在 AI Agent 被广泛讨论的今天，一个问题正在浮现：大多数所谓的“智能体”，是不是只是披着 Agent 外衣的高级聊天机器人？它们能写周报、能查资料，却难以真正嵌入业务流程，更谈不上驱动商业结果。这也正是业界对 Agent 从最初的狂热转向冷静，甚至失望的关键原因。
阿里 1688 近期上线的“遨虾”（AlphaShop）Agent，似乎正在试图回答这个问题：如果 AI 不是用来“聊”，而是用来“做”，它能在多大程度上帮助人类完成一整套跨境生意？
“我们可以想一想，2026 年如果你是个创业小白，想靠 AI 工具创业，该怎么办？就拿跨境生意举例。中国是全球瑜伽裤最大的生产国，义乌、宁波、泉州、汕头等地，遍布着大大小小的瑜伽裤工厂。假设你人在郑州，想把这些地方的瑜伽裤卖到亚马逊，可你手里没有工厂，能行吗？答案是：当然能。你只需搜索‘1688 遨虾 Agent’，进入界面后，你直接跟智能体说：‘我想在亚马逊卖瑜伽裤。’它会立刻帮你做市场分析，告诉你当下哪些瑜伽裤卖得火，比如今年入秋之后，蓝色喇叭款瑜伽裤在北美市场就特别受欢迎。”
在刚刚落幕的“AI 闪耀中国 2025”科技人文秀上，吴晓波介绍了这样一个案例：1688 上有 60 万家超级工厂，AI 能帮你精准筛选出能生产喇叭瑜伽裤的企业，它还有 AI 素材生成工具，15 秒就能帮你做出一条产品宣传短视频。有了市场分析结果，找到了靠谱的供应商，又搞定了宣传素材，你就可以去亚马逊开店了。一个身处郑州的创业小白，就这样能轻松入局跨境电商，是不是很有意思？
“遨虾”是 1688 推出的一款面向跨境电商 B 端买家（如亚马逊卖家）的 AI 智能体，旨在通过大模型能力打通“选品—找商—询盘—素材生成—上架”全链路。据了解，过去一个月，“遨虾”已帮助一批中国工厂完成了从选品、找厂、议价到生成亚马逊商品图、上架销售的全流程。而支撑这一切的，是一套深度耦合业务场景的垂直大模型系统，以及对“Agent 到底该解决什么问题”的重新定义。
中国制造出海的困境：有货不会卖
中国是全球制造业的中心，但出海之路并不平坦。以亚马逊为例，中国卖家占比已经超过 70%，但大量中小工厂仍困在“有货不会卖”的窘境中：不懂外语、不熟悉海外消费者偏好、缺乏选品能力、无法高效对接海外平台规则。
“很多工厂老板能做出全世界最好的瑜伽裤，但他不知道‘孕妇瑜伽裤’是个蓝海品类，也不知道怎么把产品图做成符合亚马逊主图规范的样子。”1688 遨虾产品负责人邹玲接受 InfoQ 等媒体采访时表示。
传统解决方案依赖人工运营或第三方服务商，成本高、响应慢、门槛高。而 AI 的出现，理论上可承担翻译、设计、数据分析、沟通等重复性工作。但现实情况是，通用大模型在此类任务中频频“翻车”——比如误解需求，把“孕妇专用”当成普通运动裤；又或者生成的图片因含文字或背景不符被平台下架。
问题的核心在于：跨境电商不是信息检索，而是一连串高度结构化的决策与执行动作。从判断市场热度、分析竞品弱点、匹配供应链能力，到生成合规素材、模拟买家询盘，每一步都需要精准、可靠、可追溯。
“ToB 场景其实比 ToC 更适合大模型落地。”1688 跨境总经理一隆指出，“因为 B2B 采购流程高度结构化——询价、比价、确认交期、验厂、下单，每一步都有明确输入输出，AI 更容易实现闭环。”
正是基于这一判断，1688 决定打造一个专属于跨境 B2B 的智能体，目标不是“炫技”，而是“让不懂外语的中国工厂也能高效做外贸”。
“遨虾”以“AI+供应链”为核心，融合图像识别、链接解析和自然语言交互技术，覆盖选品决策、工厂寻源、智能询价、内容生成等关键环节。用户只需发起对话，或上传产品图片、输入商品链接，就可以一键启动从市场调研到工厂对接的全流程。除下单和付款需用户确认外，其余环节均可由 AI 自动完成。
可靠的智能体，拼的不是参数而是闭环
具体而言，“遨虾”是 1688 自研的一款电商垂类大模型，底层基于的是通义千问（Qwen）大模型底座。据团队披露，该模型在电商领域权威评测榜单 Ecom Bench 上已超越当前主流通用大模型，位列全球第一。
