出行平臺的“Agent化”：哈啰為什么選擇克制？

撰文 | 李信馬

題圖 | AI生圖

了不起的智能體：發現和介紹那些正在改變世界的Agent，這里有現場、有對話，還有沒被寫進新聞的細節。

AI正在重塑世界，互聯網公司迫不及待地“上AI”，但實際上，很多項目并沒有做出效果。

成立即將滿10年的哈啰是一家標準的面向C端的中大型互聯網公司，從共享單車起步，現在旗下有哈啰騎行、哈啰電動車、哈啰順風車、哈啰打車、哈啰租車等業務，注冊用戶超8億。AI的風刮到了出行領域，哈啰選擇的AI戰略是“Agentic AI賦能全業務鏈路”，通過Agent大幅提效，并用AI改造現有的業務主流程和業務鏈路，推動Agent在多業務場景的落地應用。

聽完現場介紹和采訪，筆者發現，這個戰略的落地邏輯其實就是兩條線——對內提效，對外無感。

01、對外：克制的Agent，無感的體驗

出行場景，用戶打開App是為了解決問題，而不是體驗AI。打車的人想快點上車，租車的人想快點提車，騎單車的人想快點掃碼走人，任何讓用戶“等一下，讓AI想想”的設計，都是在制造摩擦。

打開哈啰的App，你很難找到“AI入口”，這是刻意的設計，但與此同時，多個Agent又是實實在在地落地在用戶側。哈啰首席架構師鄧小白在采訪中多次強調，哈啰在首頁引入AI“非常克制和謹慎”，采取小步灰度放量，一旦收到負面反饋就立即降級。他們發現首頁場景下用戶多為泛需求，意圖并不精確，直接上對話式推薦并非最優選擇。

最終的方案是融合策略——搜索、推薦、篩選、對話多種形態結合，由大模型實現更精準的意圖識別，動態選擇最優交互方式。“一方面，我們利用大模型原生的語義理解能力，對用戶顯式及隱式的意圖進行識別，從而大幅提升意圖識別的精準度。其次，我們也會在推薦之后，利用大模型給出有說服力的推薦理由，進一步提升轉化率。”鄧小白說。

在具體的AI推薦中，哈啰構建了一個三層的上下文體系。第一層是“事件”，將用戶與系統交互的原始、完整的信息直接進行存儲；第二層是“記憶”，利用大模型去總結用戶過往的完整行為，獲取用戶偏好，并形成長短期記憶；第三層是“任務”，當用戶再次訪問時，基于其實時行為的事件信息，結合其過往長短期記憶中的偏好，來完成最終的推薦任務。

租車業務是一個典型場景，用戶從選車、比價，到了解取還車規則、保險等增值服務，鏈路很長，決策成本高。哈啰為此做了租車個人助手Agent，能根據用戶意圖，在不同階段整合后臺知識庫、規則引擎和服務，用對話方式引導用戶走完全鏈路。

在租車推薦上，哈啰將AI推薦定位為一種增強服務，對各個模型進行動態監控與動態服務路由，核心業務鏈路也會采取相應的穩定性保障措施以提高其穩定性；哈啰還自建了內部大模型服務平臺，接入了豐富的模型種類，提供了更加靈活的計費方式；為了保證秒內響應，在大部分場景下哈啰都選擇了No-thinking大模型，并且對部分模型進行了縮減，從而在模型準確率與運行性能之間取得最佳平衡。

租車還車后，商家可能發起扣款——車輛違章、補繳油電費、車損等。過去全靠人工審核，費時費力，主觀性強，準確率也有限。哈啰引入了AI審核，用多模態大模型與規則引擎聯合判斷：確定性高、標準化的場景由規則引擎自動決策，復雜度高、模糊的場景交給大模型輔助。比如油表識別——系統要識別油量讀數，計算誤差和補繳金額。對用戶來說，這些都不可見，他們能感受到的是還車后扣費更快了，爭議更少了。

