导读 在电商行业竞争日益激烈的今天，内容已成为连接商家与消费者的核心纽带。然而，面对站内站外的全域流量争夺、商家内容生产能力的不足，以及消费者对个性化、高质量内容需求的持续升级，传统的内容生产方式已难以满足高效、多元化的业务需求。AI 技术的快速发展为这一挑战提供了全新的解决方案。本次分享将深入探讨 AI Agent 在电商内容场景中的演进与应用，从 1.0 时代的文本工业化生产，到 2.0 时代的多模态内容生成，再到 3.0 时代的内容质量优化与智能决策，揭示 AI 如何逐步推动电商内容从“有”到“优”的跨越，助力商家降本增效，提升用户体验与转化效率。
1. 业务背景
2. 整体架构
3. 1.0 时代落地挑战与解决思路
4. 2.0 时代落地挑战与解决思路
5. 3.0 时代落地挑战与解决思路
6. 总结&未来规划
7. Q&A
分享嘉宾｜李明玉 淘天集团 算法专家
编辑整理｜孟立诗
内容校对｜李瑶
出品社区｜DataFun
01
业务背景
1. 业务定位
淘工厂作为淘宝产业带白牌商品的核心阵地，采用 M2C 经营模式，直接连接产业带的源头工厂与消费者。
在商家端：我们通过半托管模式满足工厂的数字化需求，降低中小商家的数字化经营门槛。
在用户侧：我们依托严格的比价与品控标准，为用户提供优质源头商品，保障良好的购物体验。
2. 电商内容生成挑战
当前电商行业竞争持续升级，内容形式已从传统货架电商的图文详情页展示，发展为种草、图文、短视频、直播等多元化形态。
作为连接工厂与消费者的重要桥梁，商品内容也面临着诸多挑战：
流量竞争加剧：内容从站内到站外的全域布局
在当前的电商生态中，流量的竞争早已突破单一平台的边界。淘工厂作为一家依托淘宝平台的店铺，不仅需要在站内获取流量，还需通过站外渠道实现全域流量触达，这对白牌商家的内容生产能力提出了更高要求。
商家侧的内容生产存在明显痛点：从内容生成提效到商品效率提升
淘工厂的商家以中小企业型为主，他们往往普遍缺乏专业运营团队和内容生产能力。传统手工内容生产方式虽然可以满足部分需求，但是面对需要高频上新，需要覆盖图文短视频等多种内容形态的要求时，由于缺乏精细化内容生产经验而显得力不从心。
消费者的内容需求持续升级：从信息获取到购买决策
消费者已不再满足于基础商品信息展示，而是追求更丰富、生动、可信的内容体验。他们注重真实性和可信度，更信赖用户评价与测评；视觉吸引力也成为关键，优质图片和短视频直接影响购买欲望；同时，个性化推荐需求增加，定制化内容能显著提升转化率。
针对当前场景，我们算法团队在构建 AI 内容生产 Agent 的过程中经历了三个阶段演进：
1.0 阶段
运用 NLP 多模态理解技术，重点提升文本内容的大规模生产效率。通过引入 AI 文案 Agent，实现单日万级别不同类型文案的生产能力，并保持较高审核通过率，成功支撑运营团队管理数十个、多平台的人设账号。
2.0 阶段
从文本扩展到图片和视频内容生产，核心解决商品图片/视频的生产成本高、同质化等问题。通过构建 AI 创意工厂，支持 AI 模特图、商品图及图像编辑等功能，显著降低商家制图成本，提升淘工厂商品发布时效。
3.0 阶段
目标升级为提升内容质量，构建了内容理解与诊断 Agent。通过掌握品类间细粒度运营经验，实现从优质内容生产到投放优化的端到端闭环。在此托管式内容生产 Agent 模式下，内容点击率提升超过 10%。
02
整体架构
在上面图中是我们的技术整体架构框架，采用五层设计：
数据层：包含商品多模态信息、用户行为日志，以及竞品和商品相关指标数据。
基础大模型：包含了很多算法能力，集成文本/图像/视频生成模型、商品主体分割、要素检测识别等多模态理解模型。
