淘宝，是如何搞 AI 的？

感知、创作、算账、理解

淘宝也在搞 AI，并且卓有成效。但具体怎么搞的，市面却没多少信息

在淘天的第五届「硬核少年技术节」，他们发布了四项成果：分别落在感知、创作、推断、理解四个方向：

• AIGI/图搜：拍立淘全模态实时 Agent

• AIGC/If Studio：全场景 AI 创作工作台

• AIGU/Coupella 智惠引擎：生成式因果推断大模型

• AIGR/Dream：Agentic 驱动的推荐系统

我趁机和他们的几位技术负责人碰了一面，聊了聊 AIGX 体系，也算是整体的把「淘宝在怎么用 AI」这个事儿仔细的做了一番梳理，有了本文，其中我会重点讲一下「生成式因果推断大模型：Coupella」这个东西...与我的经历有关

作为背景，我的第一桶金是 10+ 年前做淘宝赚的，然后现在我在搞 AI，所以整个聊下来，就颇有种跨时空对话的感觉...以前我干的那些脏活累活，比如抠图、填表、配券，现在都 AI 话里，嗯……就挺感慨的

Agent 版「搜同款」

「拍照搜同款」的拍立淘大家都用过吧？拍个照片，返回相似物品

现在的拍立淘变成了一个实时 Agent。摄像头对着东西的瞬间，它已经在理解你的意图、检索商品。你可以直接说「帮我找个露营帐篷，预算 500 以内」，它听懂场景、预算、偏好，直接给方案

然后它还能记住上下文，比如你再说「有没有 100 支装的」，它会复用上一轮的结果，期间还能随时语音打断，系统即时响应，接着聊下一轮

当然，现在的「拍立淘Agent」也不仅限于买东西，也可以用于许多生活场景，比如对着衣服问搭配、出国对着外文包装翻译比价、博物馆对着展品听讲解等等，N 合 1 了算是

Agent 版「一键出图」

我是做过电商的，淘宝店、独立站、亚马逊都做过，对于当年的我来说，最耗费时间的东西莫过于修图

记得以前搞亚马逊站的时候，我在海外卖一些小玩意儿，就是先从淘宝/阿里巴巴上进货，然后集中运到亚马逊 FBA 再开售；而作为商品本身，我需要把原先淘宝上的中文海报，逐个 P 成英文海报，就非常耗时间

我就记得当初有一批货是数码配件，国内的产品图下面有一堆的配色信息，什么睿智黑啥的，俺也不懂就直译了过去（wisdom black），老外看了给出了大大的问号...我尝试把当时的场景画出来，让大家感受下

当然，现在是好了，这种出图啥的都能一站式

If Studio 便是淘天推出的 AI 创作工作台，包含设计、视频、建站三个专家 Agent 协同，用自然语言描述需求，自动拆解任务、推进生成。内置的 happyHorse 1.1 视频模型覆盖不少场景，CG 动画、穿搭解说、商品棚拍、种草试穿都能做

对没有创作团队的小商家来说，正经省了不少时间

Agent 版「推荐系统」

以前推荐系统做的事叫「千人千面」

方法呢，就是先给你做个用户画像，包括性别、年龄、消费力、偏好类目，然后按这些标签从商品池里捞东西给你；比如说你曾经看过思维驰，肯定聪明爱学习，就会给你推荐更多的学习卡带；你买了猫粮，就会标记成养猫的，然后可能给你推荐更多的猫咪用品

当然，我上面说的也是很笼统的概念，具体落地还有许多细节，但本质上上一代的推荐系统就是在做各种各样的标签匹配，把这个人与可能点击的商品联系起来

那有了 AI 加持下的推荐系统，应该怎么做呢？它需要解答这么一个问题：你此刻想解决什么问题，系统应该采取什么策略

作为一个一种易于理解的场景（当然，非常不准确，现在的标签系统也不会这么推送了），假定我在春节期间买了许多红包封面，这绝对不能算「我是红包封面爱好者」，春节期间若是与我推送更多的好看红包也就罢了，但如果在端午节也给我推送红包封面，就多少显得有些睿智

而更加符合用户心意的做法，是判断用户当下是不是真的需要，这里用一个相对真实的例子：一位女性用户，点开了一款高倍防晒霜

• 传统的推荐系统，会看到这个行为，结合标签给他推荐更多的防晒霜

• 在 Agent 加持下的推荐系统（Dream），则会结合她每年五一出游的规律，推测是海边旅行，推了防晒相关的出行装备：然后当发现她浏览了几款防晒产品后，都没有下单，而是反复查看「是否适合儿童使用」的评价，理解了真实需求是在为孩子选购，把儿童友好的防晒霜推到她面前

这大概也是 Agent 加持下，推荐系统的更强大之处：随机浏览时扩展品类帮她发现新选择，比价纠结时强化价格和评价信息，临门下单时收敛到预算匹配的商品，买完之后降低同类打扰转向关联需求

