从体验到系统工程丨上手评测国内首款 AI 电商 App

推荐语

国内首款AI电商App深度评测，看1688如何用AI重构B2B电商体验。

核心内容：
1. 1688 AI App与传统电商界面的设计哲学对比
2. AI技术如何重塑B2B电商的交互范式
3. 从产品界面到后端系统的AI能力支撑体系

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

产品界面，往往体现了产品的设计哲学，界面是产品的第一入口。

近期，1688 推出了 1688 AI App，这貌似是国内第一个电商领域的独立 AI App 应用（若不是，欢迎评论指正）。本文试图通过产品界面这一入口，窥探其背后的系统工程。（笔者并非就职于 1688 团队，仅从一位 1688 普通用户的视角做些体验评测）。

1688 在 AI 领域的技术实践，推荐阅读阿里巴巴高级算法专家张进的这篇分享：1688 AI 原生应用的创新探索与实践

在软件产品的演化史中，首页界面往往折射出产品的设计哲学。对比 1688 App 和 1688 AI App 的首页，我们能看到一个“电商平台”向“电商 AI 超级入口”的跃迁。

打开 1688 App，我们仍能看到经典的“电商货架逻辑”：搜索框居于顶部边角，占比小、地位次；首屏展示的是以图文为主的商品流与频道分类，核心是提升浏览时长与购买转化效率，运营策略以“推”为主。

但在 1688 AI App 中，这一设计范式被彻底改写。首页中心区域是一条高占比、交互感强的搜索输入框，周围围绕着如 AI 图搜、AI 创款、AI 查企等多个任务场景。这种布局不再追求“逛货”体验，而是将用户意图快速转译为任务，从而实现客户需求与供应链资源的精准匹配。这种产品设计在理念上，更接近通用大模型那种 All-in-One 的 AI 超级入口逻辑，而非电商传统的信息流模型。

阿里巴巴高级算法专家张进详细还原了 AI 电商场景区别于传统电商场景的不同范式。

在电商领域，用户“寻找与挑选”商品的传统模式长期受困于既有范式。传统电商场景中，关键词检索与协同过滤等规则共同构建了产品筛选的基础逻辑，用户需要通过静态页面逐项查找产品详情以获取关键信息。这种模式使用户逐步形成了依赖页面浏览的导购习惯，却难以突破信息检索与个性化需求之间的鸿沟。

随着人工智能技术的突破，新型导购交互模式正在重塑消费场景。基于大模型的多轮对话系统能够通过自然语言和视觉交互深度理解用户需求，结合推理能力精准捕捉真实偏好。系统可主动提炼关键信息进行对比分析，以结构化摘要形式直观呈现个性化推荐结果，彻底改变过去依赖手动筛选的低效体验，使交互过程具备更智能的反馈机制。

由此可见，产品界面的变化所带来的不只体现在交互层，而是需要整个后端具备支持自然语言理解、多模态感知、意图识别、任务计划、任务分解、任务流转，甚至异步任务协调的能力。

在公众的直觉中，电商往往意味着淘宝、天猫，点击下单、支付收货、售后保障，一切流程围绕个人消费者展开。但 1688 所处的 B2B 电商领域，逻辑却有所不同，这也决定了 AI 在 B2B 和 B2C 所发挥的作用和折射到产品功能的设计上，会不尽相同。

B2C 电商的核心是消费体验：用户明确需求，平台通过图文、视频、评论等方式帮助其“挑选”并“下单”，促成交易。决策者是个人，采购链路短、节奏快、关注点集中在价格、评价、物流与品牌。

而在 1688 所处的 B2B 场景中，电商的角色则更多是一种需求对接电商平台和供应链在内的整个基础设施。其用户不仅仅是“个人消费者”，更是老板、采购员、设计师、小微创业者等企业。一个看似简单的采购行为，背后往往隐藏着成批的商品定制、周期性的补货计划、复杂的议价过程、售前的打样验货、以及售后的订单分发和物流跟踪。这些交易更强调稳定性、性价比、供需匹配的精准性，以及上游产能与下游需求之间的快速连接。

因此，相较于 B2C 电商追求“千人千面”的信息流推荐、视觉吸引力和促销活动，1688 更关注如何理解用户的采购意图，并将其快速转化为结构化、可落地的交易任务。这对平台的系统能力提出了完全不同的要求：不仅要支持大规模信息检索，还要具备产业图谱理解、商品定制能力、企业识别能力，甚至要具备各类 Agent 的任务流协同能力，来支撑用户从设计、打样到下单、履约的一整套业务流程。

接下来，我们通过 4 个用例，来详细看看 1688 App 和 1688 AI App 的不同。

1688 AI App 为采购方提供了“我的AI”，提供商品偏好、服务偏好、商机偏好、商家需求的配置选项，为商家制作了 AI 画像，综合月度上新数量、店铺年限、客服&履约响应率、好评率计算商家的综合推荐值的雷达图。这些是 1688 App 所不具备的。