为提升复杂任务处理能力，团队采用了 M1-235B 级别的超大模型（参数规模达 2350 亿级别），并投入数千张 GPU 卡进行训练。“成本非常高，但这是必要的投入。”一隆坦言。
这种规模使得模型在多跳推理中表现稳定，例如“先判断品类热度，再评估供应链可行性，最后生成上架方案”，有效避免了小模型常见的逻辑“断链”问题。
这种能力背后，真正的壁垒并非参数规模，而是独有的数据闭环。
“我们既做电商，又做大模型。”一隆解释。这意味着团队能同时获取两类关键数据：一方面是供给端来自 1688 平台的数百万工厂的产品信息、产能、认证、历史交易记录；另一方面是需求端，从亚马逊、TikTok Shop 等下游平台抓取的 2 万多个类目的公开销售数据，包括销量、评论、价格带、竞争格局。
这种“从需求反推供给”的能力，使得模型不仅能理解“孕妇瑜伽裤”是一个细分品类，还能进一步识别消费者差评中的关键痛点（如“腰部支撑不足”），并精准匹配 1688 上具备高腰弹力、医疗级支撑设计的工厂。
尽管理想丰满，但将 Agent 落地为可靠生产系统，这个过程仍然充满重重挑战。
比如，电商决策对准确性要求极高，比如利润测算差 10%，就可能导致商家亏损。对此，邹玲告诉 InfoQ 记者，他们主要通过这两个手段来保障准确性：
第一个是在模型训练阶段，由内部跨境业务专家直接参与数据标注与模型训练，确保模型在选品规划、工具调用和报告生成等环节的思考逻辑与行业实践一致；
第二在上线后，采用类似量化交易的“回撤验证”机制，通过追踪所推荐商品的实际销售表现（如是否真正成为蓝海爆款），持续评估并校准模型的预测准确率，形成闭环优化。
“具体看回撤结果，行业里的选品专家平均的选品成功率大概在 7%。我们回撤下来的话，目前准确率大概在 40%。”邹玲强调。
此外，为确保可靠性，团队还设置了多重保障机制。例如，所有输出必须引用可验证数据源；低于置信度阈值的回答直接返回“无法确定”；关键决策保留人工复核通道。
与此同时，在这套机制的背后，仍然存在一个潜在质疑：AI 是否会加剧“马太效应”，只推荐头部大厂？
对此，邹玲明确表示：“我们不会只推历史销量高的老厂。系统引入了服务能力评分模型，综合评估工厂的响应速度、认证资质、柔性生产能力等维度。即使是一家没有跨境经验的新厂，只要具备适配海外需求的能力，也会被推荐。”
AI 的价值，在于归还制造的主场
事实上，1688 对“遨虾”的定位并不仅仅是一个效率工具，而是一种能力平权机制——让县域工厂也能凭借产品力而非运营资源参与全球竞争。
“从目前来看，数据是企业 AI 落地应用过程中的一大竞争力。但随着强化合成数据的发展，我认为，两三年后，数据可能就不再是壁垒了。”一隆强调，“真正的护城河将是供需双边网络效应——既懂买家需求，又掌握卖家能力。这才是 1688 的独特优势。”
因此，正如一隆和邹玲反复重申的：“遨虾的愿景不是要替代人，而是拉平运营能力。”
这种“平权”体现在多个维度：
在选品上，工厂无需雇佣专业买手，AI 可自动识别蓝海细分市场；
在找商上，新入局的小厂不会因缺乏历史销量被埋没，系统通过服务能力评分和冷启动机制给予公平曝光；
在素材上，过去只有大卖家才负担得起的多语言主图、场景图、短视频，如今十几秒即可由 AI 生成；
在沟通上，智能询盘能批量模拟买家议价，将原本需一天处理的上百条对话压缩至几分钟。
而对于中国工厂来说，这一切最终指向一个朴素而重要的回归——专注制造本身。正如一隆所言：“中国工厂的特点就是极度擅长制造，如果纯拼产品，中国制造会非常非常强。”
如果一家浙江义乌的小厂，能通过“遨虾”卖出第一单到德国；如果一位江西景德镇的陶瓷匠人，能靠 AI 生成符合日本乐天规范的商品图；如果河南许昌的假发工厂，能根据 TikTok 美国站的评论趋势快速调整发丝密度并直连亚马逊上架——那么，这场 AI 落地实验就成功了。
这并不是为了展示技术的优越性或创造新的市场垄断，而是旨在建立一个更均衡的竞争环境，使得真正的产品实力得以凸显。好产品，自然会找到它的市场。