哈啰在對話類場景中有出行機器人，在撮合類場景中有司乘撮合助手，在決策類場景中有大模型風控等業務Agent，這些外部Agent的共同特征是用戶感知不到Agent的存在，但能感知到體驗的改善，對C端互聯網公司來說，這可能比“有存在感但沒用”的Agent有價值多了。

02、對內：用Agent重造研發流水線

如果說Agent對外的成功標準是“體驗”，那內部Agent的成功標準就是“提效”。

2025年上半年，一些哈啰的工程師自發開始嘗試AI Coding工具并分享心得；到了下半年，這種改變成為集團自上而下的戰略推動。哈啰的AI戰略落地一共分為四層：

首先，最底層的是AI Infra（AI 基礎設施），哈啰在算力、存儲以及服務上進行了大量投入，建設了諸如訓推加速、多云納管、分布式存儲等核心基建能力，達成了吞吐翻倍、算力降本精細化運營的目標。另一方面，哈啰針對大模型自建了大模型服務管理平臺，支持主流模型的快速接入和集成，以及模型壓測、監控觀測等，為上游的AI應用提供費用管控、模型私有化部署以及模型微調等相關服務。

第二層是AI知識運營。大模型自身的知識是靜態的，但業務在動態發展，哈啰建立了一套知識運營機制，能夠動態更新業務知識、業務規則和技能模塊。同時，圍繞這套知識運營機制，哈啰也搭建了全流程工具鏈，包括ADK開發框架、Kiro開發機、在線部署等相關工具服務。

第三層是AI應用工廠。哈啰自研了一套Agent工具包（Agent Kit）平臺，提供Agent運行所需的底層服務能力支撐，比如記憶、評測、知識庫以及運行沙箱等。目前，依托平臺哈啰已經孵化了400多個有效的AI應用。

第四層是AI Agent，主要分為兩個方向，一個是上面提到的針對用戶端的一系列業務Agent，另一個方向就是對內服務內部員工，比如“哈啰龍蝦”產品，為員工提供運營播報、業務核心指標預警以及工作流自動審批等AI助手功能，以此大幅提升員工的產出效率。

據哈啰測算，在工程質量要求高的復雜業務場景下，開發提效約50%；在從0到1的創新場景下，開發提效達67%以上。鄧小白解釋，差異的核心在于有無歷史技術包袱：“對于常規的研發工作，AI Coding打破了哈啰的研發資源瓶頸，讓我們不再需要依靠繁瑣的跨團隊資源借調去推進項目，極大加速了新業務、新創意的探索與落地。”

在AI Coding的實踐中，哈啰也沉淀了一套方法論。“縱觀整個Agent技術的發展，它經歷了從最早的Prompt Engineering（提示詞工程）、到Context Engineering（上下文工程）、再到Harness Engineering（運行環境工程），一直到最近（今年 6 月份）剛剛提出的Loop Engineering（循環工程）的演進，整個行業本身也處于一個不斷摸索、實踐，并逐步產出標準框架的過程。”鄧小白說。

值得一提的是，哈啰的AI實踐離不開亞馬遜云科技的助力，它更像是一個深度參與的技術伙伴。今年上半年哈啰舉辦了AI創新應用大賽，近100組、300多人報名，一大半是非技術崗位，指定開發工具是Kiro，但很多人從沒接觸過。亞馬遜云科技派了六七人的技術團隊到現場，從早上一直待到深夜十一二點，手把手教參賽者使用。鄧小白對此印象很深：“不僅技術專業，更難得的是非常敬業，真正做到了以客戶為中心。”

關于Agent的未來趨勢，鄧小白在采訪中反復強調一個原則：“不能為了用AI而去用AI。一定要立足于具體的業務場景，在達成業務目標的過程中，尋找哪些環節可以通過AI進行有效輔助。”這話不新鮮，但能做到的企業不多，哈啰的可取之處在于，它在外部不讓用戶感知到AI的笨拙，內部不讓AI變成花架子。