DoorDash 如何做好 AI 购物助手：不全靠模型，靠工具和记忆落地
- DoorDash 推出 Ask DoorDash，一款通过自然语言对话搜餐厅、规划三餐、建购物车的 AI 助手，目前在美国部分地区 iOS 端灰度上线。
- 架构把编排智能体、专业化的领域智能体、共享工具层、托管服务拆成四层，业务逻辑收在共享工具层，不塞进提示词里。
- 三层记忆系统（长期记忆离线批处理、会话内记忆实时更新、对话记忆显式提取）支撑个性化，7天生产数据显示：有记忆支持的生鲜杂货结账转化率相对提升约24%、客单量提升17%、对话轮次减少7%，餐厅推荐转化率提升15%。
- 自建评测框架用AI模拟用户跑录制好的工具数据，日均自动评测超2000场，智能体质量分提升8分，回归测试从6小时压缩到20分钟，支撑了一次把延迟降低35%且不掉质量的模型底座迁移。
DoorDash 上线了什么
目前只开放了两个场景：餐厅搜索和杂货购物，安卓和网页端还没上。早期数据显示，七成左右的消息都是找东西一类的需求，比如“附近的拉面”“今晚吃什么”“这周素食晚餐怎么买”；大部分用户会在同一个对话里来回改好几轮，边聊边调整，而不是问一句就走。DoorDash 也提到，目前生产环境里最容易出问题的地方是“信息对不上”：推荐了一家其实已经关门的店，报的价格和货架不一致，或者说加进购物车的东西其实没加进去。修法都是同一个思路，让 AI 每一句涉及事实的话，都必须真的调用一次工具去查系统里的真实数据，而不是凭上下文猜。
一次点单背后发生了什么
Turn 2 是关键的一处设计：用户在购物车widget上点点改改，这些操作全部直接改动购物车这个对象本身，不会再走一次AI模型判断，AI处于空闲状态。这意味着最耗时间的“调用AI”这一步，被从大部分交互里砍掉了。
四层架构怎么分工
编排智能体和领域智能体之间靠一套叫 A2A（agent-to-agent）的协议互相传话，好比公司里不同部门约定好统一的公文格式：只要格式对得上，餐厅团队和杂货团队各自开发、各自发布，互不干扰，也不用绑在一起上线。
有个细节叫“智能体锁定”：如果用户上一轮问的是买菜，这一轮说“加到购物车”，系统会默认继续路由给杂货智能体，而不是重新判断一次，直到用户的意图明显变了才切换。每个智能体跑在Google的Agent Development Kit上，具体用哪个AI模型按角色配置，出了问题可以按角色单独换模型，不用发新版本。
记忆系统：让 Agent 记住你是谁
智能体每次对话都是从零开始，不知道自己在跟谁说话。DoorDash 要解决的问题是把散在各处的用户数据，变成“在正确的时刻，给到正确的上下文”，靠的是三层记忆系统加一套四阶段的记忆调度流程。
| 记忆层 | 更新节奏 | 装的是什么 |
|---|---|---|
| 长期记忆 | 每天/每周批处理 | 饮食偏好、就餐习惯、品牌偏好、常去店铺 |
| 会话内记忆 | 实时 | 当前购物车、正在搜的东西、刚看过又跳过的商品 |
| 对话记忆 | 随对话产生 | 用户在这次对话里明说的、要长期记住的事 |
光有这三层记忆还不够，AI 得先搞清楚这一轮该查哪几类记忆。DoorDash 把这个过程拆成四个阶段：
拿“我想做鸡肉提卡马萨拉”这句话走一遍：第一步意图解析先认出这是一个菜谱请求，该查的是品牌偏好和份量偏好，不是查附近餐厅；第二步查询规划把它拆成“精确关键词查品牌偏好”加“语义查询份量历史”，只在杂货相关的记忆区块里找；第三步检索排序并行查完，把最近确认过的“常买两人份”排到最前面；第四步打包成几行结构化事实塞进提示词，比如“两人份、常买Oatly燕麦奶、不吃肉”，智能体照着这几行字去挑食材，而不是把上百条历史记忆全部堆给它。查询规划这一步还会按三个维度参数化：用语义相似度搜、还是用关键词精确匹配、还是直接按结构化字段取；查哪个记忆分区；以及限定条数、相似度门槛、时间窗口这些边界。
为了让关键词检索好用，系统还会在每次对话开始时，把这个用户当前记忆里实际存在的词汇列一份目录（Memory Bank Index）塞进提示词，智能体照着这份目录去搜，搜目录里没有的词只会白费token。对于订单历史这类特别庞大的记忆区块，智能体会先做一次轻量的“扫一眼”，拿到条数、可用性这些概要信息，再决定值不值得把完整内容读进来，避免一上来就把整块历史塞进上下文。
