大厂超级 App 内部做 AI 助手有多难？事难，人更难

在互联网时代的大厂超级 App 里做 AI 有多难？超乎想象的难，事难，人更难！ 比如某个 App 要把一级搜索入口做 AI 搜索(或者叫 AI 助手/智能体)，这个 App 本身不垂直，能力非常全...

在互联网时代的大厂超级 App 里做 AI 有多难？超乎想象的难，事难，人更难！ 比如某个 App 要把一级搜索入口做 AI 搜索(或者叫 AI 助手/智能体)，这个 App 本身不垂直，能力非常全面，比如美团、淘宝、微信等。 光是整个架构中的模型组合，就是一个很考验功底的判断。Agent 主推理模型反而是更容易确定的，模型性能、成本、部署成本等量化对比，再结合实测，就基本能定。 更复杂的是入口最前端的意图识别，和深入到多个分类中的垂类模型，这些垂类模型，大厂往往更倾向于自己用公司积累的数据后训练模型，恨不得每个分类训一个，超过 10 个轻轻松松。 这些后训练过程，算力消耗、训练周期、评估合理性等，都有很多额外的工作量，整个周期下来，2-3 个月未必搞得定。可这个时间差，基座模型又升级了，要升吗？升的话又是 2-3 个月，不升的话就眼看着 AI 能力掉一档，两难。 比事更难的，还是人。大厂分工非常明确，权责也非常分明。比如负责模型训练、模型评测和 App 开发、AI 搜索开发的，大概率是不同的团队，如果再跨部门，就更麻烦了。中间过程很容易因为优先级、方案评审、指标通过率等付出额外的，甚至比事情本身更长的时间。 这还没提向大老板汇报环节，即使前面 81难都过了，到了大老板那，也可能被莫名奇妙的打回来，从某个点推倒重来。 即使这些都过了，上线了，一段时间收益不达预期，也可能整组「架构调整」。 比如飞书和豆包，飞书最近两年的 AI 能力跟进，绝对是比钉钉和企微激进得多的。但豆包吃掉飞书和 TRAE 后，飞书内的 AI 都在豆包化，某个飞书团队几年的工作，可能就这么被抹掉了。这样的例子，在中国互联网大厂，实在不少见。 💬 2 🔄 0 ❤️ 1 👀 203 📊 2 ⚡