Shopify CTO：全员 AI，代码量爆炸，用量最高竟然是位产品经理！

📌 一句话摘要

本文编译自 Latent Space 播客对 Shopify CTO 的访谈，系统介绍了 Shopify 在全员 AI 采用、Token 经济学、代码质量与 PR 管理、自动化实验平台、AI 买家模拟以及 Liquid AI 模型落地等方面的实践经验与深刻洞察。

📝 详细摘要

文章基于 Shopify CTO Mikhail Parakhin 在 Latent Space 播客的分享，详细阐述了 Shopify 作为非 AI 原生公司在 AI 工具落地上的完整实践。核心内容包括：全员 AI 采用率在工具质变后自然达到 100%，Token 不设上限但强调花在刀刃上（尤其是 PR review 阶段）；代码量爆炸导致总 Bug 数上升，需用更昂贵的模型进行深度 Review 来平衡；自研实验平台 Tangle 和自动研究循环 Tangent 大幅提升了实验效率，且用量最高的竟是一位产品经理；基于历史数据校准的 AI 买家模拟系统 Sidekick Sim 可帮助中小商家进行反事实推演；以及 Liquid AI 的液态神经网络在生产环境中替代 Transformer 架构的成功案例。文章内容详实，案例具体，对技术管理者有很高的参考价值。

💡 主要观点

- AI 工具好用到一定程度，全员采用率会自然达到 100%。 Shopify 没有强制推行，而是通过工具自身的质变让员工主动使用，且 Token 不设上限，鼓励使用最好的模型。

代码量爆炸导致总 Bug 数上升，需在 PR Review 阶段投入更多资源。 AI 代码单行质量更高，但产量激增使 Bug 绝对数量上升。应对策略是使用旗舰模型进行深度、昂贵的 Review，以节省后续排查和回滚成本。

并行 Agent 并非越多越好，Critique Loop 比并行更有效。 同时启动多个不通信的并行 Agent 效果不佳，而让不同模型进行生成-批评-修改的循环，虽增加延迟，但能显著提升代码质量。

自动化实验平台 Tangent 降低了 AI 实验门槛，产品经理成为最大用户。 Tangent 通过自动运行实验、分析结果并优化参数，让非工程师也能进行模型优化，这得益于 LLM 提供的通用推理能力。

基于历史数据校准的 AI 买家模拟系统可进行反事实推演。 Shopify 利用多年商家数据校准虚拟买家，使其行为与真实 A/B 测试高度相关，帮助中小商家在没有足够流量进行 A/B 测试时优化转化率。

💬 文章金句

- 当工具好用到一定程度时，不用它反而会影响工作效率，员工自然就开始主动使用了。

• Token 消耗的总量从来不是核心，钱花在哪里才是关键。
• 一小时的深度审查，往往可以省去后续三天的排查、回滚和重新测试工作。
• 如果由人来手动做 400 次实验，命中率或许更高，但没人会真的花 3 年时间去做这件事。对机器来说，成本只是电费，却能找到人类无法发现的东西。
• 无论是模型选择、Agent 架构，还是 Token 该花在哪里，不追概念，不忠诚于任何东西，只看实测结果。

📊 文章信息

AI 初评：87

来源：随机小分队

作者：随机小分队

分类：人工智能

语言：中文

阅读时间：25 分钟

字数：6121

标签： Shopify, AI 落地, AI 工程实践, Token 经济学, Agent

阅读完整文章