DoorDash构建不依赖LLM的AI购物助手

DoorDash 的 Ask DoorDash 并非仅依赖 LLM 的简单问答系统，而是一个由多个专门智能体协同工作的架构。核心是“助理运行时”（Assistant Runtime），它负责协调不同领域的智能体，并通过共享的 MCP（Model Context Protocol）层暴露业务功能。这些功能包括目录搜索、推荐、购物车、结算、订单历史和用户记忆等，全部由 DoorDash 现有的后端服务提供支持。

这种设计的优势在于，业务逻辑不嵌入提示词中，而是通过可复用的工具调用。多个 AI 体验可以共享相同的集成层，而后端能力可以独立演进。DoorDash 强调，智能体不仅需要访问用户数据，还“需要在正确的时间、为正确的任务提供正确的上下文”。

为了提供精准的上下文，DoorDash 引入了智能层（intelligence layer），通过三种记忆系统管理个性化：长时记忆（long-term memory）离线从历史行为生成，捕获偏好如喜爱的菜系和饮食限制；会话记忆（session memory）维持对话上下文；智能体记忆（agentic memory）存储用户明确陈述的事实。

相关记忆通过语义向量搜索检索、排序后注入提示词。这种设计将记忆管理与模型推理分离，使得每个交互都能获得量身定制的信息。DoorDash 报告称，采用计算型用户记忆的 7 天评估中，购物车结算转化率提升了约 24%，购物篮规模增加了 17%，同时对话轮次减少了 7%。

DoorDash 认识到“构建有用的 AI 代困难，但判断它是否真正优秀更难”。为此，他们构建了自动评估框架，使用 LLM 生成的用户和记录的工具固定装置来模拟有状态的客户对话。该框架镜像生产运行时，可以独立评估编排、防护栏和领域智能体。

目前，该平台每天执行超过 2000 次自动评估，将质量评分提升了 8 分，并将回归测试从 6 小时缩短到 20 分钟。此外，该框架验证了一次模型迁移，在不牺牲质量的前提下将延迟降低了 35%。这为快速迭代提供了质量保障。

除了记忆带来的转化率提升，助手在开放式餐厅查询中转化率高出 15%。联合创始人 Andy Fang 表示，Ask DoorDash 构建购物车的速度大约是手动操作的 5 倍，用户只需一次提示就能在 2 分钟内完成购物车。

DoorDash 还通过确定性操作（如更新版本化工件时不调用 LLM）和确认工作流来优化延迟和可靠性。整个架构遵循其工程模型：领域团队构建专门智能体，平台团队维护编排、MCP 工具、记忆、评估和共享组件。早期结果证明了这种分离式架构的有效性，但长期表现和跨域泛化能力仍有待观察。