DoorDash弃用传统预测模型，转向Agentic推荐平台：上下文感知的消费AI如何落地
DoorDash正在做一件大多数平台公司只敢想不敢做的事：把推荐系统从“一次性预测”彻底迁移到Agentic架构。Sudeep Das在最新分享中透露，这家外卖巨头已经用语言原生的用户记忆、RQ-VAE语义ID目录表征和落地搜索，大幅拉高了相关性和转化指标。这不是实验室里的Demo，是生产环境的真刀真枪。
往好听了说，这是从“猜你喜欢”到“懂你所需”的范式跃迁。往坏了说，传统推荐系统的那套“用户-物品”二部图+Embedding匹配的打法，在消费AI时代已经不够看了。DoorDash的解法很直接：让AI Agent带着上下文去理解用户，而不是靠一堆历史行为标签做概率预测。
技术细节值得掰开看。RQ-VAE语义ID不是新概念，但用在目录表征上，DoorDash算是吃螃蟹的。这玩意儿能把商品、店铺、甚至菜品属性压缩成语义向量，让Agent在推理时能“理解”用户要的是“深夜的暖胃汤面”而不是“30分钟内能送达的任何东西”。再加上语言原生的记忆机制，系统能记住你上周点过的辣度偏好——就问你，传统协同过滤做得到吗？
但别急着高潮。Agentic推荐平台的落地成本不是一般公司扛得住的。推理延迟、上下文窗口管理、语义ID的冷启动问题，每一个都是坑。DoorDash敢这么做，是因为它有海量交易数据和实时反馈闭环撑着。中小平台想抄作业？先看看自己的数据规模够不够喂饱Agent。
我的判断是：DoorDash这步棋，方向对，时机也准。消费AI的下一站不是更大的模型，而是更聪明的Agent——能记住你、理解场景、并主动给出建议的那种。那些还在用LR和GBDT做推荐的平台，该焦虑了。毕竟，用户不会永远容忍“猜错”的推荐系统。当Agent能真正“懂”你的时候，谁还会回去用那个笨拙的猜谜游戏呢？
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
![Anthropic手把手教你省钱：Claude Code六大技巧，别再当冤大头烧token了 [企业追踪]](https://qifukexue.com/wp-content/uploads/2026/08/fallback-23277-480x300.png?imageMogr2/format/webp)
![Manus重启独立，AI出海的分水岭才刚刚开始 [企业追踪]](https://qifukexue.com/wp-content/uploads/2026/08/fff581a9d9def35c88510fe7f68ae154-1-480x300.png?imageMogr2/format/webp)
![190亿估值、50亿融资，Databricks的“甜蜜烦恼”背后是AI的疯狂 [企业追踪]](https://qifukexue.com/wp-content/uploads/2026/08/fallback-22826-480x300.png?imageMogr2/format/webp)
![月之暗面怒斥“朋友基金”和“老股额度”：别拿AI明星公司当韭菜田 [企业追踪]](https://qifukexue.com/wp-content/uploads/2026/08/fallback-23182-480x300.png?imageMogr2/format/webp)