戴姗姗，卞丹丹

（南通师范高等专科学校管理学院，江苏 南通 226010）

摘要：人工智能在电子商务行业已得到广泛应用，但大部分企业对人工智能的应用仍停留在“单兵作战”模式，此种模式导致“数据孤岛化”、“决策碎片化”、“生态封闭化”等问题。而另一方面，多智能体系统（MAS）在电子商务关键场景的应用已从“理论概念”走向了“局部现实”，突破了单智能体应用的瓶颈。本文构建了MAS “三层解耦、闭环反馈”的核心架构，通过实例验证了MAS在营销、供应链、支付端三大关键场景中的应用可行性与先进性。然而，MAS在应用中存在这幻觉风险、数据泄露风险、伦理风险等多方面的风险，企业可从技术层面和制度层面降低或化解风险。同时，MAS当下面临的通信协议的标准化与信任授权、分布式决策的“博弈死锁”、实时性与算力成本的矛盾等技术难点，将是未来技术发展的方向。

关键词：多智能体系统；协同机制；数字孪生

一、人工智能“单兵作战”面临的问题

人工智能已被广泛地应用于电子商务领域各个环节。从市场预测、智能选品、个性化精准营销到物流配送，人工智能得到了深度应用并节约了人力成本[1]。然而，目前，在大部分电子商务企业，人工智能的应用仍停留在“单兵作战”阶段，即每一个智能工具只能单独使用，智能体之间工作不能协同、信息不能共享。例如客服AI只能回复消息，图片AI只能出图，仓储AI只负责仓储。智能体间数据不通、算法不同。这种“单兵作战”的模式产生了三个方面的问题： “数据孤岛化”、“决策碎片化”、“生态封闭化”。

“数据孤岛化”是指，企业数据分散于ERP、CRM等企业内部系统以及企业外部各电商平台中。各种数据格式和标准不统一。数据跨工具使用时，需要手动转化、导入、导出。不仅耗费人力资本，而且容易出现差错。数据应用效率低，数据质量差，严重制约了智能体的应用效果。

“决策碎片化”是指，单一模型只能处理局部问题，导致整个商业逻辑被割裂，各部门目标不统一。每个智能体在单点上，以该工作部分的利益最大化为宗旨，不考虑其他商业环节，有导致其他部门付出更大代价的风险。

“生态封闭化”是指，智能体的运行局限于企业内部，或者只能在单一平台使用。例如语言大模型可以给消费者提供建议，但无法直接下单。究其原因为，跨平台的智能体间无法取得信任和授权，限制了智能体的使用场景。

针对上述问题，多智能体系统（Multi-Agent System，简称MAS）尝试把原本割裂的工作任务整合为完整的电商链路，每个智能体不再“单打独斗”，而是共享一个“大脑”，由“局部最优”转变为“整体最优”。多智能体系统，是由多个智能体组成的系统，每个智能体都是独立主体，通过协作、自主完成复杂工作任务。该系统能够通过分布式处理，自主的完成任务分配，调度不同智能体协同工作，完善冲突解决机制。

二、智能体协同技术理论与核心机制

（一）智能体协同技术的特点

多智能体系统具有“自主性”、“协同性”、“反应性”、“社会性”的四个重要特点。多智能体系统的“自主性”是指，能够自主分析企业内部和外部情况，独立做出决策，无需人工参与。例如，可以自行决定企业资源调度，并在冲突发生时自主产出解决方案。“协同性”是指，通过发布共同的目标，建立智能体间的通信协议，使多个智能体可以协同作业。“反应性”是指，系统能够感知外部环境的变化，如消费需求变化、库存激增或锐减等，并以此及时做出调整。“社会性”是指，系统中的智能体具有社交性，智能体之间可以进行信息交互、信任授权、价值交换，从而实现智能体的跨平台执行。

（二）智能体协同技术的通信协议

通信协议是智能体之间进行信息交换和协同作业的标准化规范，主要包括“消息标准”、“交互协议”、“网络寻址与身份认证协议”。

“消息标准”是智能体间交换信息的语法和格式。在目前的电子商务应用中，普遍采用FIPA-ACL扩展的语义协议：先用自然语言描述意图，再由底层协议自动封装为机器可读的指令。这样解决了传统系统中字段不匹配的问题。例如，当营销Agent发现销量激增时，他不仅可以向库存智能体发送预警，还能发送包含意图、上下文、参数的标准语义。语言标准化，打破了智能体间因数据格式不同导致的“数据孤岛”问题。

