E255｜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

之前我们聊到了大模型的训练数据和榜单。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？

1. 商家案例：植物监测产品，从创意走到设计、供应链和销售

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，大家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。

你好。

2. AI同事市场：编程之外，专业工作走到了哪一步？

其实，阔你在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。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，我们也看到市场在某种程度上印证了你的判断。我觉得我们可以先聊一下 Cowork 的整体市场。你觉得现在对于 Cowork，也就是“AI同事”这样一个市场，整体的判断是什么？

3. 商业任务为什么比编程更难？

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率可能都远远小于这个数字。因为 Cowork 本身偏工作类的产品，它可能完成的内容，以及能够交付给它的内容，相对来讲还是比较有限，还是一些文案类的工作，或者一些计算类的工作，可能完成得更多。

但对于商业，尤其像电商这种需要进行更复杂判断的场景，可能涉及更长程的任务，而且它最终的结果不是一个当下马上可以验证的结果。对于这类场景来讲，我们觉得整个 Agent 也才刚刚开始。

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应用分成两块来看。你觉得为什么 Coding 任务交给 Agent 可能更加容易一点，相比你刚才说的、目前使用相对较少的 Work 场景？

我觉得第一，本身 Coding 的工作是100%数字化的。所有的 code 都在 GitHub 或者各种 Codebase 里，容易被AI更广泛地学习。

第二，它的结果天然是可以验证的。到底能不能编译完成，最后出来的结果到底对不对，这些事情天生比较适合现在的大语言模型去完成。

但如果把它换到商业场景，就太复杂了。第一，数据可能更加多元；第二，它本身其实没有一个通用的流程可言。你最终可能有一个结果，而且不同企业对于经营结果好与坏的判断，也有自己的差异性。

然后你要去做结果验证，这个验证可能不是以单次来计算的。它可能是以一天、一周、一个月，或者一年为周期的结果，整个反馈闭环周期就是很长的。

4. 从采购搜索到日常经营，Accio Work的任务边界如何扩展

了解。那你觉得，自从 Claude 在上半年正式推出 Cowork 这个产品之后，这些通用的 Cowork Agent 有没有尝试去解决你刚刚说的那些问题？中间有没有发生什么值得探讨的变化？

第一，这个赛道肯定更热闹了。现在在中国，进到任何一个电梯间里，可能看到最多的产品就是各类通用办公类产品。

5. Agent公式：模型 × 工程框架 × 上下文

从产品体验的角度来讲，我觉得各家都会有一些自己的特色。但从 Accio Work 推出来的角度看，我们核心还是要解决电商这个垂直人群的问题。

6. 小企业如何借助AI，把生意做得更大

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前核心解决的是 AI 搜索问题，它就相当于 Alibaba.com 的 AI 模式，买家可以用更自然语言的方式描述自己的需求，或者通过多模态的方式表达自己的需求。

我们现在去看，整体搜索量增长了20%，但是多模态搜索增长了130%。越来越多用户在描述自己的需求，这跟之前有了很大的差别。

7. 找工厂、比报价、拿样品：采购流程里，人和AI如何协作

第二个阶段，Sourcing 本身向前、向后的工作比以前延展得更多了。比如之前从搜索开始，更多的是一个 query；现在向前延展了，要做市场调研，要做产品 Design Pack 的设计。

有了这个设计之后，买家可以把设计交给供应商，跟供应商推进整个沟通过程，包括最后完成交易。我们管它叫 Agentic Trade，也就是AI驱动的交易。这些是我们看到的，一个 Agent 在 Sourcing 上表达得更完整的一条路径，而且它能解决的问题跟之前比，可能有非常大的差别。

8. 上云、定时任务、事件响应与长期经营，是不同的能力

到了新的阶段，今年4月份我们再次推出 Accio Work，希望它解决的问题可以更加泛化。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 本身基于 Alibaba.com 和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。他可以在1688进货，在淘宝、天猫、京东、抖音上销售；在 Alibaba.com 上进货，就可以在全球各个电商平台上销售，无论是 Amazon、Shopify 还是 eBay。