知识注入：通过 SFT、LoRA 等训练方法，结合强化学习和对比学习，将多模态电商知识注入基础大模型。
任务编排部署：负责任务调度与流程编排。
业务场景应用：面向不同业务场景的具体应用实现。
后面我会从 1.0 时代开始详细介绍我们的一些技术实现细节和迭代演进过程。
03
1.0 时代落地挑战与解决思路
1. 文本内容工业化生产——应用场景
在 1.0 阶段，我们主要聚焦于文本内容的工业化生产，应用于以下三个场景：
站外引流：在“什么值得买”电商社区平台自动发布一些好物爆料和测评文章，帮助工程进行流量的拓展；然后通过内容引导用户跳转至淘工厂下单，提升商品曝光和 GMV。
小红书垂类账号孵化：运营数十个账号矩阵，覆盖不同目标人群，吸引不同的人群关注；然后通过内容安利引导用户关注店铺，扩大淘工厂在小红书平台的影响力。
淘宝逛逛视频文案：为平台视频内容生成配套文案素材。
2. 文本内容工业化生产——落地挑战
在落地过程中，我们遇到了一些挑战：
挑战 1：平台差异化适配
生产的文本内容要分发到不同的内容平台、不同的社区，平台的人群画像差异是较大的，他们对内容的需求是不同的。所以，针对不同平台对不同内容的需求，需要我们额外的定制化。
例如“什么值得买”是以男性为主的平台，让用户更关注商品的一些真实的性价比和详细参数。
例如“小红书”是以女性为主的平台，倾向于生活化、情感共鸣的表达方式。
挑战 2：模型可靠性挑战
模型可能会出现幻觉。例如在生成商品测评类的文章的时候，需要保持商品的属性，这是非常至关重要，那么模型幻觉会破坏我们抽取商品属性。
挑战 3：多模态一致性挑战
不同模态之间的内容一致性问题，需要我们通过模型保证，这对模型的多模态理解与生成能力提出了更高要求。
3. 文本内容工业化生产-解决思路
针对不同平台人群画像和内容需求的差异：
我们构建了一个知识库解决方案。该知识库包含各平台的核心人群特征、内容结构以及高频关键词，用以规范内容生产。同时，我们建立了用户反馈机制，通过实时获取点赞、转发、评论等互动数据，评估内容效果并持续优化，形成闭环反馈。
针对模型幻觉问题：
我们主要采取知识增强和后处理两种措施。在知识增强方面，我们预先抽取商品真实属性，提前抽取出来喂给模型，并采用PE和规则引擎对生成文案进行强约束，确保属性识别的准确性。此外，在生产流程中引入后处理校验环节，通过比对生成文本与商品属性的关联度，有效防止模型幻觉的产生。
此外，在跨平台文案生产过程中，我们构建了一个专门的文案生产平台。该平台支持运营和产品人员根据具体需求，选择不同场景、账号类型、人设定位以及内容案例等维度进行定制化设置。基于这些参数，我们的文案生成 Agent 会提供完整的解决方案，并自动推荐适配的文案供用户筛选。
4. 技术方案
经过 1.0 阶段的文本内容生产 Agent 实践，我们验证了 AI 技术对运营效率的提升效果。传统模式下需要 4-5 名运营人员专职撰写文案，而采用 AI 生产方式后，仅需 1 名人员配合即可实现日均数万篇内容的生产能力，能够同时支撑数十个账号的运营需求。
04
2.0 时代落地挑战与解决思路
1. 多模态内容生产——落地挑战
随着业务发展，我们的需求已从单一文本生成扩展到图片、视频等多模态内容生产，由此进入 2.0 阶段。这个阶段重点解决多模态内容生产问题，包括图片和视频内容生成，并针对图片生产成本高、同质化等问题提出了解决方案。
在落地过程中，我们以“AI 创意工厂”产品为核心开展算法技术建设，在实施过程中我们遇到了一些困难：
AI 生产图片真实度问题：生成图片的真实感不足的话，会引发用户反感，这是我们首要解决的关键问题；