“交互协议”是智能体间信息交换的逻辑。“合同网协议”是目前应用较为广泛的交互协议。例如，在电子商务企业发布“库存优化”的复杂任务时，选品Agent、仓储Agent和物流Agent分别作为“专家”提供方案。在多轮博弈与协商后，系统最终确定整体最优的方案。这种相互配合的运行方案解决了智能体间“决策碎片化”的问题。

“网络寻址与身份认证协议”是智能体的“身份证”。未来，智能体的运作将不再局限于企业内部。“网络寻址与身份认证协议”旨在解决 在“去中心化”环境中，智能体如何进行身份认证和安全传输的问题。目前在电商行业比较前沿的技术有A2A。例如，阿里巴巴集团在A2A路径下独立研发了ACT协议，以“千问”作为用户意图Agent，以“淘宝闪购”为执行Agent，并链接了“支付宝”Agent，构建了“意图链”。用户可以通过“千问”，直接调用“淘宝闪购”和“支付宝”，在“千问”平台上完成外卖筛选和订单支付，探索解决电子商务“生态封闭化”的问题。

（三）多智能体协同优化技术

多智能体协同优化技术是整个系统在分布式环境下实现全局最优的核心技术。不同于单一智能体的简单逻辑——“指令”到“执行”，多智能体系统的决策是分布式动态博弈的过程。这一过程主要由“基于意图的任务分解技术”、“基于强化学习的博弈技术”以及“基于数字孪生的动态调度技术”三大核心机制构成。

“基于意图的任务分解技术”是协同优化的起点。以LLM驱动HTN，将用户以自然语言表达的任务需求，拆分为多项子任务，并转化为机器可理解的动作序列。例如，“备战双十一”可以拆分为：“销售预测”、“采购补货”“营销发布”等子任务。

“基于强化学习的博弈技术”是寻求整体最优的方案。在系统中每个智能体都有自己的利益函数。通过动态的强化学习，让智能体在博弈中找到纳什均衡。

系统运行在现实世界中的试错成本极高，因此，需要事前推演和纠错。“基于数字孪生的动态调度技术”就是在虚拟世界进行沙盘推演。系统在虚拟世界中建造数字孪生模型，推演各种外部环境变化对系统产生的影响，并演算调整方案，计算出帕累托最优解。

三、多智能体系统模型构建

（一）多智能体系统架构设计

为实现多智能体系统的灵活性，如图1，通过“三层解耦、闭环反馈”的三层架构来实现，主要为数据层、智能体层、协同层。系统通过模块化来实现信息的高效流转。

最底层的为数据层，数据层为系统的“记忆中枢”，涵盖整个链路的所有信息，包括结构化数据（如企业内部的ERP系统数据、CRM系统数据）和非结构化数据（流媒体数据、用户评价数据等）。系统采用“湖仓一体”架构，打破传统的“数据湖（存原始数据）+数据仓库（做报表）”双架构，即采用成本较高的“数据仓库”存储高结构化数据、采用低成本的“数据湖”存储原始数据、低结构化数据。数据在两套仓储体系间传输，需要重写和转化，不可避免的产生误差。而且两套独立系统维护程序复杂、成本高。“湖仓一体”架构打破数据割裂问题，以“湖仓一体”作为多智能体系统的唯一数据底座，兼具数据湖的低成本、与数据仓的高事务处理能力。在系统各智能体，如营销Agent、仓储Agent等，访问并使用统一的数据，奠定了各智能体跨部门、跨平台协同的基石，从根本上解决了“数据孤岛”的问题。使用专用向量数据库，使LLM技术可以为系统感知结构化数据和非结构化数据，并从中提取意图。当用户发起请求后，意图Agent将会把自然语言转化为高维向量数据，并发起搜索，找到最临近数据。总而言之，数据层为上层智能体的运行和决策提供信息基础，贯穿于整个链路。例如，在营销端，数据是分析市场容量、用户画像、智能选品、精准营销的基础；在物流端，数据是采购决策、仓储决策、运输安排的依据。[2]

