是一个 task。在中间你可能任何一个环节 fail 掉了，或者你算的结果是不对的，那这个 task 就没完成。

第二个，比如要去订一艘船，给定的交期到起始点到底是什么，然后你要在那个船务公司的网站上能够预订到这个船。如果预订成功了，那就算你这个工作完成了，否则就算失败。

然后平台有大量的 dispute（纠纷），这个 dispute 你是要最终判断基于现在比如买家对于卖家的投诉或者是对于供应商的投诉，他现在提供的信息是不是完整，你的结论是不是赔或者不赔，是对还是不对，是要判断的；现在需不需要更多的信息来去做最终的判断。

这些都是日常工作中你会看到，有的是监测你最终计算结果的，有的是要监测你是不是能执行成功，有的就是监测你对于这个商业的判断它现在是个开环问题还是个闭环问题、能有结论的问题。类似这样的问题我们大概有 100 多个，涵盖七大类。107 是此时此刻 snapshot（快照）的数据，你下个月再问可能就比这个多了，因为我们也是持续地把更多的、更复杂的问题加到这个基准测试里边，去保证整个模型的测试跟真正日常经营的结果是相同的。

而且因为经常我们这个模型迭代或者 Agent 迭代一段时间之后要避免腐化，你做一段时间发现原来案例又不行了或者结果更差了，这是一个不能接受的结果，所以不停地就要 evals（评估）。我们每一个版本迭代的时候，这个产品其实可以再向前去推进。

如果我们说广义的 AGI 怎么定义不一定有定论，我觉得我们这个商业上的 AGI 是好定义的：就是你用这个 Agent 的产品经营，当然给定一定的边界，就是你的预算、你的供应链是一样的情况下，这个 Agent 一定比一个人去做日常的这些操作和判断能赚到更多的钱，那就是这个商业领域里边的 AGI。

### 真实业务中的高频痛点

**Yiwen**: 你刚刚提到的七个大类，有的是 sourcing，有的是 dispute，其实这些能力就可以说是不太一样的能力。你觉得在真实的场景中，有没有哪些环节是对于商家来说更困难、需要 Agent 去完成的？有哪些环节可能是商家更愿意个人操作的？

**张阔**: 我觉得可能不会这么分。我们都会把一些比如说一定需要人做决策的事情留给人。比如你要去支付、要采购这批货这个按钮，一定是交给人去判断的。因为你要对于你整个的经营结果负责，那就是所有这些交易条款帮你生成了之后，你要去确定要不要做这笔采购，这肯定是人要去做的事情。

从分的角度来讲，我觉得按照频次来讲可能更有意义。因为最近做了非常多的电商的商家访谈，因为 Accio 在国内也可以解决 B2C 的商家日常经营的问题。因为我的工作前 6 年，2011 到 2016 都是在淘系，就是淘宝和天猫去做商家的平台，包括开放平台、工具等等，那个时候对于整个商家后台的经营还是比较清晰的。

然后我们做 Accio Work 这个产品之后，我就站在另外一个视角去看，它到底要怎么用 AI 的产品去做日常经营。发现非常有意思的事就是，我们当时觉得这个产品已经做得比较极致，包括让商家怎么去看数据，怎么去看客服的体系，怎么去做日常的客服经营；但今天有了更强大的 AI 的能力之后，你会发现大家去看问题的方法和去经营的方法还是有非常多不一样的视角和方式，一定是比以前做生意做得更灵活了。

比如这个用例，第一个就是**多平台经营**。现在你要问国内的商家，可能大部分是多平台经营：抖音电商、淘系电商、京东、拼多多等等。现在到底哪个平台今天挣到钱了？是你有大量的流水进来，但是不代表你最后的经营是有利润。这个问题本身其实就要跨多个平台的数据去看投入的情况、收益的情况、退换货的情况，最后给你形成一个完整的报表。以前可能一个人要拿到这个问题，多个平台去来回切换、整理 Excel，最终你还不一定算对。我觉得现在 AI 去解这个问题应该非常容易，任何时间节点都可以给你一个你自己跨平台的实时经营的结论。