跨品类泛化困难：我们发现现有生图模型在跨品类泛化方面仍存在较大局限，主要受限于模型表达能力不足，难以准确捕捉不同品类的复杂特征差异。例如服饰类目需要模特试穿场景，而家居类目更适合温馨的摆放场景，使用单一模型难以同时适配所有品类的场景需求。
商品主体细节更改：当前生图技术（包括文生图和图生图）存在商品主体细节失真的问题，容易导致货不对版并引发客诉。我们需从根本上确保商品主体特征严格保持一致。
商品图区域编辑的问题：商家和运营人员不仅需要图片重构功能，还提出了区域编辑的需求，包括局部擦除、内容修改以及尺寸适配等多样化操作，这些都需要在解决方案中予以满足。
2. 多模态内容生产——解决思路
面对上面在实际中遇到的挑战，我们的解决思路：
针对图片真实度问题：收集各品类高质量商品图数据用于 SD 模型微调，同时将理解内容作为约束条件注入生成模型，并通过训练专用的细节增强 LoRA 模块来提升图片生成的真实度。
针对跨品类泛化难题：从技术和业务层面进行了分类和隔离处理，将需要生成人体的场景独立为 AI 模特图模块，同时为不同品类商品搭建多条生成链路，并通过动态可配置的流程设计，确保链路体系的灵活性和可复用性。
针对商品主体细节易失真的问题：引入图像修复 inpainting 技术，通过文本约束和边缘约束等条件控制，确保生成过程中保持图像关键特征的稳定性。
我们不仅具备整图重构能力，还构建了专门的商品图编辑 Agent，支持区域擦除、画面扩展等多种精细化编辑功能，通过模块化任务链路满足多样化需求。
3. 多模态内容生产——技术框架解析
接下来我将以 AI 创意工厂的产品链路为例，重点解析我们的技术框架。
我们的 AI 模特图的应用场景功能是指输入一件商品图片，系统会自动生成模特穿着该服装的展示图，同时对模特的丰富度和多样性也有相应要求。技术框架主要包含三个模块：
检测与分割模块：通过主体检测和分割技术，确保服装主体的完整性，只对主体以外的部分进行编辑，从而保持主体一致性。
可控性 SD 生成模块：在模特生成过程中，我们采用多种控制方法（如姿势控制、深度控制等）来提升生成结果的合格率。
后处理模块：包括面部细节微调和画质增强，确保最终输出效果更加精细。
在检测与分割方面，我们的技术选型是对 Grounding dino 模型进行了微调。这个模型本身是一个检测模型，通过使用电商数据进行微调，使它能够更好地理解电商场景中的品类信息，从而更准确地定位目标主体。
在分割模型的搭建，我们优化了 HQ-SAM 算法，并将其与前景识别的 Matting 算法相结合，实现了更精细的分割效果。我们支持两种分割方式：自动识别分割和用户交互式分割。由于这是线上任务，对时效性要求较高，我们对模型进行了性能优化。具体措施包括：
将 HQ-SAM 拆分为编码器和解码器两部分分别部署，编码器部署在服务器端，解码器部署在前端；
采用量化和推理加速技术，并通过 TensorRT 进一步优化部署服务。
经过优化后，抠图和分割模块的处理时间从原来的 2-3 秒缩短至前端 CPU 仅需 0.5 秒，显著提升了性能。
在可控性生图模块中，我们采用扩散模型结合 Inpaint 的技术方案。通过 AI 自动捕绘 mask 以外的区域，同时保留原图的商品区域，保证了商品主体部分不被修改。
在可控性方面，我们引入了包括 ControlNet 网络和 Adapter 网络在内的约束机制。这些网络的加入显著提升了图像生成的可控性，有助于提高优质图片的产出率。上面图中右侧就是我们可控性模块的框架图。