现在，Accio Work 可以帮助用户管理所有的电商后台。通过一站式服务，去理解整个多平台的经营情况，管理整个供应链，也管理企业员工在日常经营中的表现。

这是现在我们看到的，Agent 能够进一步泛化、解决更多问题的方向。

可不可以具体举一个例子？比如说，一个跨境商家一开始用 Accio Work，是想解决什么样的问题？整个流程是什么样的？

我们这次在 CoCreate 大会上正好讲了一个商家 Edward 的例子。他原来喜欢种植物，但经常把花养死，于是就想创造一个产品，让植物告诉他现在是什么状态。

但从有这个想法，到把产品做出来，它是一个消费级的个人消费电子产品。怎么把这个产品做出来，变成一个 Design Pack，这就可能难住很多创业者。

最后，这个电子产品到底用什么样的检测设备、什么样的读取设备，怎么把成本压到最低，卖的时候还能有利润率，这些都是问题。

Accio Work 首先帮他设计 Design Pack。第二，它可以帮助你找到广州、深圳等地最擅长做电子产品的厂商，帮助你制造出这个产品。

然后，它还可以帮助你解决跨境领域的所有问题。无论是订船期、过海关时到底要用什么 HS Code，还是货物运到当地之后如何管理物流过程，都可以处理。

产品做出来以后，你要产生各种社交媒体内容，在 Amazon、eBay、Shopify 以及 TikTok 上销售。这个过程中，你要管理多个店铺，也要管理所有社交媒体内容。有些内容要符合不同平台的规则，可能还有不同的定价策略，还要管理各个平台买家给你的反馈，不断迭代产品。

现在，Accio Work 可以帮你把这个完整周期放在一个 Agent 里完成，跨平台管理你的整个生意。

所以我理解，在这个过程中，比如刚刚提到的 Sourcing，以及 Sourcing 前后的这些步骤，Agent 可能会起到搜索和推荐的作用。但中间还是有一些步骤需要人来完成，对吗？

它应该还是需要商家做一些选择，判断哪个更好。这些东西是人和 Agent 合作完成的一个过程。

我可以先描述一下，最开始没有 Agent 的时候，人是怎么做的。

你从一个 query、一个关键词开始，要把这个产品做出来。你大概首先要知道，这个产品需要什么样资质的工厂和商家才能做出来。

你可能要管理一个 Excel。这个 Excel 可能有20列，用来对比十几个供应商：从生产制造能力，到当地有没有制造这类产品的资质；从工厂水平、拿货价格，到可以给你的账期水平、物流方案等等。

你最终选出两三个要合作的厂家。这个过程中还省略了大量与供应商反复沟通、来回推进的工作，周期一般可能按月计算，最后才能拿到一个样品。

如果有 Agent，我们可以把这个周期缩短到按天计算。它可以帮助你先把想法分解成一个可以制造出来的产品，以及这个产品究竟需要什么样的能力。

然后，它可以从 Alibaba.com 平台中，包括商家自己详情页里的内容，以及商家上传的企业知识库内容，帮助你匹配最合适的商家。

在你允许的情况下，它会跟若干个商家进行沟通、推进，最后拿到你想要的报表。以前花一个月维护的 Excel，现在可以用AI在24小时之内帮你达成一个结果。

比如刚刚举的这个例子，产品比较复杂，所以它其实也在赋能一批商家，帮助他们找到一些一开始并不熟悉的产品。这里面是不是有更多的可能性？

对。我们的供应商给我们的反馈是，他们没有见过这么专业的 Design Pack。因为一般买家都是拿笔在纸上画一画，大家就开始交流。

但只要把这件事情搞清楚，就要花很多精力。很多时候，拿到的东西跟你原来想的又不太一样，这就会产生大量纠纷和反复沟通。

现在，开始可以把一个人的想法真正说清楚，最后算出一个到手价，以及你在零售端的利润率，并把这些信息更多地呈现给用户。我觉得这也能极大提高他们自己做生意的成功效率。

9. 中美Agent生态的差异：垂直SaaS与平台工具

刚才我们简单以 Accio Work 为例，看了一下电商这个垂直领域的 Agent 用法。我想回到一开始提到的通用 Cowork Agent。

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，是 WorkBuddy 这类产品。在美国，也有很多通用 Agent，Meta 刚刚发布了 Muse，之前 Grok Bot 也被大家评价为非常好用的产品。

能不能讲一下这个市场的竞争？你觉得现在整体格局是怎么样的？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？

从办公的角度来讲，我觉得差异相对来讲小一些。当然，它也有一些不同场景，这跟原来这两个地方企业自身的发展延续性有关。

比如在美国，SaaS 本来就是一门很大的生意，而且 SaaS 本身就是垂直化的。做 CRM 的有 SaaS，做广告的、做律师服务的、做医疗的，也都有自己垂直而成熟的 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的产品，把非常多的垂直功能整合在一起。所以AI进来的时候，本身也会有一定的惯性差异。

但是从最终要给用户交付结果的角度来讲，各个平台想做的事情都是一样的。

这个市场的观察也很有意思。你刚刚提到 SaaS，比如先从美国来说，我们上次聊的时候，正好是美国 SaaS 恐慌情绪最严重的一段时间，有很多 Sell-off。包括 Claude 推出 Cowork 之后，也有很多投资人担心，这又一次杀死了很多 SaaS 公司。

当时你提出了一个判断：只要一些 SaaS 公司能把AI用好，AI反而可能是一个利好。现在几个月过去，我们看到很多 SaaS 公司也没有像想象中那样，在这个过程中无法继续生存。

