当 AI 从辅助工具逐步演进为独立决策者，如何让 AI 在极其复杂、试错成本极高的真实电商环境中独立操盘？

传统的机器学习预测为何会带来由系统性偏差导致的商业误判？

京东又是如何利用前沿的“商业世界模型”与“因果推断”技术，驯服海量商品的定价难题？

在 4 月刚刚落幕的 2026 奇点智能技术大会上，京东定价算法负责人邓金秋带来了一场干货满满的分享，其分享的主题《Agentic Commerce：商业世界模型中的因果建模实践》为行业带来了极具参考价值的破局思路。

邓金秋，现任京东零售算法总监，负责供应链管理策略优化、定价算法优化、价格策略制定及价格生态治理等。

以下是邓金秋在本场大会上的演讲核心精华与实录整理，带你窥见 AI 电商的最新实践：

• AI 电商演进方向：Agentic Commerce 正从零散的“买方导购”与“卖方辅助”，走向“买卖双边 Agent 协同决策与自治”的新阶段；

• 商业需要“世界模型”：真实的商业环境试错成本极高。AI 必须拥有一个“商业世界模型（仿真器）”，在行动前先“想一遍”，低成本推演不同策略的结果；

• 预测 ≠ 决策：单纯的机器学习只能拟合历史，无法区分因果（如误认为大促期间“价格越低销量无限高”）。经营决策的核心不是“拟合误差”，而是基于因果推断计算干预动作带来的“增量收益”。

Agentic Commerce：从“人找商品”到“AI 完成交易”

Agentic Commerce 正从一个概念快速演变为产业趋势。目前，行业内涌现出了两大类典型的 Agent 演进方向：

• Buy-side Agent： 站在消费者一侧。比如 ChatGPT Shopping重构了购物入口，用户只需提出“买一个 100 刀以内的搬家礼物”，AI 就能完成搜索、比价和购买建议，再比如 Amazon Rufus（平台内闭环型代理），嵌入在电商站内完成复杂的购物决策辅助。

• Sell-side Agent：站在商家一侧。以微软的 Microsoft Store Operations Agent 为例，它作为企业级运营代理，将门店管理、退换货等流程纳入统一系统，更激进的是 Anthropic 内部测试的“AI 自动售货机”，这是一个完全由 AI 托管的自主经营实验，AI 自己决定选品、向供应商下单、定价并响应客户。

  截图自邓金秋演讲 PPT

未来的趋势是什么？ 是买卖双方 Agent 的协同编排。不仅是 AI 辅助交易，更是当 Sell-side Agent 开始承担真实的经营决策（如自主定价、补货）时，我们必须回答一个问题：“AI 做了这个动作之后，会带来什么结果？”

这就是我们需要“商业世界模型”的原因。

商业世界模型：为 Agent 决策提供低成本仿真环境

什么是世界模型？为什么要给 Agent 配备世界模型？

我们可以回想一下 AlphaGo。它之所以能超越人类，不仅仅是因为算力，更因为它的内部有一个“Go Simulator（围棋仿真器）”。在遇到李世石的“神之一手”后，AlphaGo 可以在虚拟棋盘中自我对弈几万次来修复策略。

在自动驾驶和机器人领域，世界模型同样被用来“先预演、再行动”，从而避免现实中车毁人亡的代价。

电商经营也是一样。降价、促销、囤货，这些都是高成本、长反馈的真实试错。 如果 AI 每次都在真实环境里乱试，商家早就破产了。

截图自邓金秋演讲 PPT

因此，商业世界模型就是要把价格、促销、库存、履约等经营动作，放进一个统一的推演环境中。

让 Agent 在内部仿真“如果采取某套价格组合，用户的需求会怎么响应？竞争对手会怎么反应？库存周转能不能跟上？”，经过低成本的在线闭环优化后，再输出最优策略到真实的商业世界中执行。

从预测到决策：为什么一定要用“因果推断”？

构建商业世界模型，最忌讳的就是把“预测”等同于“决策”。

传统的机器学习预测可以很好地拟合历史结果，但经营决策真正关心的是“干预”：这个动作值得做吗？能带来多少增量？

举个经典的反面例子：电商“大促（如618）”时，价格低且销量极高。如果直接用机器学习拟合，模型可能把大促流量带来的销量增长误归因于降价动作，从而高估降价的真实增量效果。

