您的代理无法预测喜悦。它甚至不理解购物车。

TL;DR

• 行业对“agentic commerce (代理商务)”的狂热追求集中在错误的问题上：聊天界面。最近的学术研究表明，真正的工作是构建能够使用多模态数据和图网络理解和预测客户满意度的预测引擎，而不仅仅是处理语言 [1]。
• 一个无法预测客户是否会满意购买商品的AI代理，只不过是一个声控搜索栏。真正代理的基础层是一种能够计算积极结果概率的架构，这个概念与当今的关键词匹配聊天机器人相去甚远 [2]。
• agentic storefront (代理店面) 的准备情况与您的API或LLM的选择无关。它关乎您的数据基础设施的成熟度。您能否将用户-商品交互建模为图？您能否融合文本评论、购买历史和隐式行为信号来预测满意度？如果答案是否定的，那么您还没准备好 [4]。

上周，我站在威尼斯大道的 Erewhon，看着一个人盯着补充剂墙，完全不知所措。一位店员，好心地试图帮忙。“您在找什么？”他问。顾客回答：“一些能……您知道……帮助专注的东西吗？”店员指了指几瓶银杏叶。这是一个完美的、由人类驱动的关键词匹配示例。它也完全没用。

顾客不想要银杏叶。他们想要一个有保证的结果。他们想要一个预测。他们想知道50瓶几乎相同的瓶子中哪一瓶真的对他们有用——针对他们的生物学、他们的生活方式、他们的目标。他们想要一个能够推理概率和结果的系统，而不仅仅是将字符串查询（“专注”）与产品属性（“银杏”）匹配。

这正是几乎所有品牌在争相构建所谓的“agentic commerce”系统时，所犯的完全相同的根本性错误。我们都在构建能够解析句子并获取结果的助手。我们正在构建那些助人却又 clueless (一无所知) 的店员的数字版本。真正的挑战，真正重要的工作，不是构建更好的对话者。它是构建一个预测引擎，能够告诉客户什么会让他们感到快乐，什么会解决他们的问题，什么他们不会在三天内退货。根据最新的研究，这个引擎不是建立在对话式人工智能上的；它是建立在图上的。

为什么每个AI购物助手都如此愚蠢？

老实说。当前这一代“AI购物助手”是一个巨大的失望。它们只是在90年代后期就开始为电子商务提供动力的旧式关键词搜索上，薄薄地覆盖了一层自然语言处理的“妆容”。它们将搜索栏换成了聊天气泡，但底层逻辑仍然简单得可怜。

您问它：“给我找一条黑色牛仔裤。” 它回答：“好的，这是我们出售的全部247条黑色牛仔裤。”

这不是协助；它是一个目录转储。它是一台理解语法但对意图一无所知的机器。它无法处理真正推动商务的隐含的人类问题：

• “给我找一条黑色牛仔裤，款式要像我最喜欢的X品牌那条，但两次洗涤后不会掉色。”
• “我下个月在奥海镇 (Ojai) 有个婚礼。着装要求是‘沙漠时尚’。给我找一套500美元以下的服装，而且不会和另外三个人撞衫。”
• “为我在DTLA的新公寓找一件家具，这件家具要能在我搬到下一个公寓时还能用。”

回答这些问题需要不仅仅是搜索。它需要推理、推断，最重要的是预测。代理需要预测合身度，预测社会认同，预测耐用性。它需要计算用户成功结果的概率。然而，我们正在构建的代理只能处理最明确的命令，它们是被动的仆人而非主动的伙伴。它们等待命令，执行搜索，然后呈现列表。这是想象力的巨大失败，也是将精力集中在引人注目的前端界面而非极其困难的后端智能上的直接后果。

资助这些聊天机器人初创公司的风险投资家和撰写关于“对话式商务”的煽情新闻稿的市场团队完全没有抓住重点。代理的价值不在于它理解句子的能力。它的价值在于它预测未来的能力。

事实真相在于图谱，而不在于提示

当商业世界被华而不实的LLM (大型语言模型) 演示所分散注意力时，真正基础性的工作正在其他地方进行。我上周埋头于arXiv上2026年2月最新的预印本，信息很明确：商业AI的前沿不在于自然语言；它在于图神经网络和多模态数据融合。

例如，古吉拉特理工大学研究人员的一篇论文并不是试图构建一个聊天机器人 [1]。他们正在研究一个更难的问题：可靠地预测客户满意度。他们的模型不仅仅着眼于评论文本。它融合了BERT嵌入——捕捉文本的语义含义——与LightGCN图嵌入，后者映射所有用户和所有产品之间复杂的关系。