能不能再聊一下，几个月过去，你觉得 Agent 对这些 SaaS 公司的影响是什么？你看到他们采取了什么样的对策？

如果 SaaS 本身做的内容比较简单，有一些事情是AI可以自动帮助完成的，那它削弱了一些 SaaS 本身的能力，这种情况确实存在。

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，尤其是这个企业，我们现在比较流行的一个词叫 Ontology，也就是“本体”，是非常重要的。

就算请一个大学生来，他也很难搞清楚这个企业本身各个数据到底意味着什么，以及企业最终经营的目标是什么。你让一个人去做这件事，也很困难。

今天一方面，SaaS 自己可以围绕这个角度去升级产品，用更多AI来推动。反过来，一个AI进入企业以后，也一定要理解企业的各种数据意味着什么，以及老板到底想基于什么东西去做优化。

你最后达成一个交易，并不代表这个交易成交了就是好结果。这个交易到底是为了获得更多利润率，还是为了获得更多市场份额？基于这个目标，预算的使用方式可能完全不一样，库存和广告的做法也可能不一样。

这些事情不是把一个通用AI扔进企业里，就能保证完成的。同样，原来的 SaaS 也必须有人推动去执行。但它的好处是了解很多企业经营上下文，如果有更好的AI帮助，它也可以拿到更好的结果。

我觉得现在可能更多是两边互相集成的过程。

在美国，像你刚才提到的一些垂直领域，比如法律和医疗，Harvey、OpenEvidence 这样的产品现在做得都非常好。但我理解，它们更多还是 AI-native 的 Agent 产品，而不是 SaaS 公司转型、加上AI之后去推动这样的工作流。

每一个时代都有属于这个时代的公司。有一些人对于技术理解得更好，同时对于经营领域理解得更深，速度可能就会更快。

就像移动互联网时代有移动互联网时代的产品。每到一个技术发生转折的节点，都会有一些新的公司冒出来。

那在中国市场，你刚刚说平台会从平台角度去推动用户需求。我们应该怎么理解这些产品的用户需求？

比如美国和中国的电商就有很大差别。如果是一个中国企业在中国经营，它第一个想法一定不是做独立站。但在美国，你会发现 Shopify 或者独立站仍然是一门很大的生意，而且还在持续增长。

在美国，Amazon 确实是一个平台。在这个平台上，客户可能自己都接触不到你，你要把商品发到一个仓库里，通过 FBA 的方式卖出去，这很适合当地企业目前的经营状况。

但如果你想要有自己的独立品牌和独立客户，想跟所有客户建立关系，那 Shopify 就是一个选择。

在国内，假设淘宝和天猫处于两者之间：它既是一个平台，你可以在这里低成本获客，同时平台里也集成了大量电商工具。其实最终它给客户交付的价值是一样的，只不过表达形态在不同地方不一样，仅此而已。

基于这个区别，你们的 Accio 有没有发布国内和海外不同的版本？

AI 产品很有意思。它从第一天起就是全球化的，天生没有语言问题。你在各个地方可能要解决的不同用户交互问题，大同小异。

第二，从客户交互的角度来讲，它的门槛肯定比之前大部分产品低。虽然里面有一部分 GUI，也就是图形用户界面的属性，但大部分用户在交互时采用的是 LUI，也就是语言用户界面的方式。

我把自己的工作描述清楚，就可以把这项工作交付给你。但它需要做出的差别是什么？我们说 Agent 有一个公式：

10. 模型与工程联合优化，不能只等模型升级

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？因为哪一项是0，整个公式的结果就是0。

你既要在 Model 上做优化，也要在 Harness 上做优化，还需要在 Context 上做优化。美国和中国在 Harness 和 Context 上肯定会有差别，因为美国接入的工具、平台，跟中国的工具和平台不一样。

Context 跟你自己日常经营的上下文有关，也跟你接入的平台有关。比如在 Alibaba.com 和1688里，你跟供应商之间的交流是 Context 的一部分，对话也是 Context 的一部分，你的商业数据也是 Context 的一部分。

平台长期积累的数据，以及我们看到的垂直行业属性、趋势等等，可能也都是 Context 的一部分。我们要把所有这些数据基于不同区域、不同用户的需求整理在一起，才能更好地达到 Agent 想要的效果和水平。

我们最早做的是海外用户，现在使用得更多的可能是中国用户。从供给侧、从 Enterprise 版本来讲，中国的企业很多；但从个人用户、买家，或者电商经营的角度来讲，可能国外用户用得最多。

这跟以前还是有很大差别的。国内有1688，跨境有 Alibaba.com，我们做了20多年，这还是两个平台。但 Accio 从第一天起，就可以做一个全球平台产品。