在框架中的后处理模块主要为了解决商品细节度不强，导致图片看起来不真实的问题。我们针对商品和背景细节单独训练了 Lora 模型，对细节进行了增强，提高了模特与背景的融合度及整体真实感。
针对人脸区域可能出现的小面积崩坏的问题，我们采用重绘技术进行处理。首先识别人脸区域并重绘，在重绘过程中还原面部细节特征，包括表情和五官的细微调整，提升面部的真实度。
我们的 AI 模特图链路在实际应用中是非常丰富的，主要包括：
店铺导购页搭建：通过链路去搭建一些 AI 到导购页。
商品成长和打爆（指通过运营方法助助力商品变成爆品）：特别对于新品而言，通过生成街景展示图，能有效提升商品前期的点击率，进而影响其打爆效果。
此外，我们通过这个链路构建了穿搭场景功能。在实际使用中，我们发现商家在使用这个产品的过程中，表现出多样的应用方式，比如：雇佣专业模特、店铺老板亲自实拍后，然后通过我们的工具进行重绘处理。这些实际应用案例充分验证了 AI 模特图链路的高可用性。
商品图与模特图的主要区别在于：商品图对布局规划有更高要求。在进行商品图重构时，需要先进行布局规划，再基于布局进行生产。我们在 AI 商品图方面也建立了一条链路，解决方案是：
从线上获取优质商品图布局进行聚类分析。
生成适用于下游应用的合理 layout 方案。
由生产的 layout 方案指导商品图生成。
另一个显著差异是商品图需要突出展示商品属性的核心卖点，为此我们增加了两个专门模块：
利益点生产模块 - 基于 1.0 阶段积累的技术能力
利益点渲染模块 - 包含智能配色、文本样式选择算法（涵盖字体、字号、色彩等），确保利益点信息与商品图的整体布局和谐统一，并合成生成到图上。
在上面的图中展示的是通过 AI 商品图 Agent 实现的优化效果。我们对原始商品图进行了以下优化处理：
添加商品利益点
强化商品属性的关键元素
增加商品使用场景（如示例所示），以增强商品图的场景表现力
这些优化有效提升了商品图的视觉吸引力和信息传达效果。
除了商品图重构外，我们还需要应对局部区域编辑的场景。为此，我们构建了区域编辑 Agent，它的工作流程包含以下六个步骤：
功能选择：需要根据图片内容和使用场景识别用户的意图，比如“擦除氛围框”会选择要素擦除流程。
预处理-擦除：要素擦除前需要自动进行要素检测，包括牛皮藓、背景卖点、装饰性卖点等商品图的几种主要成分，识别要擦除的区域后才能构建 mask 给擦除模型。
预处理-扩图：对需要扩图的任务，则是通过相应的目标图片比例，自动判断主体区域以及合适的扩图方向和区域。
图片内容理解：根据原始素材，通过理解算法模型挖掘出更多的显示特征（包括商品品类、商品图的描述等），在擦除或者扩图的过程中将这些特征以条件的形式注入模型，提升模型编辑成功率。
后处理：通过贴回原图以及边缘区域渐进融合等策略，最大程度上和原始素材一致，且与原图自然融合；扩图后还需要按选定的目标尺寸对一次延展结果进行缩放。
内容分发：经过商品编辑 Agent 产出的图片会分发到 AI 创意工厂、劣图治理平台或者商品发布等多个应用场景中。
在调研中，我们发现现有图片编辑算法在处理结构性较强的场景时，往往难以有效恢复商品结构。我们自主研发了图片编辑模块 SRM，它是一个可插拔模块，能够与现有 SD 框架下的各类模型配套使用。
SRM 核心思路是采用快速傅里叶卷积算法对频率特征进行操作，直接处理扩散传播中的潜变量。这种方法能够直接从频率维度提取待修复图片的结构信息，并将这些信息注入到生成的 UNet 网络中。通过构建 SD+SRM 的复合结构，有效帮助扩散模型恢复结构信息，从而获得最优的图片编辑效果。
我们的算法在多个数据集上与现有方法进行了对比实验，包括 SD 的 in-paint、ControlNet 以及 PowerPoint 等开源算法。