处于中间一层的是智能体层。智能体层是系统的执行层，是整个系统的“手脚”，向上连接协调层，向下连接数据层。它由多种智能体组成。每个智能体具备独立的感知、决策、行动能力，并能够相互配合。使用RAG技术为智能体增加外挂大脑，允许智能从外部检索信息，保证答案的时效性、并有效遏制幻觉问题。智能体中的函数调用工具，建立与外界的交互，实现自身的行动力。智能体通过标准化的JSON Schema预定义待使用工具的名称、参数。这样，当用户输入指令后，系统识别意图，调用工具和参数。例如调用ERP系统的API接口，并将数据转化为自然语言反馈给用户。打破了数字世界和物理世界的壁垒。总之，每个智能体在各自的垂直领域依托数据层，发挥各自的专业优势。而各个智能体均可由LLM驱动，并具备“备工具调用”与“函数调用”的标准化封装，实现在收到协同层指令后，有序完成指令，并将结果反馈系统。

最上层为协同层。协同层是系统的“神经中枢”和“大脑”，具备“意图拆解引擎”、“动态沙盘模拟”“资源调度中枢”等功能。它从整体企业利益出发，在多个智能体发生资源冲突时，动态制定并调整决策方案。首先，系统使用LLM技术来驱动分层任务网络（HTN）。例如对于备战“双十一”这样较为宏达的任务目标时，由LLM将任务进行转化和拆解，分解为关于“流量”、“库存”“资金”等向量的子任务。并驱动HTN，将子目标排序为有严格逻辑依赖的有向无环图（DAG）。譬如：购物节前预热、供应链备货、释放信贷额度等。然后，多智能体系统通过强化学习（MARL），使用多智能体深度确定性策略梯度（MADDPG）算法，以整体最优分配冲突资源。例如，当营销Agent希望大量囤货，以支持销售，而供应链Agent倾向少量囤货，防止滞销。协同层将构建函数，让两个智能体在虚拟环境中反复对抗训练，每一次对抗，协同层将进一步调整权重参数，直至找到纳什均衡点。协调层是在不断强化学习中找到解决方案，而非简单下达指令。最后，协同层利用数字孪生技术（在虚拟空间构建物理世界的镜像环境），在虚拟世界中，不断进行沙盘推演，最大限度降低现实世界的风险和试错成本。

三层体系为“解耦”关联，而非“耦合”连接。具体来说，系统采用了模块化的标准封装策略，使系统如乐高拼图，每个模块独立演进。“解耦”设计为系统带来了高灵活性，例如，当系统新增业务板块，并替代原来板块，系统只需替换单个或几个智能体，灵活组合，无需重组整个系统，降低模块间的依存性。当发生技术迭代或者业务模式变革时，某一模块的颠覆性变更，不会影响整个系统的运行。

图1   “三层解耦、闭环反馈”的三层架构模型

（二）多智能体系统在电商关键场景的应用

截至2026年5月，多智能体系统虽然还未实现电商全链路的覆盖，但该技术已经走出实验室，在电子商务关键场景中得到局部应用。在电商头部企业的商业实践中，该技术已经在营销端、供应链端、金融端首先试水成功。

1.AI全链路营销

在营销端，首个多智能体系统已经成功上市。2025年9月，在腾讯全球数字生态大会上，“绝味食品”，发布了其与腾讯合作研发的“AI会员智能体”。该智能体实现了AI全链路营销。它的特殊之处在于，它并非单一智能体，而是由五个子智能体组成：“人群洞察Agent”、“权益设计Agent”、“智能选品Agent”、“个性化内容Agent”、“数据自动复盘Agent”。“人群洞察Agent”负责用户数据、分析用户画像；“权益设计Agent”负责分析价格敏感度，并设计优惠方式与力度。“智能选品Agent”负责基于需求与预测进行智能化选品。“个性化内容Agent”负责根据用户画像，设计个性化文案与推广平台；“数据自动复盘Agent”负责反馈行为结果并动态调整方案。

在该系统下，营销人员只需要通过对话模型输入营销需求，整个系统就开始自动运作：“人群洞察Agent”筛选出目标人群，“权益设计Agent”针对人群设计优惠券，“智能选品Agent”筛选出符合目标人群需求的商品，“个性化内容Agent”自动生成专属推广内容并进行推送。