其中，在“我的AI“中，结构化的个性化配置界面，是将 AI 深度嵌入到用户偏好体系中，例如“同款低价”、“蓝海机会”、“响应率>95%”、“24小时晚揽必赔”，依次反映的是 B2B 采购过程的核心关注点，价格竞争力、市场竞争情况、供货稳定性、履约保障能力等。

那这种配置，是如何影响大模型输出的？背后会涉及哪些系统工程的设计呢？我们来看一些业内常见的实践。

采用 System Prompt 方案，当对个性化配置进行变更的时候，会触发不同的 System Prompt，从而改变 LLM 的任务边界与回答倾向。例如：

你是一个采购专家，你有以下的采购倾向：- 同类产品中价格最低的商品或商家.- 该商家响应率>95%- 该商家提供24小时晚揽必赔的承诺

System Prompt 存储在 Nacos 中，进行动态配置管理。用户的每次变更，就会触发一次 Nacos 中 System Prompt 的更新。

采用 Embedding 技术，在倒排索引或向量检索平台中融入多因子排序或过滤逻辑。例如：

• 如果偏好同款低价，系统就在 vector search 中对价格纬度设高权重；
• 如果偏好深度认证工厂，系统先在结构化数据层过滤掉未认证商家，再将剩余数据送入大模型进行对话或总结。

采用多 Agent 模式，根据偏好配置决定走哪个 Agent。例如：

• 如果偏好蓝海机会，路由到竞争分析 Agent；
• 如果偏好同款低价，路由到比价 Agent。

Multi-Agent 的路由场景，和微服务架构下的服务注册非常类似，Agent 的路由逻辑都可以存储在 Registry 中，进行统一的管理，减少软件复杂度。

而在商家的 AI 综合推荐值，推测是基于推理小模型对各个指标进行动态计算所得。

以“橙子，当天采摘当天发货，外观质量合格，满足超市上架要求”为提示词为例。

• 1688 App：搜索流程是经典的关键词检索式逻辑，系统返回的是按销量排序、价格排序、回头率排序或综合排序的一堆商品列表。整个找挑链路中，用户要自己判断哪些商品是当天采摘当天发货、外观质量、是否满足超市上架要求，这些任务全靠人工比对或商家咨询完成。
• 1688 AI App：同样的搜索词，作为提示词触发任务执行流程：

• 第一步：意图识别，根据用户的采购偏好和需求描述，进行需求分析。

• 第二步：全网搜索，搜索全网市场数据，例如小红书、淘宝、Google 等渠道的市场热点，再从平台的下游供应链中，识别哪类产品、商家，具备满足用户需求。
• 第三步：生成选品建议，提供选品的完整逻辑。
• 第四步：提供选品，按类别提供商品和商家，例如无蜡鲜橙、现摘发发冷链橙、自然熟爆汁橙等。

可见，1688 AI App 提供的搜索结果，不是一堆商品卡片，而是一个基于任务目标生成的目标商品图谱，做到了“以目标为导向”的信息组织方式。

这种体验升级的背后，所支撑的系统工程是不同的。

但 AI 搜索落地，也会遇到一些难点，张进在他的文章^[1]中有过分享。这里，我们将业内常见的应对方案汇总在一起。

系统依赖用户精准表达，缺乏细颗粒度画像与行为数据，无法挖掘真实需求。

举个例子。一个做女装直播的小 B 商家，想通过 1688 AI App 找到适合秋冬穿搭、适合直播间出镜的韩系通勤风女装货源。

但她在使用过程中，只输入了简单描述：“韩风女装，通勤风”。系统找到了一些货源，模特风格偏日系，衣服偏厚重，颜色也不符合直播间调性。于是用户不满意，会认为系统“不懂她的意思”，但实际上问题并不在 AI 理解力，而在于用户描述太粗、太泛：

• 没提季节（秋冬？春秋？）
• 没说用途（直播？上班？卖货？）
• 没提目标客群（年轻？成熟？二三线城市？）

但用户表达不精准是很常见的，特别是中小商家和非专业用户。因此，需要通过技术手段去尽量降低这类情况对大模型输出的影响，推荐构建多源融合的用户画像。

• 基于行为序列建模：依托用户的点击、加购、浏览等历史行为建立兴趣图谱，或者利用专属模型对行为序列做注意力建模，挖掘短期兴趣。
• 标签增强画像：将用户行为映射为多维偏好标签（如店铺回头率、快发货优先、注重品牌），可通过多任务学习联动生成。
• 用户自行配置：借助“对话引导+偏好选择卡片”的方式收集结构化偏好，快速构建初始画像。