第二大类就是**发布商品**。其实很多平台、很多商家要经营多个平台，每一个平台它的规则多多少少都有点差别；然后每个平台因为它的受众和它自己的媒体形式有差异，你发布这个内容又多多少少有点差别。稍微有一点规模的商家，这个叉乘关系起来就是一个非常大的工作量，发布一个商品光把它更新一遍就是很大的事情。这个事现在交给 AI 就非常方便，你有一个新品在多个平台上发布，或者说你对于一类商品都有一个统一的更新，到一定的时间了你要做大促、打折操作等等，这些事情 AI 的重复性的工作做完了之后给你一个判断，你可以选择放在草稿箱里再把它发布掉，或者你直接给它授权让它去发布掉，它来告诉你一个经营结果，它肯定是比人的效率和精确性要高。

再比如说任何一个大一点的店可能都有客服经营的要求。当一个客户进来问问题你怎么回答？以前可能大家开经营会一条一条拿出来看谁答的是对的、谁答的是错的，当然你可以基于一些转化数据去给出评论。现在 AI 很容易的事情就是马上把你所有这些经营的结果分析一遍，告诉你什么人什么样的回答是个更好的方式。对于 ToB 来讲，哪些客户现在可能出现了问题，你这个交易本来可以进展得好好的，但中间可能出了什么问题这个单子可能要黄了，它会给你一些提前的预警，或者告诉你这个单子接下来最重要要做出的判断是什么等等。这些事情原来要大量的人去做复盘，对于业务的主管要求很高、对业务员要求很高的事情，现在 AI 一定可以比原来做得更好。

**Yiwen**: AI 关系的增强让大家的工作方式变得更加灵活，你觉得商家的预期会不会也变得更高或者更加复杂？

**张阔**: 一定是这样的。每次你做一个产品，大家都会去提一个更高的要求。我可以从一个数据来去表达，因为我们每天会去分析 Accio Work 里边刚才说的七大类，在七大类里边每一大类还都有从 L1 到 L4 的难度任务。从发布的第一天到今天，我们去做一个今天的截图，你会发现任务的难度都是不断地从简单一直推到复杂的。

开始大家可能都是 L1 级的任务，我去问一些问题，你能给我答案就挺好的；慢慢地就开始我要交给你一些任务，你把这个任务帮我做完；后来变成我交给你一些更复杂的任务你来去帮我做完；到我要交给你一些跟经营最终判断相关的任务，你要帮我去做完。商家侧一定是每一段时间会去推动你这个产品要去帮他解决一个更复杂的问题，交给这个产品更多的任务让它自己去重复地执行，让这个店铺里边更多的经营数据可以交给这个 AI 让它帮着去做判断。但是最终还是要人去做一些最重要的判断。我们核心讲的还是说越来越多的重复性工作交给 AI，我觉得这个是对于电商本身的一个进步的表现。

### 商业直觉与最终红线

**Yiwen**: 你刚刚提到最后一个下单的动作肯定是要交给人做的判断，还有什么你觉得是比较重要的判断？

**张阔**: 那太多了。假设说我们说现在 AI 能帮助人做非常多的重复性工作了，你有一个想法，最后你要把这个想法变成一个产品卖给更多的人。第一步，你这个想法靠不靠谱就是个非常重要的事情。你解这个问题是不是个真问题？你解这个问题面对的客户群体是不是一个对你设计这个产品感兴趣的客户群体，并且他的基数足够大，愿意支付足够多的溢价？这些事情都是要人去做判断的，这个产品的 taste 都是人去做判断的。

你此时此刻对这个市场的预测和判断，这也是一个人本身经营的直觉。同样一个 budget，你是希望更多的广告、更少的库存，还是更多的库存、我要铺更多的渠道但我要有更大的 margin？这都是大家对于你这盘生意目前经营的一个判断。这些事情我觉得现在还是需要人去按这个按钮。AI 可以帮助做大量的市场分析、调研、竞对的判断等等，但是最终这个商业判断还是人去做。

**Yiwen**: 我想再回到我们提到的这 107 个电商任务 benchmark。因为你刚才提到这个数字，就是成本的降低，用 Accio Work 的估算成本是 3.69 美元，我看到是你们给到的一个数字，Codex 和 Claude Code 都是在 9 美元以上，所以就是 Accio Work 的成本是另外两家的三分之一。这个成本具体包括什么，能不能给我们讲一下？你觉得在这个过程当中为什么 Accio Work 的成本会更低？

