DoorDash 近日披露，其通过 AI 智能体技术将杂货复购流程的延迟从 16 秒降低至 2 秒。该优化依托批量大语言模型（LLM）推理与确定性校验机制，对用户的周期性采购需求进行预计算，从而减少实时响应环节的等待时间。
在具体实现上，DoorDash 采用实时商品目录解析（live catalog resolution）确保用户此前的商品选择与当前库存保持一致，避免因商品下架或信息变更导致复购失败。同时，平台提供可编辑的购物界面，允许用户在执行复购前调整清单，这一设计减少了对模型的非必要调用，进一步压缩了系统开销。
DoorDash 公布的数据显示，优化后购物清单页面的浏览量翻倍，该复购流程的订单转化率提升约 34％。这表明降低延迟不仅改善了用户体验，也直接带动了交易转化。
从技术路径看，该方案的核心在于将 LLM 推理从实时请求链路中剥离，转为批量预计算，再以确定性规则对模型输出进行校验。这种“预计算加校验”的组合方式，在保证结果可靠性的同时规避了实时调用大模型带来的高延迟与高成本，为电商与本地生活场景中的 AI 应用提供了可复用的工程思路。
杂货复购属于高频、可预测的消费场景，用户往往重复购买相似商品。DoorDash 此次优化表明，AI 智能体在零售履约链路中的价值不仅体现在推荐与搜索环节，也可作用于交易流程本身的效率提升。随着本地生活平台竞争加剧，复购效率与转化率或将成为衡量技术投入回报的重要指标。
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。