这非常有意思。可能在AI Agent时代，一个新的产品设计范式就是：你说第一天就可以做一个全球化产品。

你觉得这可以适用于所有 Agent 产品吗？

如果需求本身是接近的，因为电商本身我们认为它的最大公约数比较接近，那这个事情应该是成立的。

如果需求本身在各地具有非常大的差异，流程有很大差异，环境也有很大差异，那可能还是有很多部分需要在每个区域重新做。

你们推出这个产品也有一段时间了。在刚才提到的 Model、Harness 和 Context 这三个方面，有哪个部分是你们持续投入时间和精力更多的？还是这三个部分同样重要？

此时此刻，我觉得可能是齐头并进的。最开始大家可能在 Harness 上花的精力比较多，因为你要连接不同的 Tools，要管理自己的 Memory，还要做好用户授权等等。

这一整套工程工作，是保证系统能够持续运行的。做电商天生就是一个长程任务，它需要连续几个月不停地执行和经营，不断优化并得到结果，所以在 Harness 上本身就要花非常多精力。

我们在 Context 上天生有优势，因为本身已经积累了20多年。无论是电商、跨境电商，还是 Sourcing 和采购，这里面都有大量跟日常沟通相关的信息，也有大量行业属性和平台趋势属性。这些信息都可以进入系统，让你得到更好的结果。

现在我们在 Model 上其实也要花非常多时间，因为 Model 和 Harness 这两个部分，我们发现需要放在一起优化，不是只优化一个，另一个就直接使用通用的 Frontier 模型。

而且现在大家对于 Model 的经营肯定都更深入了，并不是使用一个通用 Model，简单做做 FT，也就是微调，就可以了。可能都要基于一定尺寸的模型去做后训练，同时还要在 Model、Serving 和 Harness 这三个方面进行非常精细的打磨，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，用最低成本达到一样的结果，同时让 Cache 命中率和模型产出结果的准确率达到新的水准，就一定要在训练、Serving 和 Harness 上同时优化，而不是简单优化其中一件事。

所以现在至少从这个角度来讲，竞争变得更加多元化，变成全方位的竞争。这也是不同垂直领域的 Agent 能够真正跑出来的原因，因为它不是一个通用模型加上简单 Prompt 就能产出结果的。

这也是一个很好的过渡。你说到 Model 和 Context，我觉得它们可能对应了通用模型和垂直领域模型这两个不太一样的发展方向。

因为我们上次聊的时候也问到，当底层模型能力越来越强，为什么我们还能在垂直 Agent 身上看到机会？你们当时提到，做这个产品有20多年的优势，包括信息、数据的准确性，也可以形成比较有效的强化学习机制。

我想现在再把这个问题抛给你：近半年来，模型也有那么大的进步，你觉得这些优势的作用变得更加明显了，还是发生了什么变化？

第一，我们对这件事本身的理解也在持续迭代。为了衡量一个 Agent 好不好，我们甚至做了自己的基准测试。

现在模型发布的频率比我们上次聊的时候更快了。我估计我在硅谷待一个礼拜，光个人助理就发布了好几个。但我们自己日常经营下来发现，一个模型发布时都会说自己从各个角度变得更好，甚至非常多的榜单都已经达到99分，满分100分，只是在99分的小数点之后继续进步。

但我们自己日常使用时，又没有感觉到它真的像说得那么好。所以后来我们在不断实践中发现，比如 Coding、数学，或者通用的 Agentic 能力，得分比较高，跟它在电商领域能够完成更多工作之间，并没有那么大的相关性。

通用智能水平变好，确实能让你完成一些工作的通过率更高。但从整体感觉上来讲，大家并没有在每次模型发布时，把本质上的水位拉高那么多。

所以，我们基于 Alibaba.com 上百万条真实经营数据，包括 Accio 里的真实问答数据，大概总结了107个 Task。这107个 Task 现在已经开源了，我们也希望所有模型在训练时，都可以围绕这个开源基准测试去做自己的评测。

这样每次新模型出来，我们也可以借一点大家的光。否则大家评测的内容都不一样，会发现一个模型接入以后，我们还要做非常大的适配，才能让电商类 Workflow 做得更好。

这107个 Task 加上 Accio 作为统一的 Harness，就可以评测各个模型在基准测试下的表现。事实上，现在最 Frontier 的模型，在我们这个基准测试下的通过率只有61%多一点，想要达到及格水平，现在都有点费劲。

但这不代表61%就是这个工具不能用。61%指的是在完全没有人干预的情况下，能不能完成任务。但每项工作的难度是不一样的。

我们把任务分成 L1 到 L4，越长程，最终结果越开放，能够通过的模型可能就越少。把所有这些模型放在一起，就形成了一条新的帕累托最优曲线。

我们希望帮助用户优化的是，最终拿到一个最好的结果，同时用最低成本完成，而不是模型升级以后，大家都跑最贵的模型，去完成最简单的事情。

一定会有很多低成本的模型，尤其是中国有很多高性价比的模型；当然也有一些 Frontier 模型，用来解决复杂和困难的问题。Accio Work 本身可以把不同问题路由到不同模型上。

