北京
10月22日至24日，2026QCon全球软件开发大会上海站举行。24日下午，在“千行百业Agent创新实践”专题论坛上，货拉拉技术总监亓隆基发表题为《AI Agent 如何进入货拉拉实时交易系统：从 AI 下单、持续撮合到运营闭环》的主题演讲，分享了AI Agent在货运实时交易系统的落地路径与实践成果，全面介绍技术在用户下单、司机撮合、平台运营三大核心场景的应用进展，并提出一套面向 AI Agent 生产系统的工程方法论“Agent 生产化四层模型”。
演讲中，亓隆基首先阐释了货拉拉AI落地的核心思路。他表示，当下AI技术快速迭代，但模型、上下文和工具越来越强的同时，系统复杂度与成本也在上升，“能力”并不会自动转化为“业务价值”。对此，货拉拉确立了清晰的AI应用评判标准：能否实现以往不具备的全新能力、能否为平台创造真实额外收益、收益能否覆盖技术投入成本。
基于这一标准，货拉拉明确了AI Agent的核心定位：拓展系统能力边界，而不是重做已有能力。预测、推荐、运筹优化、业务规则与交易履约等成熟系统，继续承担各自擅长的工作；过去位于系统边界之外、主要依靠人完成的开放性工作，包括理解用户和司机的真实目标、规划下一步、跨系统协调执行则由 Agent 纳入系统，拓展系统能力的边界。
在用户下单场景，货拉拉落地了智能意图下单AI能力。用户只需自述运输需求，AI即可自动识别，追问缺失信息，并整理为结构化的订单草稿，地址、车型、价格等交易事实则交由地图、车型库、计价与交易系统校验，经用户确认后才提交订单。为保障订单准确合规，平台为AI设置三重安全机制：明确划定AI的任务边界、逐论维护订单状态、关键交易步骤全部通过确定性规则校验。
这套机制大幅降低了用户下单门槛。“让模型只在值得不确定的地方不确定。”亓隆基这样概括这套设计。目前，AI识别用户运输需求准确率达99%，智能匹配车型准确率93%，用户下单时长缩短25%，极大提升了下单便捷度。
在司机找单与订单撮合场景，AI Agent实现了智能化、动态化运营。以往平台仅为司机提供简单的下一单推荐，如今专属AI助手可以围绕司机自己设定的目标，持续筛选、匹配优质货源。同时，订单撮合AI不再按固定路径重复尝试，而是根据实时状态扩大触达范围，通过多种渠道收集司机与用户双方的反馈，形成可验证的协商方案，推动双方达成交易。
亓隆基强调，Agent 并不替代推荐与运筹优化算法。“算法负责把每一个具体决策算好，Agent 负责把这些决策组织成连续的行动。”数据显示，该能力让平台配对率相对提升12%，撮合运营效率达到传统人工模式的4倍。
针对平台运营场景，亓隆基介绍，货拉拉运营人员超过35% 的精力，消耗在跨系统的人工执行上，耗时费力且易出错。目前货拉拉已搭建超33个AI运营助手，采用“人定策略、AI执行、人工终审”的模式，所有运营动作标准化、流程化，保留人工审批兜底环节，兼顾效率与合规性。智能化升级后，平台运营执行效率提升80%，相关人工操作失误实现清零。“AI 往执行端走得越深，往决策端就要走得越谨慎。”亓隆基表示，现阶段 Agent 聚焦于可靠执行，经营目标、预算与风险等决策仍由人负责。
结合全场景落地经验，亓隆基提出了“Agent 生产化四层模型”，用于回答 AI Agent 如何从演示原型走向规模化生产，分别是：模型决定起点（模型能力是所有团队的共同起点）、Harness 决定下限（用代码化的规则、状态与护栏，让不确定的模型在业务边界内可靠执行）、Dual Loop 决定方向（Agent 能力闭环与业务指标闭环同时运转，由业务结果决定 Agent 优化什么）、业务知识决定上限（将业务专家的经验按确定性分别沉淀为代码、评测标准与策略，让业务专家成为 Agent 的“老师”和“裁判”）。
据介绍，这套方法论在 AI 下单、持续撮合与 AI 运营三条业务线上均有对应的工程实现。“模型人人都能获得，真正拉开差距的，是让 Agent 可靠进入生产的能力。”亓隆基说。
亓隆基最后表示，AI的核心价值，不只是模型能力，而是技术可以解决业务问题的边界。在他看来，下一代业务系统将不只执行已经定义好的流程，而是能够理解目标、持续行动，并在业务反馈中不断进化。下一步，货拉拉将持续深耕AI技术落地，以扎实的工程技术能力，持续释放数字化、智能化价值，服务用户、司机与平台运营。