思考一下这意味着什么。传统系统看到一个五星好评，然后说，“很好，这是一个好产品。”这个新模型看到五星好评，并立即理解上下文：是谁写的，他们还买了什么，相似用户买了什么，以及这个单一评论如何连接到网络中成千上万的其他用户-商品交互。这种方法让他们能够解决“冷启动”问题——如何向没有历史记录的新用户推荐商品。该系统可以识别出圣莫尼卡的新客户资料与威尼斯海滩已知的一群满意客户高度相似，并根据图的结构预测他们对从未见过商品的满意度。

另一篇论文，“利用异构图神经网络检测高潜力中小企业”，使用基于图的模型来预测哪些小型企业可能成功，在其前100个候选企业中取得了令人印象深刻的89.6%的准确率 [2]。这比随机猜测好2.14倍。关键发现是，数据的结构——公司、研究主题和资助机构之间的关系——比公司独立属性更能有力地预测成功。

现在，想象一下将同样的预测能力应用于商业。您可以预测特定客户微细分市场的“热门”产品，而不是预测成功的公司。或者您可以预测高潜力的客户-产品配对，这些配对可能带来高生命周期价值。这才是“代理”的真正工作——不是获取产品，而是识别和推荐高潜力的结果。用户的提示只是一个微小输入信号。事实真相在于您平台上发生过的每一次交互所构成的巨大、相互连接的网络。

为预测而架构，而非为对话而架构

大多数商业团队的架构思维正在阻碍他们。他们看到“agentic commerce”，就立刻想到API、webhook和NLP服务。他们试图将对话层附加到一个为简单查找而设计的数据库架构上。这永远行不通。您无法在反应式基础上构建预测系统。

当今“聊天机器人”的典型架构是痛苦的线性。

这在功能上是一个带更多步骤的搜索栏。它接收一个查询，将其分解为关键词，获取匹配的商品，并返回一个列表。这里没有任何智能可言。

一个真正的代理系统需要一个完全不同的架构，一个以预测核心为中心的架构。

这是一个用于预测的架构。它接收多个信号，而不仅仅是文本查询。它在一个多模态引擎中融合这些信号，该引擎利用文本的语义内容 [1] 和用户-商品图的关系结构 [2]。系统的核心是“满意度/结果预测器”，其唯一工作是计算成功结果（例如，购买、不退货、积极评价）的概率。

输出的不是一份愚蠢的产品列表。它是一个“推荐歧管 (Recommendation Manifold)”，这是最近关于序列推理研究中暗示的一个概念，例如ManCAR论文，该论文探讨了在巨大的Amazon数据集中导航潜在空间以进行推荐 [4]。代理不仅仅是寻找产品；它正在导航一个复杂的可能性空间，以找到预测成功得分最高的少数几个选项，针对特定的用户，在特定的时刻。这个系统不仅仅回答“您有什么？”的问题；它回答的是“我应该得到什么？”的问题。

您拥有的数据与您需要的数据

我每天都和那些急于部署AI代理的品牌高管交谈。我的第一个问题总是相同的：“给我看你们的交互图。”通常的回答是茫然的眼神。他们有装满用户、订单和产品数据的数据库。他们有来自Google Analytics的庞大日志。但他们没有真正重要的一样东西：数据点之间关系的结构化表示。他们有名词和动词，却没有句子。

研究对此毫不含糊：信号在于结构 [2]。您的表格数据——Snowflake实例中的行和列——只是您业务现实的苍白影子。魔术发生在连接中。

从交易日志到交互图

构建这个基础是为未来的代理化做好准备的真正工作。这是不那么迷人、需要卷起袖子进行的数据工程工作，它必须在您为聊天机器人编写一行代码之前完成。它始于将您的业务建模为图。用户和商品是节点。每一次交互——浏览、加入购物车、购买、评论、退货、客户服务工单——都成为连接这些节点的有向、加权、带时间戳的边。

现在，您不再询问“产品#123被购买了多少次？”，而是可以提出更强大的问题：“购买了产品#456后又浏览了产品#123，并随后退货的用户群体是哪一个？他们有什么共同点？我们应该向他们展示哪个产品，根据相似用户群体的行为来看，该产品留存的可能性最高？”这才是通向智能的查询。

捕获隐式信号

我看到的论文仍然使用相对简单的信号，例如将Amazon数据集中3星以上的产品评分视为积极交互 [4]。这是一个很好的开始，但真实世界要丰富得多。您需要的数据不仅仅在于用户采取的显式行动；它在于他们隐式行为的浩瀚海洋中。

