智能互动 Agent 在快手商业场景的落地实践

随着大语言模型能力的持续演进，电商场景下的智能对话系统正从传统的 FAQ 问答，向具备规划、决策与工具调用能力的 Agent（智能体） 架构迁移。本文整理自快手大模型应用算法专家在 AICon 2026 深圳站的分享，旨在探讨在商业场景中，如何让一个对话 Agent 真正跑起来、跑得稳，并持续变好。

一、 商业场景下的“不可能三角”

在端侧开发中，我们常听“不可能三角”理论；而在商业场景下，Agent 落地的核心挑战同样可以概括为 效果、时延、成本 的平衡。

• 效果：需要大模型和思考过程，但会增加开销。
• 时延：商业场景 QPS（每秒查询率）极高，且对响应速度敏感（通常要求 1-2 秒内返回）。开源大模型若开启思考模式极易超时。
• 成本：海量请求下，API 调用成本和硬件成本难以控制。

此外，商业 Agent 还面临 稳定性、知识时效性（如直播活动分钟级变更）和 进化（模型越用越退化）四重约束。为了解决这些问题，快手选择了自研大模型，并构建了包含动态知识库、自进化策略和成交归因的闭环系统。

二、 核心技术路径一：构建动态知识库

知识是 Agent 的基石。在快手，我们构建了一个全域知识库，旨在解决知识分布散乱、更新滞后及语义冲突等问题。

1. 全域知识整合与挂载

我们将知识来源分为两个维度：

• 对话维度：挖掘用户与人工客服的真实对话，沉淀为 QA 对。
• 视频维度：从商家上传的短视频和直播切片中提取知识。

提取后，我们会将知识挂载到具体的 Entity（实体） 上，例如将商品价格挂载在“商品维度”，店铺发货规则挂在“店铺维度”。同时，通过 Intent 标签进行分类，以便精准检索。

2. 图片知识的轻量级优化

在直播场景下，商家活动变化极快，离线更新（如天级别）已无法满足实时问答需求。针对图片这一核心知识载体，我们采用了在线检索策略，而非传统的全量索引。

• 粗排与精排结合：用户提问时，实时拉取商品下约 20-30 张图片，在线计算相关性，筛选出 1-2 张最相关的图片。
• Token 限制与 VCoT：为了控制时延，我们将图片 Resize 至 224×224，Token 数控制在 1800-2000 左右，检索耗时控制在 200ms。为了解决 Resize 导致的语义变形和文字丢失问题，我们采用了 VCoT（视觉思维链） 技术：在大图上训练 Teacher 模型，提取讲解和知识；在 224×224 小图上训练 Student 模型，使其输出向量对齐 Teacher。推理阶段，我们还利用连通区域检测算法提取图片文字，保留关键信息。

3. 实用落地技巧

• 知识编号：为了防止模型“胡说八道”，我们强制模型输出知识编号。这几乎不增加耗时，却能有效控制幻觉，用短溯源代替长思考。
• 冲突消减：通过模型对比现有知识库，自动处理冲突和去重，形成数据飞轮。

三、 核心技术路径二：解决进化与奖励问题

Agent 如何避免越用越退化？如何学会复杂的交易策略？我们需要解决 用户模拟 和 成交归因 两大难题。

1. 用户模拟与自进化

我们构建了用户模拟器，在业务场景下进行真实训练，确保 Agent 能应对各种复杂追问和工具调用需求。通过模拟用户反馈和模型自进化策略，让 Agent 在真实对话中不断优化。

2. 成交归因与稀疏奖励

在对话场景中，最终有没有成交或解决问题，往往要到最后一轮才能拿到信号。这种 奖励稀疏 问题导致中间过程的优化信号不足。

为此，我们设计了 分层奖励 和 信用分配 机制。通过在对话的各个阶段给予合理的中间奖励信号，引导模型学会正确的交易策略和对话流程，从而在最终成交时拿到更高的奖励。

总结

快手商业 Agent 的落地实践表明，自研模型结合动态知识库和精细的工程化策略，是平衡效果、时延与成本的最佳路径。通过 VCoT 对齐、在线检索和知识编号等技巧，我们成功构建了一个既懂业务又能实时响应的智能体系统，为电商行业提供了极具价值的参考范式。