DoorDash 如何打造了一款不完全依赖大型语言模型（LLM）的 AI 购物助手

📌 一句话摘要

DoorDash 通过分层架构、记忆系统和自动化评估构建了不完全依赖 LLM 的 AI 购物助手，提升转化率和效率。

📝 详细摘要

文章详细介绍了 DoorDash 对话式 AI 助手 Ask DoorDash 的架构。助手将协调机制与业务功能解耦，运行时负责调度专用代理，而基于模型上下文协议（MCP）的共享层提供商品目录搜索、推荐、购物车、结账等业务能力。通过三层记忆（长期、会话、代理）和语义向量检索实现个性化上下文注入；构建自动化评估框架，利用 LLM 生成的用户场景和预录工具进行有状态对话模拟，日均超 2000 次评估，质量评分提升 8 分，回归时间从 6 小时缩至 20 分钟。初步测试显示，计算型消费者记忆使生鲜杂货结账转化率提升约 24%，购物车规模增加 17%，对话轮次减少 7%；餐厅搜索开放式查询转化率提升 15%。此外，通过确定性操作和工作流确认提升响应速度和可靠性，模型迁移验证使延迟降低 35% 而不影响服务质量。

💡 主要观点

- 架构分层：协调与业务功能解耦，助手运行时调度专用代理，MCP 层提供共享业务能力。 助手不将业务逻辑嵌入提示，而是调用由现有 DoorDash 服务支持的可复用工具，使多种 AI 体验共享集成功能，后端能力可独立演进。

三层记忆系统：长期记忆捕捉偏好，会话记忆维护上下文，代理记忆存储用户明确输入，通过语义向量搜索检索并注入提示词。 记忆管理与模型推理解耦，实现个性化服务并在恰当时刻提供恰当任务的上下文信息。

自动化评估框架：使用 LLM 生成的用户场景和预录工具模拟有状态对话，支持日均 2000+ 次评估。 质量评分提升 8 分，回归测试时间从 6 小时缩短至 20 分钟，完成模型迁移验证并在保持服务质量的前提下将延迟降低 35%。

业务效果：计算型消费者记忆提升生鲜杂货结账转化率约 24%，购物车规模增加 17%，对话轮次减少 7%。 餐厅搜索中开放式查询的转化率提升 15%，表明助手能有效提升用户决策效率和购物体验。

性能与可靠性优化：通过确定性操作（无需 LLM 调用）和工作流确认提升响应速度和可靠性。 平台通过运营优化保证助手在生产环境中的稳定性，同时支持领域团队独立演进专用代理。

💬 文章金句

- Ask DoorDash 生成购物车的速度比手动操作快大约 5 倍，只需一条提示，即可在 2 分钟内完成购物车的生成。

构建一个有用的 AI 助手很难。而判断它是否真正优秀，则更难。
代理不仅需要访问用户数据，还需要在恰当的时刻，针对恰当的任务，获得恰当的上下文信息。

📊 文章信息

AI 初评：80

来源：InfoQ 中文

作者：InfoQ 中文

分类：人工智能

语言：中文

阅读时间：7 分钟

字数：1591

标签： LLM, AI Agent, MCP 协议, 工程实践, 评估框架

阅读完整文章

DoorDash 如何打造了一款不完全依赖大型语言模型（LLM）的 AI 购物助手

🤖 問 AI