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
产品界面即用户认知:
1688 App 和 1688 AI App 的不同
Cloud Native
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。
B2B:区别于 B2C 的另一种电商逻辑
Cloud Native
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。
用例一:AI 私人助手&商家 AI 推荐值雷达图
Cloud Native
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。
System Prompt
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。
Embedding
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。
Multi-Agent
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。
用例二:AI 搜索找商家和商品
Cloud Native
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…