**张阔**: 为什么更低我觉得比较好理解。因为我们本身就是用帕累托最优的模式去路由所有的工作到不同的模型上。比如 L3 以下级的工作相对来讲比较简单，我们用小尺寸的或者用高性价比的模型就能完成，我们肯定最大程度地帮商家节省成本。然后有一些模型对多模态的要求比较强，对于整个视频的要求比较强，你可能就要路由到一些特定的成本上。

核心它的优势就是你集约采购，你比个人去用这个模型的成本肯定还是便宜一些的。同时同样的模型情况下，我们在不同的 harness 的工程的实践和对于 context 的管理上，要比你用一个通用模型的效率会更高一些。这些方向都是我们能够帮助用户去节约成本的。

为什么我对这个事很关心？因为也经常去看商家侧的反馈，会觉得贵。有的时候可能是对于一个特定 task 觉得贵，有的时候他就是我固定选择一个模型，比如我就用最贵的模型解决所有的问题，他觉得这个事情贵。我们给客户的建议都是你可以直接选到 Auto 模型。Auto 就是我们可以帮助你基于帕累托最优去优化你所有的工作到底应该用什么样的模型去完成。

当然对比 Codex 跟 Claude Cowork，因为它自己本身是 Agent 跟自己的模型去做绑定的，有很多类似路由这些工作它可能是没有办法做的。这也是你从美国这个市场能看得出来，美国有一大类的生意非常受欢迎，就是类似 OpenRouter、类似 Fireworks，它就要 hosting（托管）大量的模型，帮助你去优化每一个模型解决什么样的工作跟任务。现在越来越多的模型成为 commodity（通用商品），每一段时间都有一个更好的开源模型去出现，其实也是至少在一个相当长的时间节点里面，我们觉得是有非常大的优化空间的一件事。

**Yiwen**: 你们现在支持哪些底层模型？

**张阔**: 基本上你能看得到的都支持。当然了，有一些帕累托最优曲线已经完全埋在下面的，那就没有必要支持了。

**Yiwen**: 我们现在聊的时候，GPT-6 Astra 这个模型刚发布，大家也在讨论它减少 token 的成本，包括说是一个能力更强的模型。因为你们测试用的是 Codex 和 Claude Code，你觉得在 Astra 之后，这会对你们造成什么影响吗？

**张阔**: 我觉得你再过两天可以直接去我们基准测试上去看 Astra 的评分，我觉得再给它们测两次去看一看这个效果到底是好还是不好。

因为之前经常就会有这种问题，但这个问题一旦没有一个基准测试，你不能量化它说好还是不好。然后它发一个模型说我这个事情解决得很好，然后就说它所有的事情都可以解决得好，其实这两个事不是一个相关性的事情。它可能是做 3D 模型做得不错，也可能在一些 computer use（计算机操作）上有一些突破，但不代表它在通用商业里边的 agentic 的能力强。你说它是 AGI，我现在给你打保票肯定不是 AGI。最终还是以最高性价比地完成它的任务是第一优先级。等我们发布了，我觉得你可以直接去网站上看一下它的评测结果。因为所有 frontier 的模型我们有一个统一的 benchmark 去跑，我觉得这个评估可能更公允一些。

**Yiwen**: Benchmark 的重要性确实很关键，这也是现在的趋势，就是我们越来越需要专业领域的 benchmark，这也是为什么数据公司现在非常火，每一家模型公司也都需要这些具体的数据去进行训练。

其实又回到了我们刚才说的通用的 Agent 和垂直领域 Agent 的一个区别。你觉得反过来说，对于一个垂直产品，因为其实我们都有非常具体的流程，这个会不会因为流程过于固定、写得太死，限制了一些模型本来能够做到的事情？

**张阔**: 我觉得不会去固定这些流程。我们现在核心的一个标准还是要先固定一下红线是什么，什么事情肯定是不能做的，但是路线肯定不是定死的。你希望完成一个任务，只要你能把这目标说清楚，一定是不断优化这个流程或者不断优化这个操作，不断地逼近你想要的这个目标。