• 他们在图片上悬停了多久？
• 他们是否放大了某个特定细节？
• 他们滚动浏览某个产品的速度有多快？
• 他们是否将商品添加到购物车，犹豫了两分钟，然后又将其移除？

这些都是兴趣、困惑或不满的强大信号。您的orders表告诉您发生了什么。这些隐式数据告诉您为什么。捕获并将这些信号整合到您的图模型中，是将基本推荐系统与真正的预测引擎区分开来的关键。您的标准GA4实施并不是为此而构建的。您需要一个专门的事件管道，旨在捕获和结构化这些微妙的行为标记，以供您的预测模型使用。

“Agentic Storefront Readiness” 究竟意味着什么？

围绕“agentic storefront readiness (代理店面准备就绪)”正在兴起一个小型产业，他们兜售的审计和认证大多是虚有其表。他们会告诉您，这关乎拥有干净的API、良好的文档以及现代化的无头架构。这些都是基本要求。这就好比说一级方程式赛车的准备就绪取决于它是否有四个轮子和一个方向盘。

真正的准备就绪与您的前端或API层无关。它是衡量您数据架构成熟度和预测能力的标准。为了使其具体化，这里有一个反映这一现实的成熟度模型。

我看到的大多数品牌都停留在级别1或2。最先进的也只是刚开始涉足级别3。当前的学术研究正在大力推进级别4的领域。但是，整个行业对话，在炒作的推动下，却假装我们可以直接跳到级别5。您不能。一个没有预测性、预代理基础的代理，就像一个没有牵线人的木偶——它会说话，但没有独立的智能。

这对您的品牌意味着什么

如果您是品牌领导者，您需要改变您提出的问题。停止问您的团队：“我们什么时候可以部署一个AI购物助手？”开始问他们这些问题：

1. 我们是否拥有一个统一的、实时的、从第一次广告曝光到售后支持工单的完整客户交互视图？
2. 我们如何建模客户与产品之间的关系？是否以图的形式？
3. 我们正在做些什么来捕获隐式行为数据（悬停、犹豫、滚动速度）并将其与客户档案关联起来？
4. 我们今天能否计算出一个分数，预测特定客户对特定产品满意的概率？

这就是工作。这就是基础。它是数据工程、机器学习建模和系统架构。它不性感。它在董事会面前演示效果不佳。但它是构建真正有用的人工智能系统的唯一途径。

在 CTO.LA，这就是我们所做的工作。我们不销售聊天机器人许可证。我们专注于设计和构建作为任何智能系统先决条件的基础数据基础设施和预测模型。我们帮助您达到级别4，这样当时间到来时，您向级别5的迈进将是合乎逻辑的下一步，而不是绝望的跳跃。

不要构建代理。构建一个真相引擎。

每个人都想构建一个代理。它是闪亮的对象。它感觉像是未来。但您正在试图在打地基之前就盖屋顶。

暂时忘记代理。专注于构建一个真相引擎。一个能够摄取您业务生成的所有数据碎片，并反过来提供一个单一的、高保真预测的引擎：一个良好结果的概率。这个用户，拥有这段历史，在这样的背景下，会喜欢这个产品的概率。

一旦您拥有了这一点——一旦您能够可靠、准确地预测喜悦——代理就变得简单了。对话式界面只是一个展示您的真相引擎输出的UI (用户界面)。真正的工作是深入挖掘客户数据中混乱、复杂、美丽的混沌，找到通向真正满意度的隐藏信号。

下次当您在405公路上缓慢爬行时，想想您的客户在那一刻正在生成的数百万个离散数据点。您是任由它们消失在以太中，还是将它们编织成一个可以预测您业务未来的图谱？

CTO.LA 与正在构建这种代理基础设施的商业品牌合作。让我们聊聊吧。

参考资料

1. Towards Reliable Customer Satisfaction Prediction: An AIML-Driven Multi-Modal Approach for E-Commerce Platforms
2. Detecting High-Potential SMEs with Heterogeneous Graph Neural Networks
3. zezhishao/DailyArXiv
4. ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Reasoning
5. ArxivDaily Thread on Recommendation Systems
6. AI-empowered financial stock: A survey
7. ManCAR: Manifold-Constrained Latent Reasoning with Adaptive Reasoning (PDF)
8. A Novel Approach to Multi-Criteria Decision Making for Enterprise Resource Planning Systems Selection in E-Commerce

• agentic commerce
• commerce AI architecture
• graph neural networks
• data engineering
• machine learning