同时，基于我们自己的 Harness 和 Context 能力，即使使用同样的模型，我们也可以拿到更好的结果。这是我们在实践过程中不断尝试的事情。

比如，我们用千问最新版本的小尺寸模型做后训练，它拿到的效果已经非常接近 Frontier 顶级模型。这样，大量简单的工作就可以路由到小尺寸模型，在更快的时间里拿到结果，同时提高效率。

因为现在商家侧给我们的一个感受是：必须是用得起的AI，才是有价值的AI。它是一个日常经营使用的产品，不是为了研究一个数学难题，偶尔用一次，之后就不用了，这两者有很大差异。

在同样任务的情况下，把107个任务全部跑完，Accio Work 和 Codex、Claude Code 比较起来，Accio Work 的成本是它们的三分之一。我们还可以不断把成本降到更低，让更多人可以大规模地把工作交付给AI，这就是我们希望优化的目的。

这非常好。我们经常聊到开源模型和 Token 经济学，也经常听到一个观点：现在企业在有选择地使用模型，包括把不同任务交给不同模型，最终达到降低成本的目的。

11. 报价、钓鱼邮件、订船和纠纷：怎样才算真正完成任务？

你们现在这个例子，也很好地证明了这一点。能不能具体讲一下你们做的 Benchmark？你说到107个任务，它们是什么类型的任务？都是具体的电商任务吗？

是的。举几个例子，有的跟电商相关，有的跟平台相关，但都是日常过程中经常会交互或者碰到的事情。

比如，买家向商家发出报价请求之后，买家要从大量商家回复的报价单里，选择最合适的供应商。这本身就包含很多信息。

除了要回复产品、生产工艺、制造能力和价格以外，可能还需要包括产品到手价、提供的物流解决方案。在报价回复里，我们还可能掺杂几个钓鱼邮件，需要把有害信息和有价值的信息识别出来。

最后，还要把生产端的工厂价格、含税到手价格等全部算清楚，选出最终正确的答案。这就是一个 Task。中间任何一个环节失败，或者计算结果不对，这个 Task 就没有完成。

第二，比如要去订一艘船。给定交期，起始点到底是什么？然后要在船务公司的网站上成功预订到这艘船。如果预订成功，就算工作完成，否则就算失败。

再比如，平台上有大量 Dispute，也就是纠纷。你最终要判断，基于买家对卖家，或者对供应商的投诉，以及对方提供的信息是否完整，你的结论是应该赔偿还是不赔偿，这个结论到底对不对。

你还要判断，现在是否需要更多信息，才能做最终结论。这些都是日常工作中会看到的事情。有些任务监测最终计算结果，有些监测能不能执行成功，还有一些监测你对商业问题的判断。

它现在是一个开环问题，还是一个可以得出结论的闭环问题？类似这样的问题，我们大概有100多个，涵盖七大类。

12. 新版本也可能退步，评测必须持续做

107是此时此刻的 Snapshot 数据。下个月再问，可能就比这个更多，因为我们会持续把更多、更复杂的问题加入基准测试，保证模型测试结果跟真实日常经营的结果一致。

而且，模型或 Agent 迭代一段时间之后，还要避免能力腐化。做了一段时间，发现原来的案例又不行了，或者结果更差了，这是不能接受的。所以我们需要不停做 Evals，每个版本迭代时，都让产品继续向前推进。

如果我们要定义广义的 AGI，可能不一定有定论。但我觉得，商业上的 AGI 是比较好定义的：在给定一定边界的情况下，比如预算和供应链不变，用这个 Agent 经营，最终一定比一个人进行日常操作和判断赚到更多钱。

这就是商业领域里的 AGI。

很有意思。这样一来，电商整套商业环节其实都覆盖到了。

你刚刚提到的七大类，有的是 Sourcing，有的是 Dispute，这些可以说是不同的能力。你觉得在真实场景中，有哪些环节对商家来说更困难，需要 Agent 去完成？哪些环节商家更愿意自己操作？

我觉得可能不会这么分。我们会把一些一定需要人做决策的事情留给人。

比如要支付、要采购这批货，最后这个按钮一定交给人来判断，因为你要对整个经营结果负责。所有交易条款由 Agent 帮你生成之后，你要确定到底要不要做这笔采购，这肯定是人要做的事情。

从分类角度来讲，我觉得按照频次来分可能更有意义。最近我们做了很多电商商家访谈，因为 Accio 在国内也可以解决 B2C 商家的日常经营问题。

我工作的前6年，也就是2011年到2016年，都是在淘系，也就是淘宝和天猫做商家平台，包括开放平台和工具等等。那个时候，商家后台的经营还比较清晰。

做 Accio Work 之后，我站在另外一个视角去看，到底要怎么用AI做日常经营。很有意思的是，我们当时觉得产品已经做得比较极致了，包括让商家看数据、看客服体系、做日常客服经营。

