一个电商购物 Agent 的真实迭代史：架构、记忆与踩坑

话题概述:
大模型可以生成流畅的推荐，但在真实电商中，类目理解偏差会带偏检索，商品认错会影响用户决策，动作未成功却回复“已完成”会直接消耗信任，跨会话又容易出现上下文断裂或错误记忆。
本次分享以真实上线的 AI 购物助手为例，讲如何把“会说”的模型收敛为可信系统：第一，通过协议设计、候选收缩与程序校验，将开放式需求理解转化为受控决策；第二，让商品引用和高风险动作都绑定真实系统证据，避免“答得像对、实际没做”；第三，将跨会话能力从摘要式人格记忆升级为有任务边界、作用域、生命周期和撤销路径的购物决策状态管理。
分享将结合真实故障、方案取舍和当前边界，讨论 Agent 在复杂业务中如何做到可控、可验证、可持续迭代，而不把规划能力包装成已全面落地的能力。

演讲题纲:
1、从“会说”到“可信”
为什么购物 Agent 的难点不只是理解和生成，而是关键决策能否被约束、验证和续接。
2、实践一：把开放式理解收缩为受控决策
从多意图需求混淆、类目不稳定等问题出发，讲如何通过协议拆分、候选收缩、语义选择和程序校验，让模型在合适的边界内发挥作用。
3、实践二：让商品和动作都有证据
商品只能来自真实检索实体；订阅、取消等强承诺必须以工具或后端成功状态为依据，建立从实体到执行的双重取证闭环。
4、实践三：从人格记忆到购物决策状态管理
为什么不能简单堆积聊天历史；如何按任务、作用域和生命周期管理跨会话决策，并把实时价格、库存等易变事实隔离在记忆之外。
5、从模型能力到系统能力
三条工程原则：先收缩决策空间，再验证实体与执行，最后管理跨时状态。
6、参加分享前可以思考的问题
a. 用户一次说“我想比较 A 和 B”时，为什么搜索结果常常只围绕其中一个需求展开？
b. 用户确认“就是这款，后续有变化告诉我”时，系统如何避免认错相近商品，也避免在操作失败时误说“已经帮你办好了”？
c. 用户隔天回来问“我上次看的那款现在多少钱”时，系统如何接住上下文，又不把一次送礼预算错记成长期偏好？

话题亮点：
1. 基于真实线上项目，而非实验室 Demo，完整讲清楚问题、方案、取舍和复盘。
2. 展示两类关键 Agent 工程决策：受控候选空间下的类目解析，以及记忆系统的三级成本漏斗设计。
3. 分享多个真实 bad case，说明同一个底层缺陷如何在不同场景里表现为不同症状。
4. 提炼出“没有执行证据就不能声称已执行”的工程红线，适合企业级 Agent 落地团队参考。