实验结果表明，作为一个可插拔的小模块，我们的算法在结合这些原始模型时，都能带来性能提升。这充分证明了我们的算法在提取图像结构信息方面具有出色能力。
4. 技术方案
在 2.0 时代，我们主要聚焦于构建核心能力，包括关键链路、AI模特图、AI商品图以及图片区域编辑等功能，重点解决了生产成本高和内容同质化的问题。
随着业务需求的提升和多模态技术的进步，我们面临着更高层次的挑战，逐步迈入 3.0 时代，要求实现内容从无到有的生产过程，更强调从有到优的优化提升。
因此，在 3.0 时代，我们重点构建多模块、多模态的内容优化 Agent。优化的关键在于建立明确的标准体系，因此我们投入大量精力制定优质内容的标准规范。
05
3.0 时代落地挑战与解决思路
1. 多模态内容优化——落地挑战
在 3.0 时代我们面临的一个挑战是：不同业务场景下的评估标准各不相同。若缺乏明确的评估标准，就难以确定优化方向，导致 Agent 无法做出决策。那么如何实现优化？这正是 3.0 时代比 2.0 时代更具挑战性的原因。我们需要先建立好的评估标准，并在此框架下进行合理的路径规划及工具选择。值得注意的是，电商不同场景下的用户心智也存在差异：
搜索场景中用户购物需求明确，需要素材直观展现产品优势。
推荐场景则侧重满足用户的浏览和种草需求。
频道页需要突出商品“一盘货”的统一心智特征。
由于场景心智的差异，优质素材的特征也各不相同。这些特征需要构建 Agent 来理解，从而定义出各场景下的优质素材标准，为优化工作提供明确方向。
我们希望通过优化内容点击率或 IPV 等业务指标，这是需要严重依赖于 Agent 的细粒度理解能力和推理决策能力。
在构建内容理解 Agent 时，我们发现商品图具有以下特点：
商品图复杂度高：与传统图像不同，电商内容需要细粒度理解图片中的各种原子要素。
优化依赖诊断决策：执行优化前需要依赖诊断和决策分发 Agent。当前 2.0 版本已构建丰富的工具库，关键在于如何精准匹配优化工具。
多环节优化挑战：以利益点编辑为例，如果我认为这张图的利益点表达不够强，需要换一张，那么完整链路包括：识别利益点位置、调用擦除算法进行预处理、生成强表达的利益点、合理布局渲染。
在这整个多步的协同中，需要 Agent 具备路径规划和决策能力。
另一个挑战是内容优化 Agent 引擎的运作，它包含很多链路，涉及多 Agent 协同工作，在执行过程中存在以下问题：
长链路优化 Agent 在执行时容易出现误差积累，影响最终质量结果不好。
不同任务间的 Agent 存在冲突问题。
这些问题都需要我们重点解决。
2. 文本内容工业化生产——解决思路
我们的解决思路如下：
（1）构建内容理解 Agent：建立不同场景下的商品图评估体系
我们将商品图解构为五个维度：主体、背景、利益点、设计要素和布局。基于这五个维度进行细粒度分析，结合模型对不同细分品类优质电商图特征的理解，总结沉淀作图经验，从而建立商品图质量评估体系。
（2）建立内容诊断与优化 Agent
在评估体系基础上，这个 Agent 将负责诊断商品图问题并指导优化方向，通过赋予其推理和规划能力，明确优化方向及工具选择。
（3）解决 Agent 协作与冲突问题
针对多 Agent 协作中的难点，我们引入了机制优化 Agent 间的路由分配，提升各 Agent 的鲁棒性，从而让最终任务执行效果变得更佳。
在上面图中是我们内容优化 Agent 的整体流程链路：
定义好图标准：在上图中左侧是内容理解 Agent 部分，主要解决如何定义线上业务指标优秀的好图，具体包括：主图拆解分析、主图特征理解。
