摘要：

AI应该怎么用？比如从“打到车”到“打到对的车”开始

凤凰网科技 出品

2026年之时，春天之际，中国那些互联网领域的大工厂，没有事先商量，却一致地进入了同一条竞赛道路。

电商往生活服务转变，办公至出行范畴，所有巨头都尝试着给自己家的App安上一个可以“听懂人话”、还更能够“办成事”的Agent。

近期内，滴滴所出的AI出行助手“小滴”，也正式对外推出了v1.0版本，凭借一句话，就能使得AI达成用户打车的个性化需求。

这同样开启了一项全新的话题，与新奇、热闹的人工智能概念、超级生态相比较而言，普通用户所关注的点，那确确实实能够改进衣食住行的人工智能究竟应当是何种模样？在人工智能时代，人们切实所需的，究竟是一个更为智能的搜索引擎，还是一个切实可用的私人助理。而这背后所存在的差异，又是怎样产生的？

Agent的第一道坎

即便只是办事能力，于不同场景之中所面临的考验，也全然不一样，尤其是出行这种深入到物理客观世界里的、具备一定完成指标性质深度的，达成约定的场景。

于传统出行应用程序之中，当用户期望获得一辆“适宜孕妇乘坐的车辆”时，需手动对众多不同车型展开挑选筛选，还要仔细翻看车主所给出的评价内容，然而最终常常依旧如同在开启盲盒一般。这从本质上来说，属于一种面临选择题时的逻辑情形：即平台所提供的是数量有限的选项，用户只能处于被动状态去进行匹配。

Agent的出现，本应改变这一切。

就拿小滴来讲，用户当下只要跟小滴讲，先前往望京地铁站去接人，接着再去往朝阳公园，有孕妇期望车内环境清新，期望车内感觉舒适，这句话当中涵盖了途经地点，涵盖了人群特点，还包含着三个服务体验方面的要求，小滴所要做的，并非仅仅是识别语义，而是要把孕妇这种模糊的状况，分解成平台能够执行的驾驶平稳，以及车内空间宽敞之类的具体服务标签，然后再结合实时的路况，车辆所处的位置来进行调度匹配。

这看上去是一回顺畅的智能交互，然而极大多数大厂的Agent恰恰就在这一步出现了阻碍。

原因特别简单，听懂“人话”依靠的是大模型，然而执行“人话”依靠的却是底层的供给系统。 有许多Agent能够理解“我需要一辆不容易晕车的车”，可是当这个指令下达至后台时，系统却没办法回答“哪辆车不晕车”。这是因为“不晕车”并非一个预设的车型选项，而是一项需要海量用户真实反馈数据予以支撑的服务标签。

要是没有数据底座，随着Agent的理解愈发精准，执行端所感受到的无力感便会越发强烈。这情形类似于一个堪称天才的翻译家，能够将客户的诉求近乎毫厘不差地精妙翻译出来。然而，一旦他拿着精心翻译好的文稿步入仓库，却惊异地发觉货架之上竟然空荡荡的，毫无一物。

实际上，小滴能够把标签拆分至这般多的程度，存在着一个具备极高壁垒的门槛，这个门槛就是供给足够厚。

要是用户表明状态为“空气清新、车内环境安静、驾驶过程体现平稳、后备厢呈现空间大”，那么在算法的运作层面，就相当于针对供给池实施了一项具备多个条件的筛选。条件构成的数量变得越多，能够达成满足要求的车辆数量也就越少。倘若平台所具备的规模达不到相应标准，那么匹配情况会快速演变成为两种特定结果：其一为根本叫不到车，其二则是等待所需要耗费的时间长得难以让人接受。

滴滴历经十余年积累而来的规模效应，恰在此时化作了AI得以落地的最为坚实的底座，只因有着庞大的司机以及车辆密度这条件，平台方才拥有了相应空间，能把之前被迫实现标准化的需求朝着更深层次的颗粒化行进，在确保可用性以及效率处于一定水准的情况下，去接纳那些乍一看显得有些小众的个性化诉求。

这便是Agent分野的首个分水岭，即你究竟是想让用户于真空中去享受AI的丝滑对话，还是想在真实世界当中帮用户解决某一个具体麻烦呢？倘若为后者，那你的供给池必定要足够深，深至能容纳各类挑剔的过滤条件。

服务的确定性，为什么是Agent的壁垒？

倘若认为规模落地堪称Agent发展的根基状况，那么“服务的确定性”便成为Agent能不能获取用户信任的重点所在。

拥有强大能力的大模型能够促使Agent讲出极为温暖的话语，然而，对用户最终体验起到决定性作用的，是打车进程是否足够顺畅，是车门关闭的那个瞬间，车内当中是否确实保持着清新的状态，是司机在控制车辆行驶时是否真正做到了平稳。