但今天有了更强大的AI能力之后，你会发现，大家看问题和经营的方式，还是有很多不同视角和方法，一定比以前做生意更加灵活。

比如第一个用例就是多平台经营。现在问国内商家，大部分可能都是多平台经营，包括抖音电商、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？有大量流水进来，不代表最后经营是有利润的。这个问题本身就要跨多个平台去看投入、收益、退换货等情况，最后形成一份完整报表。

以前可能要一个人拿着这个问题，在多个平台之间来回切换、整理 Excel，最后还不一定算对。我觉得现在AI解决这个问题应该非常容易，任何时间节点都可以给你一个跨平台的实时经营结论。

第二大类就是发布商品。很多平台、很多商家都要经营多个平台，而每个平台的规则多少都有些差别。每个平台的受众和媒体形式不同，发布内容也会有所不同。

稍微有一点规模的商家，把这些交叉起来，就是非常大的工作量。发布一个商品，光把内容更新一遍就是很大的事情，现在交给AI就非常方便。

你有一个新品，要在多个平台上发布；或者对于一类商品进行统一更新；到了某个时间要做大促和打折操作等等。这些重复性工作可以交给AI完成，之后再给你一个判断。

你可以选择把内容放在草稿箱里，再自行发布，也可以直接授权让它发布，并由它告诉你经营结果。它肯定比人的效率和精确性更高。

再比如，任何一个大一点的店，可能都有客服经营的要求。当客户进来问问题时，你应该怎么回答？以前大家可能开经营会，一条条拿出来看谁答得对、谁答得错，当然也可以基于转化数据给出评价。

现在AI很容易就能把所有经营结果分析一遍，告诉你什么人、什么样的回答是更好的方式。

对于 ToB 来讲，哪些客户现在可能出现了问题？这笔交易本来可以进展得很好，但中间可能出了什么问题，订单可能要黄了。AI会给你一些提前预警，或者告诉你接下来最重要的判断是什么。

这些事情原来需要大量的人复盘，对业务主管和业务员的要求都很高。现在AI一定可以比原来做得更好。

AI能力增强以后，刚才你也提到，它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？

一定是这样的。每次产品能力提升，大家都会提出更高的要求。

我可以用一个数据来表达。我们每天会分析 Accio Work 里的任务。刚才我们说有七大类，每一大类里还有从 L1 到 L4 的不同难度任务。

从发布第一天到今天，做一个今天的 Snapshot，你会发现任务难度不断从简单推向复杂。开始大家可能都是 L1 级任务：我问一些问题，你能给我答案，就已经很好了。

慢慢地，大家开始把一些任务交给你，让你帮忙做完。后来变成把更复杂的任务交给你，帮忙做完。再后来，大家会把跟最终经营判断相关的任务交给你，让你帮忙完成。

商家一定会在不同阶段推动产品，帮助他们解决更复杂的问题，交给产品更多任务，让它重复执行，让店铺里更多经营数据可以交给AI，让AI帮忙做判断。

但最终还是要人来做一些最重要的判断。我们核心讲的仍然是，越来越多的重复性工作交给AI，我觉得这是电商本身进步的表现。

你刚刚提到，最后下单的动作肯定要交给人做判断。还有哪些判断是你觉得比较重要的？

太多了。假设现在AI可以帮助人完成大量重复性工作，你有一个想法，最后要把这个想法变成一个产品，卖给更多人。

第一步，这个想法到底靠不靠谱，就是一个非常重要的问题。你要解决的是不是一个真问题？面对的客户群体是不是对这个产品感兴趣？这个客户群体的基数是否足够大，是否愿意支付足够多的溢价？

这些事情都要人来判断。产品的品味也要人来判断。你此时此刻对于市场的预测和判断，也是一个人经营过程中的直觉。

同样一笔预算，你是希望投更多广告、少一些库存，还是准备更多库存？是要铺更多渠道，还是要争取更大的利润率？这些都是对于这盘生意目前经营状态的判断。

这些事情我觉得现在仍然需要人来按按钮。AI可以帮助完成大量市场分析、调研和竞品判断，但最终的商业判断还是由人来做。

13. 多模型路由：如何为不同任务匹配能力与成本？

我想再回到我们提到的107个电商任务 Benchmark。你刚才提到成本降低，Accio Work 的估算成本是3.69美元，我看到这是你们给出的数字。Codex 和 Claude Code 都在9美元以上，也就是说 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？为什么 Accio Work 的成本会更低？