实现优化落地：在上图中右侧是优化执行部分，基于好图定义来实现功能，包括：图片诊断分析、优化策略规划、工具箱动作选择、具体优化执行。
我们内容理解系统是基于多模态大模型构建，主模型采用 Qwen2.5VL 版本。
通过利用商品主图信息、商品基础数据以及图像结构特征来训练这个多模态大模型，使其具备多种电商任务理解能力，包括：
商品图质量识别（例如白底图可能会用到哪些场域中）
主图质量评估（在不同场景下，给出差异化评估方案）
优化建议（主图/副图如何优化，以及一些作图的细节）
构图指导（包括如何布局设计图、背景应该怎样选择、要素构成有哪些等具体建议）
这个内容理解 Agent 集成了多种内容理解算法，为后续的内容生产 Agent 提供了前置准备，并指导优化方向。
下面将以内容理解 Agent 的案例来说明：假设线上有一张需要优化的图片。
第一步：将图片交给内容理解 Agent 处理：
它会根据线上指标筛选竞对品，竞对品的筛选逻辑包括：用户侧的 I2I 召回点击数据、商品图的理解，涉及商品图特征如美学评分、牛皮癣检测、质量评估、相关性、相似性等。
融合这些商品图特征和用户特征，结合线上 CTR 打分数据，综合筛选出竞对品。
第二步：交给诊断 Agent 进行处理：
分析待优化图片与优质竞对图的差异。
判断后续优化动作是否能通过工具箱的工具复用调用。
给出的诊断会与后面工具箱的工具联动。
这样就能利用后续的优化 Agent 对这张图进行具体优化。
我们的内容生产 Agent 是一个多 Agent 协同系统，处理多种决策信息，处理步骤如下：
基于行业多维度的信息，对图像制作提供基础建议。
对生成的物料进行筛选和判断。该 Agent 会根据制图需求和现有物料情况，评估是否满足生成条件。
若条件满足，Agent 将调用图像生成指令，输出包括布局信息、Prompt 等基本要素，通过 SD 相关流程完成图像生成。
当生成不含利益点的图像后，系统会调用文案生成模型，获取产品买点和卖点信息，并由 Agent 生成埋点布局建议和排版方案。
最终将利益点信息以合理的排版方式渲染至图像上。
正如上面图中所示，当前内容生成 Agent（生成商品场景图） 的结构可划分为三个模块：
商品图设计模块：包括背景库的理解和构建、商品素材的智能判别和构图建议。
场景库构建模块：根据上下文商品主体的理解，从背景库中选择合适的背景，利用诊断后的布局信息进行图片生成。
利益点添加模块：在生成图像基础上，精准植入营销利益点信息。
这个结构完整覆盖了从商品理解到最终成图的端到端流程。
目前，我们通过内容优化 Agent 分析线上优质商品图的细节特征，以此指导作图优化，提升最终成品图的质量。现阶段正处于第三阶段的研发过程中，相关工作仍在持续完善和推进。
06
总结&未来规划
1. 总结
总结来看，近两年的工作经历了三个阶段的发展：
1.0 时代：实现了文本内容的工业化生产
2.0 时代：拓展至图片、视频等多模态内容生产
3.0 时代：通过 Agent 技术模拟美工经验，优化商品图制作流程，推动内容质量从“有”到“优”的升级，提升线上转化效率
2. 未来规划
未来我们的工作将围绕以下四个方向展开：
更实时：实时感知能力提升
线上商品内容和营销环境持续变化，因此需要建立动态感知机制，结合实时效率指标优化 Agent 决策，确保内容调整与电商环境同步。这是一个非常重要的环节
更智能：更智能优化迭代
当前内容优化 Agent 仍处于初级阶段，搭建过程中也会遇到一些问题，各环节仍需完善。我们将持续优化流程设计，提升 Agent 的智能化水平。
更准确：数据驱动精准决策
