深度 · 小互解读
DoorDash 如何做好 AI 购物助手：不全靠模型，靠工具和记忆落地
记忆系统上线后杂货结账转化率提升约24%，自动化评测让日均评测量从1条人工反馈扩到2000+场。
速览
- DoorDash 推出 Ask DoorDash，一款通过自然语言对话搜餐厅、规划三餐、建购物车的 AI 助手，目前在美国部分地区 iOS 端灰度上线。
- 架构把编排智能体、专业化的领域智能体、共享工具层、托管服务拆成四层，业务逻辑收在共享工具层，不塞进提示词里。
- 三层记忆系统（长期记忆离线批处理、会话内记忆实时更新、对话记忆显式提取）支撑个性化，7天生产数据显示：有记忆支持的生鲜杂货结账转化率相对提升约24%、客单量提升17%、对话轮次减少7%，餐厅推荐转化率提升15%。
- 自建评测框架用AI模拟用户跑录制好的工具数据，日均自动评测超2000场，智能体质量分提升8分，回归测试从6小时压缩到20分钟，支撑了一次把延迟降低35%且不掉质量的模型底座迁移。
⚑ 立场提示：这篇解读的信息来源是 DoorDash 官方工程博客三部曲和联合创始人 Andy Fang 的公开表态，文中转化率、客单量、评测规模等数据均为 DoorDash 自评的7天生产窗口结果，未经第三方审计。
1发布动态
DoorDash 上线了什么
DoorDash 从2026年6月起连续发布三篇工程博客，详解一款刚上线的 AI 购物助手 Ask DoorDash：它的运行时架构、记忆系统，还有支撑它上线的评测框架。
用一句自然语言描述想吃什么、想买什么，AI 就能帮你搜餐厅、规划三餐、建好购物车，目前已经在美国部分地区的 iOS 端灰度上线。
◆
硬事实：评测团队把日均质量评测量从大约1条员工人工反馈，扩到了2000多场自动化评测；一次完整的回归测试，从人工6小时压缩到了20分钟。
目前只开放了两个场景：餐厅搜索和杂货购物，安卓和网页端还没上。早期数据显示，七成左右的消息都是找东西一类的需求，比如“附近的拉面”“今晚吃什么”“这周素食晚餐怎么买”；大部分用户会在同一个对话里来回改好几轮，边聊边调整，而不是问一句就走。DoorDash 也提到，目前生产环境里最容易出问题的地方是“信息对不上”：推荐了一家其实已经关门的店，报的价格和货架不一致，或者说加进购物车的东西其实没加进去。修法都是同一个思路，让 AI 每一句涉及事实的话，都必须真的调用一次工具去查系统里的真实数据，而不是凭上下文猜。
2运行轨迹
一次点单背后发生了什么
一句“给我建一份60美元的两人素食购物清单”，看起来是一句话，背后其实跑了不少东西。DoorDash 举了一个三轮对话的真实例子，能看出哪些步骤真的要过AI，哪些步骤根本不用。
Turn 1“给我建一份60美元的两人素食购物清单”
查用户记忆(饮食偏好/品牌/历史订单)
搜附近开着的杂货店
查单店库存
核对价格/优惠
规划展示widget
生成回复文案
Turn 2用户直接在购物车widget上换意面品牌、去掉一瓶已经有的酸奶、改数量
直接改购物车对象
小计实时按最新库存价格重算
Turn 3“再加点沙拉的食材”
读取带用户编辑的购物车
在同一家店核对库存
在剩余预算内追加食材
渲染更新后的清单
过AI模型不过AI，直接改数据
Turn 2 是关键的一处设计：用户在购物车widget上点点改改，这些操作全部直接改动购物车这个对象本身，不会再走一次AI模型判断，AI处于空闲状态。这意味着最耗时间的“调用AI”这一步，被从大部分交互里砍掉了。
6~8次
Turn 1 单轮触发的AI调用次数，外加多次工具调用
20~30秒
Turn 1 端到端耗时
DoorDash 官方博客给出的原始调用轨迹图：一轮杂货购物请求背后串起的AI调用与工具调用节点。 · 来源：DoorDash 工程博客
3系统分层
四层架构怎么分工
Ask DoorDash 不是重新搭了一套系统，是在 DoorDash 现有平台上面加了一层。整个架构分成四层，业务逻辑只住在其中一层，不写进提示词里。