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，把所有工作路由到不同模型上。

比如 L3 以下的工作相对简单，用小尺寸或者高性价比的模型就能完成，我们肯定会最大程度帮助商家节省成本。

有些模型对多模态要求比较强，对视频处理要求比较高，可能就要路由到特定模型。核心优势就是集约采购。相比个人去使用这些模型，成本肯定会便宜一些。

同时，在使用同一个模型的情况下，我们在 Harness 工程实践和 Context 管理上的效率，也会比直接使用通用模型更高。这些方向都能帮助用户节约成本。

我之所以很关心这件事，是因为也经常看商家侧的反馈。有时候商家会觉得贵，可能是觉得某个特定 Task 贵；有时候则是固定选择一个模型，比如只用最贵的模型解决所有问题，于是觉得成本很高。

我们给客户的建议是，可以直接选择 Auto 模型。Auto 就是我们基于帕累托最优，帮助你优化所有工作，判断到底应该用什么模型完成。

当然，对比 Codex 和 Claude Cowork，因为它们本身是 Agent，并且跟自己的模型绑定，很多类似路由的工作可能没有办法完成。这也是从美国市场可以看到的一个现象：有一大类生意非常受欢迎，比如 OpenRouter、Fireworks，它们会托管大量模型，帮助你优化每个模型适合解决什么工作和任务。

现在越来越多模型变成通用商品，每隔一段时间就会出现一个更好的开源模型。至少在相当长的时间里，我们认为这里面还有非常大的优化空间。

你们现在支持哪些底层模型？

基本上能看到的都支持。当然，有一些模型已经完全埋在帕累托最优曲线下面了，就没有必要支持。

因为我们现在聊天的时候，GPT-6 Astra 刚刚发布，大家也在讨论它降低了 Token 成本，包括它的能力更强。

你觉得这样的模型发布，会对你们造成什么影响？你们测试用的是 Codex 和 Claude Code，在 Astra 之后会有什么变化吗？

我觉得你过两天可以直接到我们的基准测试上看 Astra 的评分，再给它测两次，看效果到底是好还是不好。

之前经常会有这样的问题，但如果没有基准测试，就不能量化它到底好不好。模型发布时说某件事解决得很好，然后就说所有事情都能解决好，其实这两件事没有相关性。

它可能做3D模型做得不错，也可能在 Computer Use 上有突破，但不代表它在通用商业里的 Agentic 能力很强。你说它是 AGI，我现在可以给你打包票，肯定不是 AGI。

最终以最高性价比完成任务，才是第一优先级。等我们发布之后，你可以直接到网站上看评测结果。所有 Frontier 模型，我们都有统一的 Benchmark 去跑，我觉得这样的评估会更加公允。

这也体现出了 Benchmark 的重要性。这其实也是现在的一个趋势：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很火，每家模型公司也都需要这些具体数据去进行训练。

其实这又回到了我们刚才说的通用 Agent 和垂直领域 Agent 的区别。反过来说，对于一个垂直产品，因为我们都有非常具体的流程，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？

我觉得不会把流程固定死。我们现在核心的标准，是先固定红线，明确什么事情肯定不能做。

但是路线肯定不是定死的。你希望完成一个任务，只要能把目标说清楚，就应该不断优化流程、不断优化操作，不断逼近你想要的目标。

现在其他电商平台也在发布类似的 Agent 产品。对于商家来说，如果同时使用多个 Agent，出现 Agent 给出不同建议、彼此冲突的情况，应该怎么处理？

以美国为例，各个垂直电商和一些平台电商也都有自己的 Agent，而且我觉得它们做得也挺好。

我觉得 Accio Work 跟它们的差异，更多在于 Accio Work 希望站在商家自己“一本账”的角度，帮助商家整体优化各个平台应该怎么投入、怎么经营。

从定位上来讲，这个产品跟围绕某一个平台做优化的产品，还是有差别的。

第二，不同 Agent 给出不同建议，这非常正常。核心还是作为一个老板，你的整体经营目标是什么？要基于这个大的经营目标，去判断 Agent 给出的建议是不是合理。

从我们自己的视角来讲，商业经营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，可能最终导致你的商业失败，那它也不是一个好的交易。

即使是同一笔钱，花法也可能有非常大的差别。各个平台有自己的建议，而你自己最终想要的是以毛利为结果、以规模为结果，还是以速度为结果，都有自己的核心判断。

这个事情没有办法用一个统一 Agent，把所有 Agent 的意见统一起来，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。

所以这还是回到人的决策。从厂商角度来看，这也是你们不希望 Agent 代替的部分。

最终的经营判断一定属于这个人。对于产品本身的品味，肯定也跟这个人相关，这也是产品最终能不能成功走向市场的关键。

我觉得AI能够帮助他完成大量原来重复性的工作，把他从这些工作中解放出来。

但是最终对于商品的判断，对于某个问题到底是大问题还是小问题的判断，以及对于商业节奏的判断，一定要由人来完成。

最后我也想聊一下 Agent 最近在设计上的一些变化。你们把 Accio Work 描述成24小时在线的业务团队。

我们也看到，最近有很多 Agent 产品开始脱离用户的本地电脑，转而在云端工作，比如 Grok Bot 这样的产品，WorkBuddy 也有云端模式。我很想聊一下云上业务的设计理念。