记忆撞上货架现实，谁让步
记忆和当下的真实情况是两回事。一个“一直买Oatly”的用户，如果最近的门店没货，智能体查库存时会发现这一点，转而找替代品；一个说好“60美元预算”的清单，如果凑齐这周要买的东西最低也要72美元，AI 会据实告诉用户，而不是硬凑一个假的60美元。这个校对不是单独一层做的，是同一轮对话里，智能体先取出存好的偏好，再拿它去对照搜索和购物车工具返回的实时价格、库存、营业时间，记忆和现实冲突时，按现实调整方案。
记忆怎么沉淀、又怎么被精准遗忘
一句话怎么变成一条能用的记忆
“我们家吃素，这周还是买两人份哈。”
内容家庭吃素，常买两人份
时效长期，除非用户改口
但如果一句话只是“这个是给朋友带的，今晚要用”，这种一次性说法会被跳过，不会写进长期记忆。判断标准还会按业务场景变：在餐厅场景里，用户说“我不想吃拉面”默认是一时的心情，除非用了“always”“never”这类明确的耐用性字眼，不然记下来反而会让智能体以后一直不推面食；换到杂货场景，用户随口一句“我喜欢Oatly”，恰恰就是要长期记住的品牌信号。价格敏感度这类偏好，只有用户主动发起才算数，比如自己问“Safeway有什么便宜的”才会被记下来，如果只是被动接受了AI推荐的便宜店，那不算是对这个人的持久判断。
“忘记”比“记住”更难
如果用户说“忘记我喜欢Nova家的烤芝士”，简单粗暴地按相似度或者关键词匹配删除，很容易把跟“Nova”或者“芝士”有关、但其实用户还想留着的记忆一起删掉。
删除动作和保存不一样，保存是异步触发不占用时间，删除是同步执行的，智能体能在回复里当场告诉用户具体删了哪几条。记忆也没有统一的过期时间：食用油买了80天，大概率还在厨房里；牛奶买了12天，大概率已经喝完了；素食这类用户自己说出口的偏好，压根没有失效期，除非用户自己改口。一条记忆该活多久，取决于它本身是什么，不是套一个统一的衰减公式。
怎么知道 Agent 真的靠谱
智能体的对话没有唯一正确答案，人工抽查又扩不了量。DoorDash 建了一套自动化评测框架，把“这轮对话到底帮没帮到用户”变成一个能天天跑、能量化的问题。
把每条标准写成能二元判断的准则，比如“推荐的餐厅有没有满足用户说的送达时间、预算、忌口”。每条标准先判断适不适用这个场景，适用才打分，reorder专属的检查不会错误地扣到菜谱场景头上。
每场对话用OpenTelemetry打点，存进ClickHouse。原始记录信息量太大，Python脚本把它拆成每条评分标准专用的证据切片，裁判只看它需要看的那部分。
用AI扮演用户，按写好的场景脚本走完整段对话，配上一份提前录制好的工具返回数据（不查真实数据库），保证同一个场景每次跑起点都完全一样，分数才能公平对比。
用GEPA算法反复迭代打分提示词，直到跟人工标注的判断结果对得上，校准好了以后，一天能自动审2000多场对话。
评测时不真的去调用线上库存、订单这些接口，而是回放一份提前录好、固定不变的返回结果。这样同一个测试场景不管跑多少次，起始条件都完全一样，分数变化才能归因到智能体本身，而不是货架今天恰好有没有货这种随机因素。
一种自动改写打分提示词的算法：不断生成新版本的评分提示词，挑出跟人工标注结果最一致的那版留下来，反复校准，让AI裁判的判断尺度慢慢贴近真人评审。
评测系统在两个真实事故里怎么起作用
案例一：AI说话像在念代码
智能体确实把任务完成了，但回复用户时夹带了系统内部的黑话，比如“reorder skill”“fetch”“in parallel”这类词，听起来像是在给另一个程序汇报，不像一个导购员在说话。
整理了智能体的沟通规则，把内部的技能指令和面向用户的话术分开。离线验证里，这类问题出现的比例降了11%，又跑了一遍全量场景确认没有引入新的问题，上线后线上监控确认改善持续存在。
案例二：换个模型，分数直接掉了
Gemini 3.5 Flash 发布时，DoorDash 的智能体正跑在 Claude Sonnet 4.6 上。Flash 的跑分数据显示它可能更快，团队想换过去把延迟降下来，但换底座模型这种大改动风险很高，得先验证质量没掉才敢上线。
