科技 Bestblogs · 大淘宝技术 · 昨天 15:24 · AI 生成
告别 AI Demo 页面：构建支持淘内货品运营、可 C 端投放的会场 Agent Harness 本文详细介绍了阿里巴巴方舟团队如何构建一个生产级的 AI 会场生成系统，核心挑战在于让 AI 不仅生成好看的 HTML Demo，而是输出符合淘系视觉规范、绑定真实商品数据、且能直接用于 C 端投放的完整页面。文章围绕一套由策划、视觉设计、数据装配、页面构建组成的链路，深刻探讨了在技术工程层面如何解决 HTML 的三重约束、Design Skill 的具象化落地、上下文管理与成本优化等核心问题。适合对 AI 工程落地、大型系统设计感兴趣的工程师与产品经理阅读。原文 ↗ 原文 ↗
核心观点
▍ 真正的生产级 AI 会场生成，需要同时满足视觉规范、真实商品供给与淘系渲染协议三大约束，而非仅生成静态 Demo 页面。 ▍ 通过将设计、运营、开发规则以 Skill 形式注入 Agent，并构建一套分层、可追溯的工程系统，才能实现从「一句话需求」到「可投放页面」的闭环。 01 page.html 是视觉（软约束）、商品数据（认知约束）、生码（硬约束）三重约束的冲突中心，视觉分组不等于供给分组，需要通过 data-ark-slot 等协议解耦。 02 系统引入了 30+ Design Skill，将情绪板、材质、排版等隐式设计语言转化为 AI 可理解的结构化知识，并通过规则持久化、压缩恢复与编辑保护维持风格一致性。 03 采用上下文分层（P0-P3）与 Prompt Cache 策略，在压缩时显式恢复重要 Skill 的描述，清理低价值工具结果，以提升 Token 利用效率和成本。 04 引入 SubAgent 实现上下文隔离和并行任务处理，主 Agent 负责业务主循环，SubAgent 可独立处理并行的子任务（如多行文案生成），并通过工作区协作。 05 设计了一个基于 OSS 的虚拟文件系统作为工作区，持久化所有产出的中间产物，保证了多轮编辑的可追溯性和体验一致性。 06 技术栈包括：主 Agent、Skill 体系、Task 委派、基于 OSS 的工作区以及多层质检（视觉、商品、生码）与全链路观测。 反方 / 局限
— 作者并未明确指出，但「逐步迭代，用久了会更懂你」的假设意味着系统依赖于持续的规则与模型调优，对于冷启或低频使用场景，初始效果和一致性可能不如预期。 — 文章讨论的 Skill 和 SubAgent 策略高度依赖淘系特定的设计、数据和业务上下文，其工程框架虽具参考价值，但核心逻辑和实现细节难以直接复用于其他平台的会场生成。
前置背景 Prompt Cache：降低AI成本的暗线
方舟团队通过上下文分层与缓存策略控制成本，背后是整个Agent行业都在啃的硬骨头——Prompt Cache。复杂Agent每轮对话的固定开销（系统规则、工具定义、历史消息）动辄数万Token，若不命中缓存，长会话的Token消耗会指数级膨胀。腾讯云TokenHub给出的定价对比显示，缓存命中价格仅为常规输入价的1/4到1/10。关键工程不在于“开缓存开关”，而在于保证前缀的稳定性：系统提示词、工具Schema的变动都会击穿缓存，让重复上下文每次都从零计算。这是决定Agent能否在生产环境“长期跑下去”的基础设施，而非锦上添花。
▸ 3 条关联资料
▼
技术原理 SubAgent协调：如何不让Agent打架
方舟架构用SubAgent实现上下文隔离与并行提效，但多Agent协作的核心难题在于错误传播与状态同步。行业主流方案采用Orchestrator/Worker模式：一个总控Agent负责任务分解与调度，Worker专注执行，信息流集中转。这种模式控制流清晰、容易调试，但也让Orchestrator成为单点瓶颈——它的决策质量决定系统上限。一旦Orchestrator把子任务分错了Worker，后续做得再好也是白费。这是方舟团队在实际落子时不得不面对的工程权衡。
▸ 2 条关联资料
▼
平行视角 年画式设计 vs AI自由生成
方舟团队用30+视觉Skill约束AI遵循淘系设计规范，本质是给AI戴上审美的“紧箍咒”。另一边，主流大模型（GPT-5.5、Claude 4.8）的“图片转HTML”评测却追求像素级还原设计稿——让AI毫无约束地模仿任何视觉风格。两种路线截然不同：前者牺牲了AI的创意自由以换取品牌一致性，后者追求还原度但产出的HTML可能完全不符合特定平台的规范与组件体系。对电商平台而言，视觉的一致性和可运营性远比“好看但不可用”的HTML更重要。
▸ 2 条关联资料
▼
未来推演 AI生成会场后的运维责任链
文章解决了“生成”一环，但AI生成的页面进入投放后，部分内容错误（如商品信息错配、视觉微瑕疵）的责任归属、兜底回滚机制尚未展开。参考金融场景AI Agent事故的教训，缺乏结构化校验的AI产出上线后曾导致172名客户误操作转账。可以预见，AI会场系统的成熟标志之一，是从“生成即通过”进化到“生成+强制校验+回滚预案”的完整生命线——这要求在产品设计中预留人工审核节点和降级策略。
▸ 2 条关联资料
▼
延伸追问 当AI学会审美：设计Skill的通用性
方舟的30+Design Skill将“情绪排版材质”编码为AI可执行规则，这套能力能否跨平台复用？目前仅针对淘系场景，但背后引出一个根本追问：不同电商平台的设计规范（天猫、京东、拼多多、TikTok Shop）之间，是否存在可共享的底层设计Token体系，还是每个平台都必须重新训练一套视觉Skill？这个问题决定了未来AI设计系统的建设成本分配——是做一套通用“设计语言引擎”适配所有平台，还是给每个平台定制“审美水龙头”。
▸ 2 条关联资料
▼