这触碰到了，Agent分野的，另一重壁垒，是什么呢，是平台，对于供给端的，管控能力。

在单纯的聚合模式当中，平台针对司机的服务以及约束均存在局限，Agent能够将需求转化成“驾驶平稳”，假如司机时常进行不安全驾驶，平台除了在事后予以补偿之外，很难于事前实施干预，起码没那么严苛，又或者凭借“这是其他xx平台的司机”来逃避责任。

相较而言，于长期运营期间所构建起来的滴滴自营/强运营体系，致使其针对司机培训、车辆规范，以及服务流程具备更为强大的把控能力。更为关键的是，围绕“标签”的治理机制已然得以确立：哪些标签能够面向用户作出承诺，怎样进行核验，一旦出现偏差应当如何加以纠正。

标签背后存在着服务承诺了，然而服务承诺进行兑现的话，靠的是平台针对供给端那种很强的管控能力呀。这属于AI从“听懂需求”迈向“满足需求”的关键一跳了，也是仅仅接入大模型、但没办法重塑管理体系的别的平台难以复制的闭环呢。

此外，于Agent的情境里，“懂你”常常被描绘成一种奇妙的、能共情的本事。然而在出行这种有着强烈结果导向的情形中，“懂你”并非是猜测，而是依据高密度真实反馈所形成的可验证的判断。

那种询问，哪一辆车更具备清新感的问题，还有提问哪位驾驶人驾驶得更为平稳的问题，诸如此类的问题，并非是依靠语言模型凭借空想来进行推理从而得出结果的，而是需要依赖历经十年时光才得以沉积下来的具有真实性的运营数据：其中涵盖乘客所给出的评价，包含投诉以及表扬的情况，还有行程轨迹以及驾驶行为所呈现出的特征，另外还有车型以及车辆状况的相关信息。

这些由诸多不同形态构成的、具备可学习特性以及可校准性质的内容，共同组合而成了一个“事实层”。当Agent接收到一个语义模糊、表达似是而非的需求之际，它并非凭借毫无根据的想象力去进行推荐，而是在调用一个规模庞大、历经时间检验并且被证实有效的数据库来开展匹配操作。

要是没有这般，底座，即便 Agent 能力再强，在出行这类场景之中，也极易陷入那种尴尬，即“答得好听、交付打折”。

AI时代，大厂不是只有颠覆

过去一年被回顾之时，行业针对Agent的想象，常常在超级入口或者操作系统构成的宏大叙事里停留。然而滴滴“小滴”所走的路径，给出了一个大不一样的样本，它并非那般酷，甚至略微显得有些朴素。

它并未尝试去颠覆叫车的流程，仅在用户说出“身体不舒服”这个情况的时候，悄然地调来一辆更为平稳的车；它没有强行要求用户去改变习惯，唯有把“回家”“去公司”这种最为简单的指令，达成了极致的确定性。

目前市面上众多Agent所极度欠缺的品质，正是这种简单，它们也许在多轮对话能力方面较为擅长，具备一定情绪价值，然而在最基础的交付方面却仍要进行弥补，当用户察觉到Agent交谈许久却无法成功叫到车、买对物品时，Agent便会从帮手转变为玩具。

存在于大厂之中的Agent，其出现分野的情况，事实上是各自依据不同的自身所擅长之处而开启的，小滴属于当中的一种途径，在有着大模型给予助力的情形下，将平台原本所具备的核心优势进行了放大，这些优势包括供给密度、服务管控以及数据沉淀。

对于用户来讲，我们所需求的向来不是那么一个能进行聊天的Agent，而是一个可以做到所说的，能够把我们切实在乎的那些事情变得更具确定性的Agent。

正是由于具备了履约能力，这使得大厂在大模型的辅助与推进作用之下，并进一步拥有了满足用户需求的潜在可能性。AI小滴不单单是将打车过程中融入AI这样简单，它是滴滴和大模型二者作用后所产生的一种独特效应。

就小滴而言，除了有一句话叫车这种情况之外，当前它正朝着更全面完整的出行助手方向进行延展，具体表现为，用户能够去查询距离自己较近之处的地点，像是咖啡店、药店、医院这类地方，并且能够经由一键操作来叫车，还可以接收针对远距离行程的换乘推荐信息，或者借助循环托管叫车功能设定时间从而实现自动叫车。当一次输入“家”以及“公司”的地址之后，在后续过程中，只要说“回家”“去公司”就能够自动匹配到目的地。而这背后所对应的，其实是即便在现阶段都尚未被挖掘出来的深层次需求。

然而，于所有形态进化发展的进程里，有一个真理不会变动：技术的价值，并非在于它有多酷炫，而是在于它能不能如同水电煤那般，毫无感觉地融入日常，稳定地提升每一回体验。这会成为大厂技术升级的真实考题。