去年 9 月，滴滴上線了公測AI出行助手，剛開始灰度測試還沒到我，最近恰逢一次出門的機(jī)會我發(fā)現(xiàn)功能可以用了，就試了一次。

直接對 AI 小滴說：“希望駕駛平穩(wěn)，我還有些暈車?！毙〉伟堰@句話拆成標(biāo)簽，從供給池里篩，給了我候選。上車，平穩(wěn)，心中的滿意油然而生。

雖然我不能確定未來會不會有其他需求衍生出來，但我并不擔(dān)心，畢竟繼續(xù)在對話框中增加需求就完事兒了。 這件事讓我意識到一個(gè)問題：自己開車，本來是我在“沒有更好選擇”之后退而求其次的方案。AI小滴讓我重新做了一次選擇——不是因?yàn)楣δ茏兌嗔?，而是因?yàn)槲业男枨蟮谝淮伪徽嬲幼×恕?/p>

沒錯(cuò)，這次 AI 真的給了我“不繞彎子、直接給答案、穩(wěn)穩(wěn)接住我”的方案了。

（圖片來自小紅書）

當(dāng)這樣的各類打車需求被不斷滿足，當(dāng)越來越多“說不清、選不了、靠運(yùn)氣”的訴求都有了入口，AI完成的不只是一次叫車，而是實(shí)現(xiàn)對整個(gè)出行體系的一次升維。

AI 叫車的三重門

當(dāng)全世界都在討論龍蝦的時(shí)候，往往忽略 Agent 能為現(xiàn)實(shí)生活帶來怎樣的變化。

我們把 Agent 囚禁在自己的工作中，讓他完成幾乎所有關(guān)于工作中的繁雜瑣事，卻仍舊沒有發(fā)現(xiàn)，Agent 早就應(yīng)該是針對特殊服務(wù)場景，實(shí)現(xiàn)差異化訴求的強(qiáng)力落地媒介。

出行服務(wù)其實(shí)是Agent場景落地的重要切口，原因很簡單：這個(gè)場景下，用戶和服務(wù)人員完全陌生，但用戶期待的需求各不相同，導(dǎo)致兩者之間的順暢溝通其實(shí)需要一個(gè)“話事人”來轉(zhuǎn)述。

但對于叫車出行這樣的高頻需求而言，單獨(dú)配備一個(gè)客服傳遞客戶需求從體驗(yàn)和成本上都劃不來，且服務(wù)從用戶上車的第一秒就開始了，所以與其讓網(wǎng)約車司機(jī)為用戶調(diào)整自身服務(wù)，不如讓對的車來服務(wù)對的人。

而 AI agent 則可以非常順滑地完成用戶需求，且這是一種前置服務(wù)。但為什么到此時(shí)此刻 Agent 才開始真正上車，這其實(shí)面臨服務(wù)過程中的“三重門”，而AI小滴是目前為數(shù)不多把三重門都走通了的案例之一，但每一重門后面的代價(jià)，都不是接個(gè)大模型接口能省掉的。

第一重：聽懂人話。

這是大模型負(fù)責(zé)的部分，也是最容易被演示出來的部分。把“有些暈車、身體不舒服、盡快叫”這句模糊的口語，解析成“駕駛平穩(wěn)=必須，油車=優(yōu)先，時(shí)效=高權(quán)重”的結(jié)構(gòu)化指令，然后交給調(diào)度系統(tǒng)去執(zhí)行。

這一重門，今天的大模型基本都能過。也正因?yàn)槿绱耍?strong>“AI叫車”在產(chǎn)品形態(tài)上很容易被模仿——任何平臺接個(gè)大模型、做個(gè)對話框，都能演示出類似的交互效果。

演示和交付之間，隔著第二重門。

第二重：找到那輛車。

多標(biāo)簽疊加過濾，聽起來是個(gè)技術(shù)問題，本質(zhì)是個(gè)供給密度問題。

用戶說“空氣清新+駕駛平穩(wěn)+后備廂大”，在調(diào)度系統(tǒng)側(cè)等于對供給池同時(shí)做三次過濾。過濾條件越多，能匹配的車越少；如果平臺規(guī)模不夠，結(jié)果會迅速坍塌——要么叫不到車，要么等待時(shí)間不可接受，用戶下次不會再用這個(gè)功能。

這就是為什么個(gè)性化叫車這件事，只有滴滴先做出來。

供給足夠厚，才敢把需求拆細(xì)。用AI小滴自己的話說，是“說了真能做到”——這句話的底氣，來自十幾年積累下來的司機(jī)和車輛密度，不是模型能力。真正能承接服務(wù)本身的，永遠(yuǎn)不是大模型，而是大模型背后的運(yùn)力體系。

當(dāng)需求優(yōu)先級沖突時(shí)，小滴還會做排序：先滿足核心訴求，務(wù)實(shí)地給出“當(dāng)下的更優(yōu)解”，而不是因?yàn)闊o法完美匹配就返回空結(jié)果。這個(gè)處理方式，背后是調(diào)度系統(tǒng)對復(fù)雜約束的實(shí)時(shí)求解能力。