商品属性和用户语言表达存在鸿沟，多模态数据未被结构化利用。

举个例子，一位线下母婴店采购人员，打开 1688 AI App，尝试使用 AI 搜索功能，输入如下自然语言：

“想找适合新生儿用的安全材质奶瓶，方便夜间喂奶的那种。”

搜索结果中虽然返回了很多奶瓶产品，但靠前的一批结果却不准确，要么容量太大（180ml 以上），要么是适合学饮期宝宝用的带吸管设计，更糟的是，还出现了几款根本不标注“新生儿适用”的产品。

引发这种情况的原因有：

• 语义理解与商品属性之间存在鸿沟

• 用户说“新生儿奶瓶”，但平台商品结构化属性中写的是“容量：60ml / 材质：PPSU / 适用月龄：0-3个月”，这些词没有被模型充分对齐；
• 系统未能理解“方便夜间喂奶”意味着“带夜光刻度、带侧握把、易于加热”等商品特征。

• 商品信息结构化不完整

• 很多商品的详情页只是用图文描述功能，没有明确标签“新生儿适用”或“夜间专用”，这些语义信息没有被结构化提取，导致无法被语义搜索系统命中。

• 多模态内容未被纳入语义索引

• 实际上，商品详情页中有大量图片、说明图、使用场景图，包含了“新生儿用法”“夜间母婴场景”等高价值信息，但这些图片内容并没有被模型理解、结构化或作为检索特征；
• 图片中的“亮光刻度”、“小容量设计”，没有被模型作为检索信号。

如果要解决这类问题，推荐优化商品理解和多模态结构化。

• 跨模态商品理解：利用视觉语言模型对商品图、详情图、标题文本联合建模，输出统一 Embedding。
  
• 属性抽取与语义标签补全：利用专属模型对商品详情页抽取结构化属性（如规格、用途、产地），再通过 Schema 映射，将“60ml奶瓶”与“新生儿适用”建立语义连接。
  
• 商品 Embedding 构建：利用图神经网络或 Transformer 构建商品图谱（同购、同评、同类目），实现商品的“语义归一”。

用户表达的意图与商品的结构化信息未语义对齐，复杂需求处理无解。

举个例子。一位社区便利店经营者，在 1688 AI App 中输入搜索请求：“适合早上卖的健康代餐零食，携带方便、饱腹感强，包装看起来高级一点的。”

系统返回的结果，却大量集中在：

• 能量棒、营养饼干等大包装的 B 端商品；
• 一些以“健康零食”为关键词，但实际上是普通坚果/膨化食品的商品；
• 缺乏“早餐时段”、“便携包装”、“营养饱腹”等意图维度的精准匹配。

引发这种情况的原因有：

• 复杂需求未被结构化理解

• 用户的需求其实包含多个隐含意图：场景（早餐时段）、目标用户（通勤人群）、功能（代餐、饱腹）、包装（便携、高级）；
• 然而当前系统仅基于关键词如“代餐”“健康”进行检索，忽略了隐含的语义维度；
• 商品结构化字段也缺乏这些字段，或者用词不一致（例如“便携”可能写作“小袋分装”、“独立包装”、“条形包装”等）。

• 用户语言与商品标签未对齐

• 用户说“饱腹感强”，而商品并没有类似字段，只有“热量”、“蛋白质含量”这类营养信息字段；
• 用户说“包装高级”，但系统无法理解包装图片中的风格、配色，也未建立“包装美学”与类目热销的语义映射。

• 语义匹配能力不足

• 系统无法理解“适合早上卖”意味着保质期短、易携带、不油腻、定价在早餐价带（3~6元）等一系列隐含规则；
• 更无法自动串联商品的多维属性，完成复合语义意图的检索匹配。

如果要解决这类问题，推荐语义检索与意图驱动的搜索增强。

• 向量检索：用户 Query 与商品向量统一到同一语义空间，支持复杂语言表达。
• 意图解析与 Query Rewriting：用 LLM 或专门意图模型对自然语言 Query 解析出意图、约束、目标项等结构化三元组，用 Query 重写或自动补全（如“适合新生儿的60ml奶瓶”转化为“母婴、奶瓶、容量<80ml”）。
• 任务式搜索链：利用多轮 Prompt （例如1688 AI App 提供了首次提问的情况下再次提问的引导）结合向量检索，构建一个可编排、具可解释性的“搜索任务链”，结合知识图谱（商品、商家、用户偏好）进行深度推理。

这个用例场景非常适合定制型产品，例如纪念品、企业文化周边、文创周边等。同时通过创图，搜找一些相似商品去做现货分销。AI 创款，本质是将原本文字驱动的选品模式转化为“意图 → 图像 → 商品”的链路，从而让采购者能更直观、高效地表达需求，并借助生成视觉素材来反向筛选供给端。