这套系统目前已部署在首猜场景，并使整体成交金额提升 3%

Agent 版的「增收系统」

对于整个 AIGX 体系，「Coupella 智惠引擎」这套增收系统是我最想搞明白的，为此专门拉着团队的技术负责人聊了将近一个小时

先讲一下背景，在大模型时代之后，淘天平台在帮助商家经营这一方面的投入很大。技术团队去跟商家聊，痛点收拢下来，两个问题最突出

其一：配券难

我经常大撒币：

然后在实际的经营中，给优惠券促销，是一件非常有技术、但又令人头大的事儿，发满减还是折扣？发给谁？发多少张？其实很多时候都是拍脑袋决定的，即便历史数据做参考，但实际每次的环境都在变；今年的7月就没法参考去年同期的数据...因为今年又世界杯

其二：算账难

经营店铺是要看效果转化的：付出多少成本，带来多少；而对于券效果的评估，以往就基本是看当天：带来了多少有效下单客户，总 GMV 是多少

但在长周期活动，比如双十一之中...诶...随着军备竞赛，现在双十一已经长达 30 天了...就很难评估这个券是正向的，还是欠考虑的：如果活动力度过大，可能是把明后天的营收透支了，最后没多赚到啥

对于这种情况怎么处理，其实我并不觉得可以通过简单套公式来搞定，毕竟这样不是一个单纯的财务问题

这两个问题产生了很久，也让很多商家挠头，但技术不到就是解决不了

好在过去一年里，无论大模型的能力还是 Agent 能力都突飞猛进，业务痛点和技术成熟度算是匹配上了，问题才有了解法：Coupella 智惠引擎，背后是生成式因果大模型

这里我得补充说一下，在 2026 年这个时间点「大模型」「Agent」「Harness」等等概念的边界在不断融合和泛化，或许本文你是在1年以后看到的本文，到时候我们的理解可能又变了

Coupella 先帮商家算了笔账：发的哪些券，是有效的？为此，系统会进行三层归因和挤占：

• 第一层，抢隔壁的：东家不买西家买，其实算是内卷，不好

• 第二层，抢自己的：本来不发券也会下单，现在多发了，不好

• 第三层，抢明天的：把未来的订单提前透支了，订单波动贼大，不好

这三层剔除完，后面的营销投入才对应着真实增量，然后就可以让 AI 来帮忙发券（如果感兴趣，可以看 KDD 2026，相关技术已经被收录了）

在发券的这一步，商家只需要确定目标，比如你想要成交还是要新客、ROI 的底线是多少，接下来就都是 AI 去干的了：Coupella 就能从方针到投放，自闭环的完工，用最优的方案来执行

这其实也是我当初做电商的时候，最想要的东西...回想当初，每天瞎拍脑子送优惠，感觉自己大半的营销经费都在打水漂（虽然我也经常看分析报表，但人脑的上下文实在太少了，效果有限）

于是，Coupella 这套系统自打上线，就获得了真金白银的好评：上线以来覆盖数十万商家，AI 红包整体转化率提升 81%，今年 618，商家追加出资呈双位数增长，近 10 万商家在平台出资之外主动追加投入

我确实很好奇，为啥一个新出的功能，还是 toB 的能增长这么快，这些商家是如何敢真金白银的投入的？然后我就听到了这么一个故事：

今年世界杯期间，有一家小店体育用品店，日销 1000+ 人民币，也没有运营团队；在接入 Coupella 之后，AI 主动帮它匹配潜力消费者，七日到店的买家从 7 人涨到 454 人，单日 GMV 从 1310 元涨到 11.9 万，ROI 28.7 倍，超半数是新客

emmmm...牛逼，这种数据案例在店家之间也会口耳相传，带动了新技术的落地

对了，完全插入个题外话，也算是个生活小妙招：

买东西的时候，可以故意领券不核销，完了平台会给推更大的券

AIGX 背后的人

新技术浪潮之下，我们是惶恐的，也是奋进的，在这次「硬核少年技术节」的感受尤为如此，他们的技术同学反复在跟我强调，技术的落地应用不能闭门造车，要理解商家到底在经营中需要什么，我们应该多跟业务聊、跟商家聊

时到今日，Agent 的成熟让老问题终于有了解，我颇感受到这几个词背后的沧海桑田：天时、地利、人和

AIGX 体系，感知、创作、推断、理解各管一段，合起来覆盖电商经营的核心场景，亦有相互交叉相融，一如 Coupella 在算清了增量信号后，去影响搜推的流量分配，而搜推背后正是 DREAM 的意图引擎

而这些东西的背后，是技术节里台上台下的年轻工程师，和他们的双肩包与笔记本，恍惚间看到了十多年前在宿舍里对着「睿智黑」翻译发愁的自己，而现在有着这么一群可爱的人，在用新的技术，去把那些脏活累活清理掉

硬核少年技术节，会场