### 跨Agent冲突与长程任务定义

**Yiwen**: 现在别的电商其实也有在发类似的 Agent 产品。对于一个商家来说，如果他在用多个 Agent 的时候出现了冲突，Agent 给他的建议不一样，这种情况应该怎么样去处理？

**张阔**: 比如在美国为例，像各个垂直的电商和一些平台电商也都有一些 Agent，这 Agent 我觉得做得也挺好的。我觉得可能 Accio Work 跟它们的差异，更多的是 Accio Work 还是希望站在商家自己的一本账的角度帮他去整体做优化，各个平台应该怎么去做投入、怎么去做经营。从定位上来讲，我觉得这个产品跟其他的围绕着某一个平台去做优化的定位还是有差别的。

第二个就是不同的 Agent 给你不同的建议，这非常正常。核心的还是说作为一个老板，你要有一个整体的经营目标是什么，基于这个大的经营目标下去看 Agent 给你本身的建议是不是合理的。因为从我们自己的视角上来讲，它是一个商业经营，还是一个非常长周期的过程。它甚至不是以一次交易成功或失败为目的，这次交易就算成功了，它可能最终导致你商业失败，那它也不是一个好的交易。就算同一笔钱，它的花法可能有非常大的差别。各个平台有它自己的建议，你从你自己经营最终想要以毛利为结果还是以规模为结果、以速度为结果，你有自己核心的判断。这个事情没有办法用一个统一 Agent 来统一一下所有 Agent 的意见，然后给用户一个更好的反馈，这不是我们这个产品设计的初衷。

**Yiwen**: 所以这还是回到人的决策，而且从你们厂商的角度来看，这是你们不希望 Agent 去代替的。

**张阔**: 最终的经营判断一定是这个人，最终对于这个产品本身的品味肯定是跟这个人相关的，这个也是最终这个产品走向市场是不是能成功的关键。我觉得 AI 能够帮助他完成非常多的原来重复性工作，把他解放出来的部分；但是最终对于商品的判断，对于这个问题是个大问题还是小问题的判断，和对于商业上节奏的判断，这一定是人要去做的。

**Yiwen**: 最后我也想聊一下 Agent 最近的一些设计上的变化。因为你们也把 Accio Work 描述成是 24 小时在线的业务团队。我们其实也看到最近有很多 Agent 产品开始脱离用户的本地电脑在云端工作，比如说像 Grok Bot 这样的产品，然后 WorkBuddy 也有云端的模式。云上业务的设计理念，这个所谓的持续在线、持续响应，具体来说它到底意味着什么？

**张阔**: 这可能是两个概念。因为“上云”是个简单的事，Accio Work 它可能 PC 版之后的几天就开始有云端了。因为从客户的需求来讲，我有很多本地的 memory 我希望放在云端，这样我换台机器也可以再操作。

长程是另外一个概念。你所谓这个“长程”是多长程？你让 AI 去解哥德巴赫猜想，推了俩月，这也叫长程，一直不停地推演这是个长程。但是从商业角度来讲，我们可能把它也分成几个不一样的任务：

比如每天你都要进行店铺经营，每天你都要看公司里边这些员工他的工作做得好还是不好，那它就是个**定时任务**，每天定时地要给你出这个报告。

第二个可能是跟**事件驱动**相关的任务。比如说你是一个买家，你去找供应商去下单，你跟多个供应商去沟通的过程，也就是 AI 要基于这些更新的信息去帮助你进一步推动沟通的结果。

然后还有一些任务它可能是一个季度之后会有结果的。你整个经营、你这盘生意最终你这个产品是赚了钱了还是没赚着钱，过程中你可能有非常多的要去复盘的东西，但是你去经营这一个生意本身这也是个非常长程的任务。

我觉得这几个东西之间还是有比较大差异的。上云是个基础需求，今天你说你没上云，那就是你功能还没做完。这不是说大家技术上有很大差别。但是你说你要做一个长程任务，核心还是要定义在什么场景下需要完成什么目标的一个长程任务。至少在电商领域里边，我刚才去定义这几个范式，这都是我们现在就已经去支持的比较好的范式。