这里我们以制作一个一周岁小孩的纪念品，来体验下这个能力。

提示词：帮我参考这个挂在墙面的相框，制作一个一周岁小孩的脚印，用作一周岁小孩的生日纪念品。

这里只是展示一个常见的定制案例。对于定制供应商要求越高的企业，AI 创款带来的生产力和商品质量的提升，会越明显。

这背后是一个经典的大模型应用场景，任务流程包括：

• Prompt 解析：将用户的自然语言输入 + 上传图片作为 Prompt 输入，使用 Prompt 编排模块进行意图解析（如识别风格、材质、用途等），生成结构化控制信号。
• 生图过程：上传图作为 LoRA 模块的约束输入，实现细节增强。
• 多模态图搜与商品召回：将生成图输入图搜引擎，使用专用模型将图像转换为 Embedding，与商品图库中的图像 Embedding 进行向量检索，召回相似商品图 → 映射到商品详情页 → 聚合供应商、起订量、价格等数据，这个过程中，还可叠加类目过滤、销量加权、商家信誉等策略做 rerank，匹配出优质商家。

这一个非常实用的功能，信息很全，应该是基于大模型，扩展了 RAG 知识库（数据是核心资产），同时设置了系统提示词，保证每个 TAP 下的内容输出结构化。

查企业提供了企业背调、源头识别、查企业招投标、查企业专利、查商标、查老赖、逛产地，均是匹配企业名称，提供相关的搜索结果。我们以企业背调为例，搜索框提供了关键词的模糊匹配，例如输入阿里云，会展示阿里巴巴（中国）有限公司的企业全称，点击选择后，就会展示企业总览、优势和亮点、潜在风险和竞争、合作建议、小结、基本信息、法律风险、经营风险、经营信息、企业发展、知识产权，内容非常丰富，结构化展示也很清晰。

从个人的体验来看，1688 AI App 为国内众多 B2B2 电商企业的智能化升级，提供了一些切实可行的参考，尤其是品类丰富的电商企业。1688 AI App 围绕“商机理解 + 意图生成 + 多模态交互 + 高效决策”，重构了找货流程，背后则是以大模型为内核、上下文工程和产品交互等技术融合的成功落地。

AI 网关擅于对接多个大模型，并由任务来触发，将请求路由到不同的模型上，便于技术团队对流量和请求进行统一的管控。例如

• AI 搜索中，可能用到了用户需求分析的模型、全网热点搜索的模型、商品理解和推荐排序的模型等；
• AI 创图中，可能使用到了文生图模型、图像理解模型、图搜召回等。

AI 网关的价值体现在：

• 支持多个异构模型（文本、图像、多模态）的统一接入与调度；
• 异常请求发生时的 fallback 能力，避免单个模型故障导致的死循环；
• 通过 AI 网关的负载均衡能力，提升系统的吞吐能力、降低响应延迟，并实现更公平、高效的模型任务调度。

AI 网关能实现拦截请求，并注入系统 Prompt / 用户画像 / 安全控制等上下文后，再统一发送到下游模型服。例如：AI 搜索中，平台可以把用户设置的偏好作为 System Prompt，来推荐商品和商家。

因其插件机制，AI 网关的价值体现在：

• 服务无侵入性：不需要修改应用侧或模型服务代码；
• 统一策略管理：适合团队/组织级的 Prompt 策略、AB 实验、安全过滤；
• 上下游解耦：方便接入不同模型（Qwen、GPT、Claude）时复用 Prompt 逻辑；
• 支持动态拼接：可接第三方服务获取用户画像、Token 替换等动态逻辑。

AI 网关支持通过对戒向量检索服务实现 AI 检索增强生成。例如面对将用户搜索的“新生儿奶瓶”，和平台商品结构化属性中描述的“容量：60ml / 材质：PPSU / 适用月龄之间，用户表达和供给信息割裂的情况，利用视觉语言模型对商品图、详情图、标题文本联合建模，输出统一 Embedding。

执行流程如下：

AI 网关的价值体现在：

• 零侵入 + 多服务复用：客户端/后端都无需改造，所有模型调用统一在网关层实现检索增强；
• 策略集中管理：统一管理检索策略、支持多租户配置，统一接入外部 API 与内建服务；
• 可以动态启用/禁用 RAG：按调用方或场景决定是否开启向量检索。

相关链接：

[1] 1688 AI 原生应用的创新探索与实践

🔥🔥拥抱 AI 原生！

8月29日深圳，企业实践工作坊火热报名中！

阿里云诚挚邀请您参加【AI 原生，智构未来——AI 原生架构与企业实践】工作坊，从开发范式到工程化实践，全链路解析 AI 原生架构奥秘，与 AI 先行者共探增长新机遇。

⬇️ 点击阅读原文，立即了解完整议程！