“绝味食品”对该系统进行了红蓝对抗实验，一组使用人工操作，另一组则使用多智能系统全自动化操作。实验结果表明，MAS系统的销售额是人工组的3.1倍；AI生成内容点击率是人工组的1.8倍；AI运行下的订单点击转化率是人工组的2.4倍，企微好友被删除的概率降低47%。[3]

2.AI供应链

京东研发的多智能体系统在供应链端得到实际应用。京东“亚洲一号”构建了一个“中央决策+分布式执行+高速通信”的多智能体系统。“中央决策”是整个系统的“超脑”，负责进行中央调度和决策。“超脑”每天处理着上亿量级的订单，运算并规划搬运机器人的行进路线，使搬运机器人既不发生碰撞又运力最省。例如当发生冲突时，例如多个搬运机器人需要同时通过较窄的通道时，系统将进行博弈运算，分配优先级。“分布式执行”是指，在“亚洲一号”仓库内有上千甚至上万个不同类别的搬运的机器人，京东取名为“狼族”，具体有“地狼”、“天狼”、“智狼”等，每个搬运机器人都是独立的智能体Agent，它们能避让障碍物、能自主定位、能自主执行。这些“狼族”在“超脑”的统一指挥下24小时不间断执行任务。仓库全域的覆盖5G高速通信，保障“超脑”、“狼族”的信息快速流转。有些“亚洲一号”仓库还实现了“黑灯仓库”，即全流程无人化操作。在昆山的“亚洲一号”从入库、存储、分拣、出库，整个仓库都由多智能体系统完成，无需人工操作。[3]

3. AI跨平台支付

多智能体系统在电子商务支付领域尚属于探索和尝试阶段。2026年1月，“千问app”、“淘宝闪购”、“支付宝”、“大麦”等平台联合发布了面向Agent开放技术协议框架ACT。该协议搭建了“委托授权域”、“商业交互域”、“支付服务域”、“信任服务域”四大核心基础设施标准。旨在打通智能体的跨平台协作。在该协议框架下，用户可以在“千问app”上完成诉求表达、智能选单、支付一站式服务。但值得注意的是，目前该框架下，选择订单、支付的等环节仍需人工操作或者授权。

四、风险与防范措施

多智能体系统在提升效率与节约成本的同时，也存在着幻觉风险、数据泄露风险、伦理风险等多方面的风险问题。

（一）幻觉风险与防范

在单一智能体运行下，幻觉风险虽然会导致输出内容失真，但错误仅局限在当前对话中。而在多智能体系统下，幻觉将会被智能体误认为事实传导给下一个智能体。从而引发“幻觉级联”，也就是说，幻觉由于一级级的传导，使损失成指数级增长，最终可能引发整个商业链的连锁反应，引发商业灾难。例如，需求预测Agent由于产生幻觉扩大了需求量的计算，而后续生产Agent、存储Agent、财务Agent都将根据幻觉做出错误判断并执行，最终引发库存积压、资金链断裂等问题。

因此必须严格防控幻觉风险。一方面，可以引入“交叉验证机制”，即通过反复划分数据集，多次学习、验证结果，从而提升输出结果的可靠性和稳定性。另一方面，设立独立的核查Agent，专职负责对数据进行多源核查，并嵌入核查机制，即要求输出内容必须溯源，若无法溯源，则激发人工审核通道。确保系统不执行无依据的命令。

（二）数据泄露风险

在数据安全与用户隐私防范方面，由于企业数据在多平台流动，增加了数据被攻击的风险。主要体现在两个个方面：第一，“中间态”数据泄露风险。“中间态”数据是指，在智能体数据传输时，产生的缓存数据。当系统架构较为复杂时，处于边缘的轻量化模型一旦因漏洞被攻破，攻击者可沿链路爬至核心数据库。第二，模型反推演风险。攻击者可能通过模型共享数据反向推演出用户数据。例如，营销Agent测绘出用户画像，攻击者可通过分析模型输出梯度反向推演用户年龄、住址等隐私数据。[4]

针对数据泄露风险问题，企业可以一方面引入“同态加密”技术。“同态加密”技术，区别与传统的先解密再计算，它允许智能体之间使用密文直接传输、计算。即使防御系统被攻破，攻击者盗取的数据也将是密文形式，无法破解、使用。另一方面，可使用“零信任”机制。在传统防控中，内网间的传输往往被默认为是安全的。而“零信任”机制则认为，即使是内网的智能体，在请求调用数据时，也必须经过身份验证和核查，做到一事一认证。这样就算边缘智能体被攻击、非核心数据被盗，系统也能及时阻断攻击者沿逻辑链攻破核心数据库。用户隐私数据、核心数据可多一道隔离。

