撰文 | 李信马

题图 | AI生图

了不起的智能体：发现和介绍那些正在改变世界的Agent，这里有现场、有对话，还有没被写进新闻的细节。

AI正在重塑世界，互联网公司迫不及待地“上AI”，但实际上，很多项目并没有做出效果。

成立即将满10年的哈啰是一家标准的面向C端的中大型互联网公司，从共享单车起步，现在旗下有哈啰骑行、哈啰电动车、哈啰顺风车、哈啰打车、哈啰租车等业务，注册用户超8亿。AI的风刮到了出行领域，哈啰选择的AI战略是“Agentic AI赋能全业务链路”，通过Agent大幅提效，并用AI改造现有的业务主流程和业务链路，推动Agent在多业务场景的落地应用。

听完现场介绍和采访，笔者发现，这个战略的落地逻辑其实就是两条线——对内提效，对外无感。

01、对外：克制的Agent，无感的体验

出行场景，用户打开App是为了解决问题，而不是体验AI。打车的人想快点上车，租车的人想快点提车，骑单车的人想快点扫码走人，任何让用户“等一下，让AI想想”的设计，都是在制造摩擦。

打开哈啰的App，你很难找到“AI入口”，这是刻意的设计，但与此同时，多个Agent又是实实在在地落地在用户侧。哈啰首席架构师邓小白在采访中多次强调，哈啰在首页引入AI“非常克制和谨慎”，采取小步灰度放量，一旦收到负面反馈就立即降级。他们发现首页场景下用户多为泛需求，意图并不精确，直接上对话式推荐并非最优选择。

最终的方案是融合策略——搜索、推荐、筛选、对话多种形态结合，由大模型实现更精准的意图识别，动态选择最优交互方式。“一方面，我们利用大模型原生的语义理解能力，对用户显式及隐式的意图进行识别，从而大幅提升意图识别的精准度。其次，我们也会在推荐之后，利用大模型给出有说服力的推荐理由，进一步提升转化率。”邓小白说。

在具体的AI推荐中，哈啰构建了一个三层的上下文体系。第一层是“事件”，将用户与系统交互的原始、完整的信息直接进行存储；第二层是“记忆”，利用大模型去总结用户过往的完整行为，获取用户偏好，并形成长短期记忆；第三层是“任务”，当用户再次访问时，基于其实时行为的事件信息，结合其过往长短期记忆中的偏好，来完成最终的推荐任务。

租车业务是一个典型场景，用户从选车、比价，到了解取还车规则、保险等增值服务，链路很长，决策成本高。哈啰为此做了租车个人助手Agent，能根据用户意图，在不同阶段整合后台知识库、规则引擎和服务，用对话方式引导用户走完全链路。

在租车推荐上，哈啰将AI推荐定位为一种增强服务，对各个模型进行动态监控与动态服务路由，核心业务链路也会采取相应的稳定性保障措施以提高其稳定性；哈啰还自建了内部大模型服务平台，接入了丰富的模型种类，提供了更加灵活的计费方式；为了保证秒内响应，在大部分场景下哈啰都选择了No-thinking大模型，并且对部分模型进行了缩减，从而在模型准确率与运行性能之间取得最佳平衡。

租车还车后，商家可能发起扣款——车辆违章、补缴油电费、车损等。过去全靠人工审核，费时费力，主观性强，准确率也有限。哈啰引入了AI审核，用多模态大模型与规则引擎联合判断：确定性高、标准化的场景由规则引擎自动决策，复杂度高、模糊的场景交给大模型辅助。比如油表识别——系统要识别油量读数，计算误差和补缴金额。对用户来说，这些都不可见，他们能感受到的是还车后扣费更快了，争议更少了。

哈啰在对话类场景中有出行机器人，在撮合类场景中有司乘撮合助手，在决策类场景中有大模型风控等业务Agent，这些外部Agent的共同特征是用户感知不到Agent的存在，但能感知到体验的改善，对C端互联网公司来说，这可能比“有存在感但没用”的Agent有价值多了。

02、对内：用Agent重造研发流水线

如果说Agent对外的成功标准是“体验”，那内部Agent的成功标准就是“提效”。

2025年上半年，一些哈啰的工程师自发开始尝试AI Coding工具并分享心得；到了下半年，这种改变成为集团自上而下的战略推动。哈啰的AI战略落地一共分为四层：

首先，最底层的是AI Infra（AI 基础设施），哈啰在算力、存储以及服务上进行了大量投入，建设了诸如训推加速、多云纳管、分布式存储等核心基建能力，达成了吞吐翻倍、算力降本精细化运营的目标。另一方面，哈啰针对大模型自建了大模型服务管理平台，支持主流模型的快速接入和集成，以及模型压测、监控观测等，为上游的AI应用提供费用管控、模型私有化部署以及模型微调等相关服务。

第二层是AI知识运营。大模型自身的知识是静态的，但业务在动态发展，哈啰建立了一套知识运营机制，能够动态更新业务知识、业务规则和技能模块。同时，围绕这套知识运营机制，哈啰也搭建了全流程工具链，包括ADK开发框架、Kiro开发机、在线部署等相关工具服务。

第三层是AI应用工厂。哈啰自研了一套Agent工具包（Agent Kit）平台，提供Agent运行所需的底层服务能力支撑，比如记忆、评测、知识库以及运行沙箱等。目前，依托平台哈啰已经孵化了400多个有效的AI应用。

第四层是AI Agent，主要分为两个方向，一个是上面提到的针对用户端的一系列业务Agent，另一个方向就是对内服务内部员工，比如“哈啰龙虾”产品，为员工提供运营播报、业务核心指标预警以及工作流自动审批等AI助手功能，以此大幅提升员工的产出效率。

据哈啰测算，在工程质量要求高的复杂业务场景下，开发提效约50%；在从0到1的创新场景下，开发提效达67%以上。邓小白解释，差异的核心在于有无历史技术包袱：“对于常规的研发工作，AI Coding打破了哈啰的研发资源瓶颈，让我们不再需要依靠繁琐的跨团队资源借调去推进项目，极大加速了新业务、新创意的探索与落地。”

在AI Coding的实践中，哈啰也沉淀了一套方法论。“纵观整个Agent技术的发展，它经历了从最早的Prompt Engineering（提示词工程）、到Context Engineering（上下文工程）、再到Harness Engineering（运行环境工程），一直到最近（今年 6 月份）刚刚提出的Loop Engineering（循环工程）的演进，整个行业本身也处于一个不断摸索、实践，并逐步产出标准框架的过程。”邓小白说。

值得一提的是，哈啰的AI实践离不开亚马逊云科技的助力，它更像是一个深度参与的技术伙伴。今年上半年哈啰举办了AI创新应用大赛，近100组、300多人报名，一大半是非技术岗位，指定开发工具是Kiro，但很多人从没接触过。亚马逊云科技派了六七人的技术团队到现场，从早上一直待到深夜十一二点，手把手教参赛者使用。邓小白对此印象很深：“不仅技术专业，更难得的是非常敬业，真正做到了以客户为中心。”

写在最后

关于Agent的未来趋势，邓小白在采访中反复强调一个原则：“不能为了用AI而去用AI。一定要立足于具体的业务场景，在达成业务目标的过程中，寻找哪些环节可以通过AI进行有效辅助。”这话不新鲜，但能做到的企业不多，哈啰的可取之处在于，它在外部不让用户感知到AI的笨拙，内部不让AI变成花架子。