在近期的一场技术分享中，DoorDash数据科学负责人Sudeep Das详细披露了该公司如何从传统的单次预测（one-shot prediction）架构，转向基于智能体（agentic）的推荐平台。这一转型的核心在于利用语言原生（language-native）的消费者记忆机制、RQ-VAE语义ID目录表示方法，以及基于知识 grounding 的搜索技术，从而在规模化场景下显著提升推荐相关性和转化率指标。
DoorDash的推荐系统此前依赖经典的机器学习预测模型，针对用户请求输出单一的排序结果。这种范式在处理复杂、多轮、上下文依赖的消费场景时存在明显局限。Sudeep Das介绍，新的Agentic平台将推荐过程建模为一系列可组合的智能体行为，每个智能体负责理解用户意图、检索候选商品、权衡多目标约束并生成最终推荐，系统能够根据实时交互动态调整策略。
在技术实现层面，DoorDash引入了三项关键组件。首先是语言原生的消费者记忆层，该层以自然语言形式存储用户的历史偏好和实时状态，使模型能够更准确地理解”我今晚想吃辣一点的”这类模糊表达背后的真实需求。其次是RQ-VAE（残差量化变分自编码器）生成的语义ID，用于对目录中的海量菜品和商户进行统一编码。与传统Embedding相比，语义ID在保持物品间语义关系的同时，大幅降低了检索阶段的计算开销，使系统能够在毫秒级延迟内完成全量目录的候选生成。最后是grounded search技术，它将检索结果与外部知识源（如实时库存、配送范围、商户营业状态）进行交叉验证，避免推荐不可履约的商品。
DoorDash的这一架构演进反映了消费级AI平台的一个普遍趋势：模型能力不再是唯一的竞争壁垒，如何将大模型、检索系统与业务约束深度耦合，构建可规模化、可解释的智能体系统，正成为企业服务与SaaS领域技术投入的重点方向。对于依赖实时决策的本地生活服务平台而言，这种从”预测”到”智能体”的范式迁移，可能意味着推荐系统在商业指标上的又一次质的飞跃。
目前，DoorDash尚未公布该平台在全部市场推广的时间表，但Sudeep Das透露，相关技术已在部分核心市场完成灰度验证，转化率提升幅度达到两位数百分比。这一案例也为其他拥有海量SKU和复杂履约约束的消费互联网公司提供了可参考的技术路线图。
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。