以商家真实经营数据为核心，我们现在已经接入了商品的部分效率数据、用户行为数据等这些内容数据，后面进一步还需要结合搜索场域、推荐场域等多场景的额外特征数据，进而构建更准确的决策能力的 Agent，切实解决商家经营痛点。
更多功能：多模态能力拓展
随着多模态技术进步，我们将探索视频等新型内容形式的优化路径，推动 Agent 在图文以外的电商内容领域落地应用。
07
Q&A
Q1：请问当前产品和算法是如何配合的？这些优化主要是算法主导还是产品主导？
A1：目前算法与产品的配合更多是以算法能力为驱动。产品在这个过程中需要深入了解算法能力，才能共同将可产品化的方案落地。
当前领域发展迅速，功能迭代每周都有新进展。如果产品在 AIGC 领域的专业度足够，可以配合算法并提出需求；如果产品专业度不足，则需要算法同学先行实现功能 demo，探索批量化可行性，并将相关知识传递给产品。
此外，算法迭代过程中可能存在自身瓶颈，需要通过产品手段协助解决。因此需要与产品紧密沟通配合，产品也会从交互维度优化，规避算法当前的弱点和不足。目前的配合模式大致如此。
Q2：上面提到的调优的真实性提升，那么如何去系统化评估当前优化效果？
A2：在 AIGC 生产链路中，环节很多，评估是一项复杂性和繁重性的工作。这既需要对每个模块进行单点维度的评估，也需要对整个链路进行综合性评估。评估方式包括人工评估和模型评估（即用模型评估模型）。
我们的解决方案是：早期以人工评估为主，部分用算法评估进行提效，因为 AIGC 相关评估工作尚不完善。随着技术发展，我们构建了多模态评估大模型，并采用 AI Agent 自动评估 AIGC 生成图质量的方法。
目前评估能力包含：
算法层面：单点评估结合系统链路评估
业务层面：关注合格率和用户体验指标（运营和产品更关注）
算法指标：通过监控各环节原子指标和链路综合指标
评估方式已从人工监控逐步迭代至大模型评估生成细节。这方面已有较多研究工作可供参考，会后我将整理相关论文资料分享。
Q3：当前项目中 Agent 的实现方式是怎样的？是基于 AI 自主规划决策还是主要依赖 workflow？
A3：目前我们的 Agent 系统采用了混合架构。以诊断 Agent 为例，它具备自主规划能力，能够完成竞品分析的全流程：首先系统会在线检索竞品信息，该过程涉及专门的召回模块，采用特定召回方法获取候选内容。随后通过筛选 Agent，结合算法排序和图片特征分析，从召回结果中精选 3-5 个最优样本。这些筛选结果将输入多模态大模型进行处理。系统间的交互协议可采用 MCP 等多种现有方案实现。
对于流式和 Agent 的结合，例如路径规划较长的任务（如利益点编辑），流程包括：识别利益点、调用擦除功能、执行区域编辑、进行后处理，这个过程结合整合布局算法和利益点相关算法，对 3 跳以内，目前可以解决。
但是针对多跳路径规划（超过3 跳），争取找到最优路径的方法。目前我们正在探索多种解决方案：传统决策树、A*算法、强化学习方法。现阶段采用人工编排和算法，与 Agent 自动路径规划相结合的方式。我们也在不断的探索如何实现 Agent 自主决策路由的能力。
Q4：当前产品的开放使用对象、商业模式，以及生成内容能否与电商平台实现了无缝对接？这是一个关于产品应用方向的问题。
A4： 目前我们的产品定位为 ToB 商家服务工具，而非 ToC 产品。由于面向商家使用，用户规模相对有限。在商业模式上，这个产品并不是以盈利为目的。作为淘工厂体系的一部分，我们的核心目标是帮助商家降低运营成本，因此这款产品本质上是内部提效的工具。关于与电商平台的对接能力，目前产品生成的内容可以实现平台无缝衔接。