评测揪出的原因，是格式兼容出了问题，不是模型能力不够：Flash 把一部分工具参数格式化成跟 Sonnet 不一样的样子，比如该传一个字符串的地方传成了一个JSON对象；系统提示词里有些约定，Sonnet 能自己脑补出来，Flash 读不出来。修复也是对症下药：一边给工具输入加上确定性的纠错逻辑，把格式不对的参数纠正回来而不是直接丢弃这次调用；一边把提示词里原本隐含的约定写明白，比如明确要求用数据里给出的门店原名，不许自己加工润色。修完之后重新跑评测，分数追平了 Sonnet，误差在评测系统本身的噪声范围之内。上线后跟踪线上质量和参与度指标，延迟降低了35%，质量指标没有下滑。
这套系统能带来什么
业务逻辑收进共享的 MCP 工具层，而不是写死在提示词里，意味着同一套搜索、购物车、库存工具，能被公司内其他做AI功能的团队直接拿去用，后端服务升级一次，所有上层智能体自动跟着受益，不用每个团队各自重复接入一遍。
记忆被设计成一个独立的工具层，而不是某一个智能体的专属功能。一个智能体在购物对话里学到“这家全吃素”，订位、外卖推荐这些其他智能体立刻就能用上这条信息，不用每个团队各自重新解决一遍抽取、去重、检索这套问题。
自动化评测把回归测试从6小时压缩到20分钟，意味着模型或者提示词的改动能在几十分钟内验证完，像“换掉底座模型”这种高风险操作，也能先在低风险的离线环境里验证过关，再暴露给真实用户。
购物车编辑这类操作直接改动版本化的对象，不经过AI模型往返，是一种不依赖模型本身变快、也能把端到端延迟压下来的思路，对任何“AI加实时库存或价格”类的应用都是可以直接搬过去用的做法。
生产数据说了什么
打造一个好用的AI智能体已经很难，知道它是不是真的好用，更难。Raghav Saboo，DoorDash 推荐与搜索团队负责人
买一周的菜：从自己一件件加购物车 → 一句话让 AI 两分钟建好
DoorDash 上线 AI 购物助手 Ask DoorDash；它又快又靠谱的秘诀不在模型多聪明，而在它记得你是谁、还天天给自己出 2000 场模拟考，这页带图讲完。
↓ 一页读完 · 有一张会动的图
DoorDash 是美国最大的外卖和跑腿平台（类似美团外卖）。它新上线一个叫 Ask DoorDash 的 AI 助手，目前只在美国部分地区的 iOS 手机上灰度开放（先给一小部分用户试用），能干两件事：搜餐厅、买菜。
✘ 却不知道最近哪家店开着、有没有牛油果、真实价格多少，也记不住你说过全家吃素
这些信息不在 AI 的"脑子"里，每分钟都在变，网上也几乎抓不到，光有一个聪明模型答不上来。
以前买一周的菜，得自己在 App 里一件件搜、一件件加。现在换成一句话。
自己在 App 里一件件搜、一件件加进购物车，凑够一周两人份，还得盯着别超 60 美元。
一句"给两人建一份 60 美元素食清单"，AI 查着实时库存和价格，两分钟建好一整车，你再点点微调。
还有个省时间的巧思：你在购物车上换品牌、改数量、删掉家里已有的，这些改动直接改数据、根本不经过 AI，所以快。但"一句话建好车"看着简单，DoorDash 要做对两件难事，让 AI 记住你是谁，还要有办法确认它到底靠不靠谱。
先看第一件难事，怎么让 AI 在对的时刻，想起关于你的、对的那几条事。
小互随口一句，AI 不是从头猜，它先从你上百条记忆里只挑出相关的几条（吃素、常买 Oatly、两人份），其余用不上的不塞给它，再去查实时货架的库存和价格，才拼出这一车。同一套记忆还会精准遗忘：你说"忘掉某个偏好"，它只删这一条，不误删相邻的记忆。
第二件难事：怎么知道 AI 靠不靠谱？以前只能靠员工零星反馈（一天约 1 条）；现在让一个 AI 扮成上千个顾客跟它对话、再用一个 AI 裁判打分，一天自动"考"它 2000 多场。这套记忆加评测，换来的效果，
加不完啊
话听得懂，
可它看不见：
- × 哪家店还开着
- × 有没有牛油果
- × 真实价钱多少
- × 你说过全家吃素
快约 5 倍
只挑相关这 3 条
AI 裁判打分
DoorDash 自己测的，
7 天窗口，
没有第三方复现。
不是模型更聪明