**Yiwen**: 现在 Agent 已经可以有完成长程任务的能力了。

**张阔**: 对，因为商业经营本身就是长程。对于每一个员工你给他设计的 OKR，它不断地校验到底工作做完了还是没有；对于每一个商业案例，比如每一次沟通它都要去校验这个销售或者这个客服他回答的问题是对的还是不对的，这个用户对于这个客服的回答到底是对于商品本身的一个建议还是对于这个服务的建议、还是对于整个售后的建议，它都是可以不断地去完成你整个商业去经营的过程。所以这个事情是我们持续打磨的方向，而不是说我去追求这个模型能跑 7×24 小时、跑一个礼拜它不挂，它不挂毫无意义，如果没有解决你的问题的话。

### 中小企业出海与AI杠杆

**Yiwen**: 这次您在洛杉矶开 CoCreate，我相信也有非常多的商家来到现场。有什么是从你和这些商家对话当中让你觉得比较惊讶的吗？他们对于 Agent 的用法，或者他们对于 Accio Work 这些功能的期待？

**张阔**: 我觉得这次最惊讶的事情就是来的人太多了。我们可能最终估计注册到场的有 15000 人，我们肯定前面那个注册摊搞小了，一直排队到中午吃饭的时候人还没有完全进来。

我觉得美国对于整个用户群体在 AI 跟 Agent 的教育上肯定还是比较领先的，大家或多或少一定是对于产品理念本身是接受和理解的。而且我们现在有非常多的客户基于这个产品已经创造了自己的商业，并且在这个基础上已经把自己的商业进一步地放大。

其实每年我们 CoCreate 都有个项目叫 **CoCreate Pitch**，它有点像 Shark Tank（创智赢家真人秀），类似《赢在中国》这种节目。去年我们一个英国冠军、一个美国冠军。英国冠军是个 15 岁的小孩，上初中，他大概用 Accio Work 去找供应商，去发掘自己新的产品。他是去做一个类似帮助你去制冷的、可以自动帮你降温的毛巾，自动帮宠物去降温的这些产品。他基于 Accio Work 去找这些想法，已经形成了一个系列，大概现在一年的销售额有 100 万英镑左右，我们觉得是个不错的结果了。

去年在美国的这个创业成功冠军叫 Christian Reed，一开始穿着的时候非常工地化，我们以为是一个工人出身，后来发现还是 MIT 毕业的。他做的产品就是去做一个非常酷炫的测量设备。这个测量设备也是从他的想法的创意到整个找供应链都是基于 Alibaba.com、基于 Accio Work。现在他的客户也包括施耐德电气、包括 SpaceX，这都是他的客户，他的生意今年大概也做到几千万美金以上了。

我们现在看到，更多的中小企业基于 AI、基于全球供应链的能力去做自己的生意。你不需要有一个非常大的公司，但你也可以把这个生意做得很大。我们也是希望基于 AI 进一步地降低门槛。因为全球中小企业可能还是各个区域的经济主力、就业的主力。原来他们核心的问题其实不是在 AI 取不取代工作这个问题，原来他的问题就是没有那么多的资源，没有那么多的经验，但是他又想把生意做大，又想利用全球供应链。今天我们正好有 AI 和整个有 Alibaba.com、1688 这个能力，可以帮助更多的中小企业去实现这个梦想，从一个想法开始一直到这个想法本身去创造一个更大的商业价值。我觉得这件事是 AI 能够帮助更多的中小企业实现自我价值的一个更大的放大器。

**Yiwen**: 这也是咱们结束得非常好的一个点。谢谢阔来我们节目。

**张阔**: 好，谢谢。

**Yiwen**: 好了，以上就是我们这期播客的全部内容了。国内的听众可以通过小宇宙、苹果播客、网易云音乐、喜马拉雅、QQ音乐、蜻蜓FM、荔枝FM来关注我们；海外的听众可以通过苹果播客和 Spotify，或者在 YouTube 上搜索《硅谷101》播客来关注我们。我们部分的文字稿还会收录在《硅谷101》的微信公众号上。谢谢大家，我们下次再见。