Booking.com的模块化AI代理策略使准确率翻倍

1 hour ago7 min read

在部署生成式AI的狂热竞赛中，旅游业面临着一系列独特的严峻挑战：巨大的规模、微薄的利润，以及要求即时、个性化且准确信息的客户群。对于每天处理海量查询的Booking. com平台而言，早期围绕单体AI代理的炒作感觉像是一个潜在的结构陷阱。该公司AI产品开发负责人Pranav Pathak并未急于采用一刀切的大型语言模型，而是揭示了一种既严谨又优雅模块化的策略——一种混合方法，已在检索、排名和客户互动等关键任务中将准确率提高了一倍。这并非追逐最新的模型发布，而是构建一个弹性、经济高效的情报层。其核心理念是分层模型架构：小型、旅游专用模型处理高流量任务的廉价快速推理；更大型、能力更强的LLM则保留用于复杂推理和细致入微的理解；至关重要的是，针对精度不容妥协的场景，内部构建了领域调优的评估框架。这使得Booking.com能够避免对每个查询都使用像GPT-4这样的模型所带来的延迟和成本陷阱，同时仍能在真正重要的地方发挥其威力。Pathak以系统架构师的精准度阐述了该行业的核心困境：“你是构建非常、非常专业和定制化的系统，然后拥有一支由上百个代理组成的‘军队’？还是保持足够通用，只拥有五个擅长通用任务的代理，但随后不得不围绕它们进行大量编排？我认为我们仍在试图找到这种平衡，整个行业也是如此。”他们的答案倾向于可逆的决策，并避免锁定成本高昂、僵化路径的技术“单向门”。这种务实精神延伸到了他们的基础工作中。早在“代理化”成为流行词之前，Booking. com实际上就已经通过一个自研的对话推荐系统偶然涉足了这种架构。Pathak描述了一个最初的意图检测模型，规模大致相当于BERT，它解析客户输入以将问题路由到自助服务或人工代理。该系统的设计——分类意图、解析结构并调用特定工具——“与最初的几种代理架构非常、非常相似。”从这个经过验证的核心出发，通过添加一个LLM编排器来分类查询、触发检索增强生成并调用API或专用模型，他们以最小的颠覆性改造扩展成了一个完整的代理栈。成果是可量化的：主题检测准确率提高了2倍，进而将人工代理的带宽释放了1.5到1. 7倍。这种对复杂、先前无法分类的查询的自动化处理，其效果会随着时间推移而复合，通过让人类专家专注于真正新颖、高风险的问题（例如凌晨2点被锁在酒店外的一家人），直接提升了客户留存率。除了客户服务，该策略还实现了深度个性化，而不会踏入“令人不适”的领域。最近推出的自由文本过滤器个性化功能（用户输入“按摩浴缸”等请求即可即时显示相关过滤器），揭示了公司甚至未曾考虑过的潜在需求。这超越了基于点击流的猜测，转向理解用户表达的意图。然而，Pathak敏锐地意识到客户记忆的伦理和技术复杂性。“管理记忆比实际构建记忆要困难得多，”他指出，并强调虽然技术能力存在，但部署必须受到明确同意和自然感觉交互的约束，以避免疏远用户。自建与购买的计算是另一个细致评估的领域。对于横向、通用的监控，第三方解决方案就足够了。但对于强制执行品牌特定指南或确保高风险场景中的事实准确性，Booking.com会构建自己的评估框架。延迟是模型选择的一个关键驱动因素；对于搜索和推荐，用户的耐心为零，因此倾向于更小、更快的模型，而更慢、更稳健的模型则保留用于幻觉不可接受的任务。对于其他开始AI之旅的企业，Pathak的建议令人耳目一新地脚踏实地。从简单开始。在投资复杂、定制化基础设施之前，使用开箱即用的API来寻找产品市场契合点。“不要过早地锁定自己，”他警告说。“不要做出那些‘单向门’式的决定，除非你非常有信心那就是你想要采用的解决方案。”在一个常常由技术FOMO驱动的生态系统中，Booking. com的故事是应用AI务实主义的典范——一个蓝图，表明战略性的模块化，而非原始模型大小，才是构建可扩展、准确且可信赖的智能系统的真正路径。.

#Booking.com

#AI agents

#conversational AI

#personalization

#enterprise AI strategy

#hybrid models

#weeks picks news