（三）伦理风险

多智能体系统由于具备自主决策能力和动态博弈能力，因此相较于单智能体，多智能体系统的伦理风险更加系统化和隐蔽化。主要体现在三个方面：第一，大数据杀熟。系统盲目追求利益最大化，可能通过算法和学习，进行差别定价。例如，系统学习用户数据，甄别出价格敏感用户和不敏感用户，从而根据推算个体最高接受价格定价。这在伦理上产生了价格歧视。对企业而言，短期可获得利益，但长期看，易出现信任危机。第二，版权侵权。在营销端，内容生产Agent的创作依赖海量内容的训练。而这些训练内容有的未经授权，导致智能体输出内容易发生侵权问题。第三，幻觉问题。系统还可能存在为实现某一目标，而偏离人类价值观的情况。例如，为了实现营销目标，而在内容发布中编造虚假稀缺情况。

为防范伦理风险，可从技术层面和制度层面双管齐下，建立AI信用体系，具体而言，包含两个方面：一方面，以技术打破算法黑盒。对于价格歧视问题，强制系统定价时解释逻辑链；针对版权问题，利用数字水印技术甄别素材是否存在侵权；针对幻觉问题，利用RAG，要求系统对产出内容必须溯源，无法提供溯源的，坚决不使用。另一方面，在制度层面，建立人工核查机制。确保人的最终否决权。例如，在制定价格时，引入人工核查机制，定期对系统日志进行人工复核，核查系统是否存在基于年龄、收入、地域等信息的价格歧视行为。

五、关键技术挑战

多智能体系统目前在电子商务的应用还仅局限于关键场景的应用，要全链路、跨平台的协同运作还需要突破较多技术关卡，主要有三个方面的瓶颈：通信协议的标准化与信任授权、分布式决策的“博弈死锁”、“实时性与算力成本的矛盾”。

跨平台“生态链”的构建，必须解决通信协议的标准化与信任授权。例如，支付体系至今无法实施自主支付，主要是技术安全与信任问题。再如，智能体如淘宝选品Agent与顺丰Agent由于技术标准不同，存在语义理解的偏差，即使微小的偏差也使执行层面产生巨大偏差。安全以及语义统一，是多智能体系统落地必须要攻克的技术难题。

分布式决策的“博弈死锁”，是指系统的决策层在面临在成百上千的智能体同时争夺资源时，容易因巨量的博弈计算而出现宕机。由于每个智能体都能独立运算，当智能体数量过多，或工作流程过于复杂，对于中央处理的算力压力是致命的。如何解决算力限制下的逻辑运行通畅是未来技术关键。

另外，在电商大促场景下，如“双十一”，“618”，业务量级激增，导致对算力的要求成指数级增长，如果企业全链路部署多智能协同系统，则算力成本极高。如何通过蒸馏技术、缓存技术等实现算力节约，让多智能体系统普及的前提。

多智能体系统已经在电子商务领域显现出巨大的潜力，也是未来电子商务的发展趋势。这不仅是技术的革新，更可能带来商业逻辑、商业模式的颠覆性革命。要实现电商全链路的多智能体协同化工作，还有许多技术壁垒需要攻克。

参考文献：

[1]董波.大数据与人工智能在电商运营中的应用研究[J].营销界，2025（13）：16-18.

[2]吴树杰. AI驱动的电商转化新逻辑[J]. 中国电子商情，2026（3）：46-48.

[3]张福仁.人工智能在电商物流仓储管理中的应用[J]. 中国物流与采购，2025（19）：185-86.

[4]曹乃佳.关于人工智能营销赋能跨境电商发展的策略分析[J]. 商场现代化，2025（3）：57-59.

基金项目：江苏省哲学社会科学项目“基于生成式人工智能南通高职电商人才培养改革与创新研究”（项目编号：2024SJYB1325，主持人：戴姗姗）；江苏省青年教师企业实践项（项目编号：2024QYSJ099）；南通师范高等专科学校校级教改课题“家纺产业升级下通师高专直播电商 人才培养模式探究”（项目编号：TSGZ2023J02）