产品Bestblogs·硅谷101··AI 生成
张阔：用真实商业任务检验 AI 系统
阿里国际站总裁张阔复盘 AI 电商 Agent 半年进展，核心发现是模型在通用榜单上逼近满分，但处理 107 个真实电商任务时，无人干预下的通过率仅约 61%。他提出 Agent = Model × Harness × Context 的公式，认为三者缺一不可；通过帕累托最优路由将简单任务分配给低成本模型，XWork 的成本仅为 Codex 与 Claude Code 的三分之一。文章还讨论了 AI 对 SaaS 的影响、中美电商生态差异，以及最终商业判断仍应留给人。数据具体、框架清晰，但立场偏向厂商。适合关注 AI 落地、电商产品与企业软件的人士阅读。原文 ↗原文 ↗
核心观点
- ▍通用榜单上的高分无法代表真实业务中的可用性；前沿模型在阿里国际站 107 个真实电商任务中的无人干预通过率仅为 61%。
- ▍垂直 AI Agent 的能力由模型、工程框架和上下文三者相乘决定，缺一不可；二十多年积累的交易与行业数据是其护城河。
- 01阿里国际站团队从百万级真实经营与问答数据中整理出 107 个电商任务并开源，覆盖采购比价、船期预订、交易纠纷等七大类，分为 L1-L4 难度。
- 02在无人干预、最前沿模型条件下，107 个任务的通过率约为 61%。
- 03XWork 通过帕累托最优路由，将简单任务分配给小尺寸或高性价比模型，复杂任务交由前沿模型，跑完 107 个任务的成本约为 3.69 美元，而 Codex 和 Claude Code 均在 9 美元以上。
- 04成本通过集约采购、模型后训练、推理服务及工程与上下文优化来压低。
- 05多 Agent 建议冲突时，应以经营目标为准做取舍。
- 06AI 产品第一天就是全球化的，但工具、平台与区域上下文仍需适配。
反方 / 局限
- — 文章中提到的“71个任务中，最后有7个是从Copilot到agent阶段不能跑通的”，暗示部分任务结构复杂，现有Agent架构能力有限。
- — 作者没有讨论AI Agent在更复杂、非结构化决策任务（如新市场开拓）上的适用性，其论证主要基于重复性经营任务。
概念锚点
前置背景
平行视角
未来推演
延伸追问