所谓持续在线、持续响应，具体来说到底意味着什么？

这可能是两个概念。上云是一个简单的事情。Accio Work 可能在推出 PC 版几天之后，就开始有云端版本了。

从客户需求来讲，我有很多本地 Memory，希望放在云端，这样换一台机器也可以继续操作。

长程是另外一个概念。所谓长程到底有多长？你让AI去解哥德巴赫猜想，推演两个月，这也叫长程；它一直不停推演，这就是长程。

但从商业角度来讲，我们可能还要把它分成几种不同任务。

比如，每天都要进行店铺经营，每天都要看公司员工的工作做得好不好，这就是定时任务，每天定时给你出报告。

第二类可能是跟事件驱动相关的任务。比如你是一个买家，去找供应商、下单，并且跟多个供应商沟通。AI要基于不断更新的信息，帮助你进一步推动沟通结果。

还有一些任务可能要到一个季度之后才有结果。你整个经营、这盘生意，最终产品到底赚没赚钱，过程中可能有很多需要复盘的事情。

但经营这盘生意本身，也是一个非常长程的任务。我觉得这几个东西之间还是有比较大差异的。

上云是一个基础需求。今天 Agent 如果还没有上云，我只能说它的功能还没有做完。这不是说大家在技术上有很大差别。

但如果要做一个长程任务，核心还是要定义，在什么场景下，需要完成什么目标，以及什么才算一个长程任务。

至少在电商领域，我刚才定义的这几种范式，都是我们现在已经支持的。Agent 现在已经具备完成长程任务的能力。

因为商业经营本身就是长程的。对于每一个员工，你给他设计 OKR，然后不断校验工作到底完成了没有。

对于每一个商业案例，比如每一次沟通，都要校验销售或客服回答的问题对不对；用户对于客服的回答，到底是在意商品本身、服务，还是整个售后流程。

这些事情都可以不断完成整个商业经营过程。所以，这也是你们持续打磨的方向。

而不是追求模型能不能7×24小时运行，连续跑一个星期还不挂。它不挂本身没有意义，如果没有解决你的问题的话。

对。

最后，这次你在洛杉矶举办 CoCreate，我相信也有很多商家来到现场。你觉得在跟这些商家对话的过程中，有没有什么让你比较惊讶的事情？他们对于 Agent 的用法，或者对于 Accio Work 功能的期待是什么？

这次最惊讶的事情，就是来的人太多了。我们最终估计，注册到场的有15000人。

我们前面的签到摊位肯定做小了，一直排队到中午吃饭的时候，人还没有完全进来，签到还没有结束。

我觉得美国对于整个用户群体在AI和 Agent 上的教育，肯定还是比较领先的。大家或多或少都已经接受和理解了产品理念本身。

而且现在有很多客户基于这个产品已经创造了自己的商业，并且在这个基础上进一步放大了自己的生意。

每年 CoCreate 都有一个项目叫 CoCreate Pitch，有点像 Shark Tank，类似于创业竞赛节目。去年我们有一个英国冠军和一个美国冠军。

英国冠军是一个15岁的孩子，还在上初中。他大概是用 Accio Work 去寻找供应商、发掘新产品，做的是一些帮助人降温、自动给宠物降温的毛巾类产品。

他基于 Accio Work 找到这些想法，已经形成了一个产品系列，现在一年的销售额大概有100万英镑左右，我们觉得这是一个不错的结果。

去年美国的创业冠军叫 Christian Reed。他一开始穿着非常像工地工人，我们以为他是工人出身，后来才发现他是 MIT 毕业的。

他做的是非常酷的测量设备。从创意想法到寻找整个供应链，都是基于 Alibaba.com 和 Accio Work 完成的。现在他的客户也包括施耐德电气和 SpaceX，他的生意今年大概已经做到几千万美元以上。

我们现在看到，越来越多中小企业基于AI和全球供应链能力去做自己的生意。你不需要拥有一个非常大的公司，也可以把生意做得很大。

我们也希望基于AI进一步降低门槛。全球中小企业可能仍然是各个区域经济和就业的主力。过去他们的核心问题并不是AI会不会取代工作，而是没有那么多资源、没有那么多经验，但又想把生意做大，又想利用全球供应链。

今天，我们正好有AI，以及 Alibaba.com、1688这样的能力，可以帮助更多中小企业实现这个梦想：从一个想法开始，一直到这个想法创造出更大的商业价值。

我觉得，这是AI帮助更多中小企业实现自我价值的一个更大放大器。

我觉得这也是一个非常好的结束点。谢谢阔来我们的节目。

好，谢谢。