但通過第二重門，還不夠。

第三重：穩(wěn)定兌現(xiàn)承諾。

這是最少被討論的一重，卻是最難的。

大模型能聽懂“我要一輛開得穩(wěn)的車”，但聽懂之后，誰來保證司機(jī)真的開得穩(wěn)？“空氣清新”“駕駛平穩(wěn)”“車內(nèi)安靜”，這些標(biāo)簽最終要在每一次真實(shí)行程里兌現(xiàn)。標(biāo)簽是承諾，承諾要落地，靠的不是模型，是平臺對供給端的管控能力。

滴滴在自營模式下直接連接司乘兩端，對司機(jī)培訓(xùn)、車輛規(guī)范、服務(wù)質(zhì)檢有更強(qiáng)的介入能力，也更便于圍繞標(biāo)簽做持續(xù)治理：哪些標(biāo)簽可以承諾、如何核驗(yàn)、出現(xiàn)偏差怎么糾偏。這是聚合類出行平臺短期內(nèi)難以彌補(bǔ)的“服務(wù)短板”。

十余年真實(shí)評價(jià)和行程數(shù)據(jù)的積累，也讓“哪輛車更清新”“哪位司機(jī)開得更穩(wěn)”這類問題有了可驗(yàn)證的答案——不是大模型憑空推理，是數(shù)據(jù)閉環(huán)跑出來的。匹配、體驗(yàn)、反饋、再校準(zhǔn)，這個(gè)循環(huán)讓標(biāo)簽越用越準(zhǔn)，也讓“懂你”不再是玄學(xué)。

三重門走完，AI從“聽懂需求”才真正走到了“滿足需求”。

滴滴的克制，來自深耕

服務(wù)業(yè)有一條底層邏輯：只有穩(wěn)定的消費(fèi)，才能養(yǎng)出穩(wěn)定的服務(wù)。

服務(wù)的需求其實(shí)是不固定的，想要穩(wěn)定產(chǎn)出服務(wù)滿意度，靠的其實(shí)是動態(tài)能力。

通勤場景上，大部分人選擇速度快、價(jià)格便宜的車型；全家出去玩，當(dāng)然是油車大六座，老人孩子坐著都舒服。出行需求的不固定，就導(dǎo)致供給端難以穩(wěn)定建設(shè)，但 AI agent 在供需關(guān)系的匹配上，建立了最順暢的通路。

司機(jī)知道“開得穩(wěn)才能接到更多單子”，才有動力持續(xù)保持駕駛習(xí)慣；平臺知道“好標(biāo)簽帶來更高留存”，才有動力持續(xù)治理供給端。這個(gè)正循環(huán)需要時(shí)間、需要規(guī)模、需要真實(shí)的數(shù)據(jù)反饋——不是靠一次大模型升級能跳過的。 這也解釋了AI小滴為什么不炫技，而選擇了重服務(wù)路線。 當(dāng)前AI Agent最流行的敘事是“自主決策、替人完成復(fù)雜任務(wù)”，產(chǎn)品演示競相展示Agent能做多少事、能走多遠(yuǎn)。但出行這個(gè)場景告訴我們，Agent真正落地的標(biāo)志不是“做得有多酷”，而是用戶感受不到它的存在。叫了一輛車，上去，平穩(wěn)，沒有意外，狗子也沒暈車——用戶感受到的只是“這次打車挺順”，感受不到背后的標(biāo)簽拆解、供給過濾、實(shí)時(shí)排序。 好的基礎(chǔ)設(shè)施就是這樣，或者說好的服務(wù)端 agent 應(yīng)該就是這樣。打開水龍頭有水，且水干凈清冽；按下開關(guān)有電，且穩(wěn)定不跳閘。

AI小滴考慮的不是超級入口，不堆功能，只把“說不清的需求”變成“叫得到的車”——這是把AI真正用在用戶最在意的地方，是深度規(guī)劃之后反而顯現(xiàn)出來的克制。

對于 AI agent 的應(yīng)用，無外乎如此。

從2025 年 9 月公測開始，AI小滴目前已經(jīng)支持90多個(gè)服務(wù)標(biāo)簽，能承接扶老攜幼、商務(wù)接待等復(fù)雜場景組合。這些功能聽起來不驚艷，但背后是自然語言理解、實(shí)時(shí)調(diào)度、供給治理三套系統(tǒng)同時(shí)在跑。

當(dāng)然，用戶需求不斷增加，產(chǎn)品功能也需要不斷迭代。三重門都走通之后，下一個(gè)問題自然會浮出來。行程規(guī)劃、動態(tài)改單、多段接駁的自動編排，Agent在出行場景能做的事，遠(yuǎn)不止叫一輛車。 打車，只是滴滴Agent版圖的第一個(gè)落點(diǎn)。但至少，他已經(jīng)滿足了我們平實(shí)、高頻的日常需求，這不就是我們擁抱 AI agent 的意義所在嗎？