但实际上，销量暴涨的真正原因（混淆因子）是大促带来的极高流量。如果不剥离这个混淆因子，AI 就会做出错误的定价决策。

正如图灵奖得主 Judea Pearl 所言，我们需要跨越“观察”，进入“干预”和“反事实推断”。

截图自邓金秋演讲 PPT

我们将这一过程分为四步：

• 构建因果图： 结合行业知识，清晰定义动作、结果、混淆因子和中介变量；

• 数据准备与消偏：利用随机实验或倾向性评分等方法，消除历史数据的决策偏差，为效果学习提供可信样本；

• 因果建模： 估计不同动作在给定状态下的“增量收益”，而不是仅仅拟合历史；

• 效果评估： 摒弃单纯的预测误差指标，转而关注 Uplift、Policy Value、ROI 与在线实验，验证它是否真的提升了策略选择质量。

京东落地实践：海量商品下的定价决策仿真

在京东，自营商品规模极其庞大，背后是超万亿的零售收入。这里的定价，绝不是人工拍脑袋或者写几条规则就能搞定的。

京东的定价决策不仅影响销售，还要联动全国 1600+ 自营仓、2000+ 云仓的库存与履约效率。定价不是单点预测问题，而是一个典型的高频“动作改变未来结果”的策略决策问题。

真实世界中，价格往往不是一个数字，而是一套极度复杂的组合策略（基础价+周五打折+满减+优惠券）。为了在如此复杂的策略空间中推演销量，我们构建了一个面向定价决策仿真的“动态因果响应模型”。

在架构上，我们将：

• 商品状态塔引入 VLM 处理图像，文本处理品牌、属性；

• 历史时序塔引入历史价格、销量序列、流量与活动序列；

• 未来策略塔，将复杂促销规则转化为 LLM 能理解的序列表示进行深度融合。

更关键的是，我们为模型引入了极为严苛的三维评估与约束框架：

• 销量预估准确率： 预估曲线必须贴合实际；

• 因果幅度一致性约束： 降价带来的销量起伏幅度，必须与历史上真实的因果效应对齐；

• 因果逻辑合理性约束： 强行向模型注入经济学常识。如果模型预测出“降价反而导致销量暴跌”这种反常识结果，会在训练时受到惩罚，保证局部扰动下的单调性合理。

未来，商业世界模型将进一步从单一的价格决策，走向价格、促销、广告、库存的全面协同优化，支撑更好水平的自治经营。

现场精彩问答实录 (Q&A)

Q：物流行业 ToB 的报价（如整车调度）极其复杂，这种场景如何利用因果模型制定价格？

邓金秋： ToB 物流定价通常分三步走：

第一是守住“成本底线”，必须精准计算油费、人力等刚性成本；

第二是看清“竞争环境”，对齐市场水位；

第三才是因果推断发挥作用的地方——寻找历史数据的差异空间。

我们可以通过模型测算，在特定的路线或节点上，降价到底能不能带来真实的单量增长（价格弹性），从而在成本底线与竞争红线之间，找到利润最大化的最优报价。

Q：目前很多企业还在用 Excel 算报价，极度耗时，新技术能解决吗？

邓金秋：这正是 Agentic Commerce 最典型的落地场景！现在完全可以通过构建 Agent 工具，利用大语言模型强大的非结构化数据处理能力，自动解析客户发来的各种杂乱无章的询价文本或表格。

Agent 可以在后台自动调取运力限制和成本模型，一键生成结构化的最优报价单，这将极大释放前端业务人员的生产力。

Q：遇到长尾商品（销量极低、数据稀疏），因果模型失效了怎么办？

邓金秋： 这是一个非常经典的业界痛点。对付长尾/冷启动商品，有三个解法：

• 借力打力：不能死盯单品数据，必须引入类目、品牌、图片文本等“泛化特征”，让模型学会举一反三；

• 转变思路：既然销量预测不准，就把它降维成一个“二分类转化率”问题——不求算准能卖几件，只算降价后能不能破零；

• 规则兜底：当模型置信度极低时，果断引入 Rule-based（基于规则）策略兜底，比如设定长尾死库存强制降价清仓的硬逻辑，确保系统整体的鲁棒性和经营安全。