阿里最新论文解读：电商Agent到底能不能帮你赚钱

正文约 1200 字 | 阅读大约需要 4 分钟

让 AI 经营网店 365 天：最佳 Agent 表现仅达人类的 27.3%

会调用工具只是起点，长期经营需经受时间与延迟反馈的考验。阿里团队于 7 月 31 日发布关于电商 Agent 的最新论文，揭示了当前 AI 在长周期商业决策中的局限性。

研究中出现了一个典型案例：由 Kimi K2.6 驱动的 Agent 在第 104 天便判定店铺无法挽救。在剩余 523 个决策窗口中，该 Agent 有 355 次未采取任何经营动作，任由时间流逝。相比之下，人类经营者需面对选品占用资金、销量滞后转化为退款差评等复杂连锁反应，错误判断的影响可能持续数月。

MerchantBench^[1]正是为了评测 LLM Agent 这种“长期连贯性”能力而构建的基准，通过 365 天的模拟经营来检验其表现。

01. 为何经营店铺比完成考卷更难

传统的 Agent 基准测试通常任务明确且有清晰终点。而 MerchantBench 聚焦于卖家侧电商，引入了延迟反馈和需求动态变化两大核心挑战。

在模拟环境中，订单生成即扣除采购资金，但售后与发货异常往往滞后出现，Agent 必须追溯问题源头并修正旧决策。同时，需求随 618、双 11 及春节等节点波动，选品成为一项需持续调整的投资组合管理。

图 1：Agent 需同时处理选品、定价、现金流管理及延迟反馈。图源：论文 Figure 2。

论文将这种能力定义为“长期连贯性”^[2]，即 Agent 在长达一年的周期内，是否仍能铭记初始目标，并依据新证据及时修正旧策略。

02. 模拟店铺的运转机制

该环境基于 1688 平台 98,843 条真实商品记录及 36,576 个供应商数据构建，完整保留了全年需求轨迹及大促波动。

图 2：真实年度需求曲线，以及供应商事件和订单异常的分布情况。图源：论文 Figure 3。

每个 Agent 初始资金为 2,000 元现金加 1,000 元保证金，上限上架 50 个商品。模拟器以小时为单位推进，Agent 每 12 小时获得一次决策机会，可调用 26 种商家工具进行选品、定价及订单追踪。

关键难点在于信息差：Agent 只能看到已发生的事实。供应商涨价立即可见，但商品退款率需待订单完成后才知悉。局部失误会通过订单、现金、评分和流量等路径产生连锁传播效应。

03. 顶尖配置表现仅为人类的 27.3%

研究团队测试了 8 个大语言模型，分别接入 ReAct 和 Hermes 两套框架，累计运行 48 个完整年度。对照组包含规则策略及 3 名无电商经验的人类参与者。

表现最佳的组合为"Hermes + Qwen3.7-Max"，其平均期末净资产为 59,460 元，而人类平均水平为 217,610 元，前者仅为后者的 27.3%。值得注意的是，期末净资产^[3]涵盖现金、保证金、在途资金及应收款，比 GMV 更能反映店铺实际留存资产。

图 3：三次重复实验的期末净资产对比，菱形代表均值。图源：论文 Figure 4。

数据还显示，即便排名第一的组合，其三次运行的变异系数高达 55.1%，表明在生产环境中稳定性不足。此外，Hermes 框架整体表现优于 ReAct，但在某些模型上也可能因保存错误策略而导致性能下降。

04. Agent 为何会出现策略漂移

研究发现导致 AI 表现不佳的两个主要原因：

首先是“运营连贯性”^[5]下降。部分 Agent 随着时间推移，主动选品、调价和复盘的频率大幅降低。人类参与者的持续窗口率^[4]为 100%，而 LLM 最低值仅为 10.6%。

其次是“战略连贯性”^[5]漂移。部分 Agent 虽保持忙碌，但动作逐渐偏离期末净资产最大化的目标。它们容易被短期的供应商异常牵着走，或将一次局部经验错误地固化为长期政策。

图 4：人类与 Hermes Agent 在月度活跃度、工具调用及净利润上的对比。图源：论文 Figure 5。

例如，有 Agent 因认定下架弱商品可集中流量，导致货架商品从 47 个锐减至 3 个；另有 Agent 误记经营终点，提前 83 天停止补货。这些看似简单的判断错误，在长周期中被放大，严重影响最终结果。

05. 电商人如何利用 Agent 提效

基于上述研究，现阶段电商从业者应采取"Human in the loop"（人在回路）策略，将 Agent 定位为长期运营执行搭档，而非全权委托对象。

具体落地建议如下：

1. 智能日报与监控：利用 Agent 汇总销售、毛利、广告消耗、退款及库存等数据，自动生成经营日报并标记异常 SKU，减少人工多后台切换成本。

2. 选品初筛：让 Agent 基于销量、毛利、退款率及季节趋势进行货盘初筛，提供上新或清退建议，由人工做最终确认。

3. 大促全流程辅助：在活动前检查预算与风险，活动中监控转化与库存，活动后关联决策与结果进行复盘分析。

4. 售后归因：将退款、差评定位到具体 SKU 和供应商，并将每次调整写入经营账本，保留决策假设与复查日期。

5. 多维指标考核：除 GMV 外，重点监控毛利、现金占用、退款率及店铺评分，防止 Agent 为冲量牺牲利润。

实施时应从低风险环节入手，先开放监控与建议权限，待稳定后再逐步授权自动调价等功能，而批量下架、预算调整等高风险操作仍需人工把控。

27.3% 的数据更像是一条警报：会调用工具仅是 Agent 进入业务的起点。真正能全权委托、具备长期目标导向的电商 Agent，仍有漫长的路要走。

论文：arXiv:2607.28956

代码：GitHub / merchantbench

图片授权说明：论文采用 arXiv 非独占分发许可，原图已标注来源。正式商业发布前，建议向作者确认复用授权。