哈啰与亚马逊云科技的Agent落地实战

在刚刚过去的2026亚马逊云科技中国峰会上，哈啰首席架构师邓小白用一张清晰的四层架构图，勾勒出这家出行及生活服务平台的AI落地全貌。这并非一份停留在PPT上的规划——面向8亿用户，横跨共享出行、网约车和本地生活，哈啰已经把大模型变成了实实在在的生产力工具。

邓小白身上有一种典型技术人的审慎。他不空谈概念，每一句判断背后，几乎都跟着具体的业务场景和踏实的实测数据。这种务实，贯穿了哈啰AI战略的全部细节。

哈啰的AI战略被拆解为四个层级：最底层是AI Infra，解决算力、存储和训推加速问题；往上是AI知识运营，让大模型动态获取业务知识，规则和技能模块；第三层是自研的AI应用工厂，也就是Agent开发平台；顶层才是面向员工和用户的各式AI Agent。

“通过Agent大幅提效，并用AI改造现有的业务主流程。”邓小白明确点出了哈啰的一个基本立场：AI大模型是传统机器学习算法的“能力增强剂”，不是替代品。只有大模型与传统算法有机协同，才能最大化商业价值。这种判断，让哈啰没有陷入对通用人工智能的盲目追捧，而是精准地把AI嵌入到业务的齿轮里。

当很多企业还把大模型当作聊天机器人时，哈啰已经把Agent深度植入到租车、推荐这类“高决策成本”的业务中。

以租车为例，从选车、比价到了解取还车规则和保险服务，整条链路极其漫长。哈啰推出的“租车个人助手”，能够在不同阶段整合后台规则引擎和知识库，帮用户筛选最优解，甚至直接推荐经过充分验证的服务。“让用户通过对话的方式，就能轻松走完整个租车链路。”邓小白解释说。这背后亚马逊云科技的Amazon Bedrock承担了模型托管与运维，哈啰的产研团队则可以心无旁骛地专注在业务逻辑开发上。

而在App首页这个流量入口，哈啰的做法反而非常克制。“用户打开首页时，很多时候只是泛需求，意图并不精确。如果直接上一套对话式推荐，效果可能适得其反。”邓小白透露，他们最终采用了融合策略，把搜索、推荐、筛选和对话揉在一起，由大模型动态判断何时以何种方式介入。

底层推荐逻辑同样值得玩味。哈啰构建了一套“事件-记忆-任务”三层上下文体系。区别于传统推荐只提炼行为特征，哈啰保留了用户最原始的完整交互事件，再利用大模型去总结偏好。当用户再次访问时，系统结合实时行为与长短期记忆完成推荐。这种做法，试图最大程度挖掘用户的隐性需求。邓小白直言：“大模型即便只有极少量的即时交互数据，也能精准理解当下意图，这解决了新用户这类长尾和冷启动的痛点。”

如果说推荐场景考验大模型的语义理解，那么租车AI审核就是一场多模态技术与业务细节的“死磕”。

过去，用户还车后如果涉及油电费补缴或车损扣款，全靠人工审核，效率低下且主观性强。如今哈啰引入了多模态大模型，与原有规则引擎联合作战。标准化场景由规则引擎自动化处理，模糊复杂的纠纷则交给大模型辅助判定。

其中有个细节令人印象极深。在补缴油电费场景中，系统不仅要识别出油表、电表，更要精准读出刻度以计算差额——这直接关系到用户需要付多少钱，容错率极低。邓小白透露，最初他们自研的图像识别模型准确率只有70%左右。后来，他们与亚马逊云科技的技术团队合作进行了单独训练和微调。

效果立竿见影。“亚马逊云科技帮我们做完特定微调后，目前这个场景的识别准确率大幅提升到了90%以上。”邓小白补充道。这里用到的Amazon Rekognition，正是此次合作应用的技术之一。

研发效能的提升，是这次交流中数据最扎实的部分。哈啰目前已有超过2000名员工在使用AI Coding工具Kiro，其中接近一半并非研发人员，而是产品、运营甚至中后台职能岗。

“从Idea到原型的落地，现在借助Kiro能够做到快速验证。过去需求估时以天计，如今基本上缩短到了小时级别。”邓小白透露了两组关键ROI数据：在复杂业务场景下，开发提效约50%以上；在从零到一的创新场景下，提效可高达67%以上。

“核心在于有没有历史技术包袱。”邓小白的解释说，成熟业务经历了多年迭代，逻辑极其复杂，AI在Coding时不得不继承那些好的架构，也不得不背上沉重的技术债务。它需要花费大量算力去理解并维护现有系统的上下文。而新业务完全是一张白纸，从产品PRD到系统上线非常丝滑，一开始就用AI设计架构并实现，自然快得多。”

他还分享了哈啰在AI Coding实践中的一条演进路径——从早期的Spec Coding逐步过渡到基于“运行环境工程”的重构。借助Kiro的规范约束和技能编排，开发变成了一条标准流水线。把个体开发行为转化为组织能力，这才是提效的本质。

当话题转向为何在多个核心场景中都选择与亚马逊云科技深度合作时，邓小白给出了三个理由：专业的产品矩阵、“以客户为中心”的服务深度，以及团队间齐心协力的落地能力。

“亚马逊云科技的产品形态非常多元，从底层的亚马逊云科技Marketplace第三方模型订阅，到上层的定制化服务，全都涵盖。”他提到，在实际业务中，核心服务的稳定性要求是99.99%，而很多三方模型API的可用性只能做到99.9%。因此，哈啰基于亚马逊云科技的能力搭建了动态监控与路由机制。当某一模型超时或不可用，业务能瞬间切换到备用模型，同时还能根据场景对精度的不同要求，灵活调度高成本高精度模型与高性价比模型。

更重要的是，在合作中展现出的“人”的温度。哈啰今年举办了一场AI创新应用大赛，吸引了近百组、300多名员工参加，其中一大半是非技术岗。“亚马逊云科技专门安排了一整个技术支持团队来到现场，从早上一直忙到深夜十一二点，随叫随到，手把手教大家用Kiro。他们不仅技术专业，而且真的做到了站在用户角度帮我们解决实际问题。”

对于智能体的未来演进，邓小白分享了一个前沿观察。“就在今年6月，行业内刚刚提出了Loop Engineering（循环工程）模式。从最早的提示词工程，到上下文工程，再到运行环境工程，现在到了最新的循环工程阶段。”他说，这一新范式的核心是，面对复杂的长期任务，智能体可以自动根据目标去规划和执行工作流，而不需要人去手动编排。“后台技术变得越来越精密复杂，但留给前端用户的体验，一定会变得极其简单和友好。”

写在最后

谈及未来，哈啰与亚马逊云科技的合作将走向深化复制、双向出海和持续探索。但最让人期待的，或许是邓小白所说的“双向赋能”——哈啰把规模化实战中发现的产品盲点反馈给亚马逊云科技团队，推动其产品快速迭代。当企业客户的需求能够反向打磨技术供应商的产品时，这种共生关系便真正走向了成熟。