快手商业场景落地智能互动Agent的三项实践

商业对话 Agent 的落地需要同时平衡效果、时延和成本。快手在相关实践中将核心问题归纳为动态知识库构建、用户模拟与 Agent 自进化，以及对话稀疏奖励下的成交归因：知识要答得准，系统要持续变好，还要让模型理解每轮交互对最终成交或问题解决的贡献。

在真实业务中，系统还受到四重约束。成本方面，商业场景请求量和 QPS 很高，数据也较敏感，直接调用外部 API 难以兼顾安全与费用；稳定性方面，开源模型可能存在时延高、思考模式难关闭和输出波动等问题；知识层面，直播和大促活动可能几分钟内变化，离线内容容易过时；此外，模型还必须持续适应新场景，避免长期使用后效果退化。

传统 FAQ、小模型和分类模型难以处理售后场景中的多轮追问、复杂规划及商品价格、物流、退货等工具调用。通用开源大模型虽然具备较强的世界知识能力，却缺少业务数据，回答未必能促进成交，而且一轮推理可能无法满足一至两秒的响应要求。因此，实践方向是使用业务数据训练自研模型，并围绕知识库、自进化和成交归因形成闭环。

知识库采用全域统一格式，信息来源包括人工客服对话、商品详情、商家维护内容、短视频和直播内容。系统将内容提取为 QA 对，并关联商品或店铺等 entity，再添加物流、商品等 intent 标签，以便检索、存储和更新。当前主要采用天级更新：模型比对新旧知识，处理冲突和重复，无法自动判断时交由人工复核。

为应对直播活动的实时变化，图片知识不再依赖大规模离线索引。用户提问时，系统直接取回商品下平均 20 至 30 张图片，在线筛选出一至两张相关图片，再交给模型推理。图片统一缩放到 224×224，在 patch size 为 28 时每张约产生 60 多个 token，全部图片约 1800 至 2000 个 token，检索耗时可控制在约 200 毫秒；若使用更大图片，耗时可能升至一秒，难以满足要求。

为降低缩放造成的文字模糊和语义损失，系统先用大图和 VCoT 生成教师表征，再训练低分辨率 student 模型进行向量对齐，并加入 srcc 对齐规则和强相关、相关、不相关三分类的 task 规则。推理时还会检测文字密集区域，裁剪拼接后再次分析，以保留关键商品信息。应用层则为知识条目编号，让模型输出编号替代冗长思考，同时设置知识优先级：较新的内容优先，人工待确认内容优先级较低，从而减少幻觉和知识冲突。后续自进化部分将继续围绕用户模拟、策略迭代及稀疏奖励分配展开。