对话商汤如影：如何用 Agent，实现电商运营的 20 倍能效提升？

01 

五个 Agent，

覆盖电商运营全流程

对于电商来说，成本在涨、压力在增，但团队的带宽却是有限的，需要应对各种繁杂的、重复性工作：跨平台的数据收集分析、手工报表、实时监控等等。

可以说，今天的电商，已经不是人力能稳住的行业了。

在了解了直播行业的真实痛点后，商汤推出了这套由 5 个 Agent 组成的系统，分别对应了直播运营团队中的数字人主播、场控、直播运营、店铺运营和流量投放五个核心岗位。

•直播场控 Agent：像是给主播配了一个看不见的「超级助理」，发福袋、调库存、回应弹幕等所有繁琐的后台操作，都可以自动化处理掉。能够让主播心无旁骛地专注于内容讲解。尤其是针对人数不足的中小商家，也能以极低的成本，得到一个专业团队带来的流畅体验；

•直播运营 Agent：实时监控数据，能够自动化完成直播过程中的数据监控与记录，并在下播后快速生成多维度的分析报表。过去需要 2 小时的复盘工作，现在 20 分钟就能获得数据分析结果；

•店铺运营 Agent：解决的是电商运营中最复杂、也是价值最高的数据分析工作。能够自动化收集散落在不同后台的销售、流量、退款数据，制定营销策略。把过去人力需要耗费半天时间的流程，压缩至 10 分钟。例如，复杂的「退款分析」任务，能自动完成 7 个表格的数据下载与整合，提供比人力更全面、更深入的分析报告，单任务提效 20 倍；

•流量投放 Agent：能够 7x24 小时不间断地监控多个店铺的投放数据，自动汇总小时级报告，把流量投放的人力从 50 分钟的重复性数据整理中解放出来，仅需 10 分钟即可完成。

•数字人 Agent：如影数字人智能体产品，是数字人行业首创，不需要复杂的视频采集和高昂的棚拍成本，拍摄采集 0 成本，通过创新的复刻技术，可以实现「当日复刻，当日开播」。真人主播在黄金时段下播后，数字分身可以立刻接棒，无缝衔接全天 24 小时的直播。

更为重要的是，5 个 Agent 之间是相互协作、数据共享的，形成了一个从店铺策略、 直播运营、场控执行、流量助推、最后到数据回流店铺的端到端闭环链路。

举个例子，店铺运营 Agent 的深度分析，可以自动转化为直播运营 Agent 的监控目标；直播中的实时数据，又会即时反馈给流量投放 Agent 来调整策略。

这意味着，运营实现了自动联动，增长也能随之自动滚动。如影营销智能体，做到了过去任何单一提效工具无法实现的系统级价值。

Q：你们最早是做「如影」数字人技术，后来是看到了什么机会，决定做电商营销 Agent？

如影：我们一开始的想法是，以数字人技术切入直播电商赛道。真人直播是现在电商营销非常主流的手段，但是一场直播需要主播、助播、线上场控、运营小助手等很多人参与，还需要场地和灯光设备。这是一个需要小团队协作才能完成的工作，所以人力和费用投入成本都比较高。

商汤在数字人技术方面有比较多的积累，过去两年，我们也一直在为不同品牌提供货架式电商的直播服务。

在这个过程中，我们有了新的发现。解决了直播本身的问题之后，我们注意到电商代运营公司的 IT 投入非常少，无论是淘宝、美团还是京东。这些公司大多是劳动密集型企业，AI 渗透率很低，即使有 AI 应用，也多是以单点服务为主。比如，通过 AI 生成图片或视频来制作物料，或者用 GPT 做一些分析，都只是辅助某个岗位上某个环节的一部分工作。

经过对这类公司的深度调研后我们发现，如果用 AI 打通各个岗位的工作流程，做成更闭环的产品，将极大地提升整个代运营的效率、分析的准确度，并帮助他们降低成本。这也是我们做这款产品的前提和初衷。

如影 Agent 后台界面

Q：如影营销智能体，号称能顶一个七八人的团队，具体都组合了哪些 Agent？在人力上，能帮商家节省到什么程度？

如影：我们是按阶段来发布营销智能体的产品功能的，现在并没有完全覆盖整个代运营链路的所有岗位，但未来的目标是要通过 AI 助力所有岗位。

目前产品主要覆盖的 Agent 有场控、直播运营、店铺运营、投流运营。此外，还有我们的数字人，覆盖了主播岗位。这五个 Agent 放在一起，能够构成一个相对完整的直播间人员配置。

关于效率提升，我们初步测算，目前产品还是以「AI 辅助」为定位。以场控为例，一个直播间一天可能播 12 到 16 个小时，需要四个场控轮班。我们的场控 Agent 上线后，可能只需要一个人来做关键决策或与用户的沟通工作，其余重复性的、配合主播的工作都省掉了。这个岗位的动效提升已经达到了 75%。

Q：场控 Agent，主要是用了 AI 的哪些能力来实现的？

如影：场控的工作，除了帮助主播回答弹幕问题，还包括发红包、发礼券、调整库存、教用户如何下单领福利、如何快速找到商品等，其中有很多重复性的操作。

产品的 AI 能力主要有两块。第一，AI 会实时监控整场直播的交易情况，包括 GMV、单量、用户画像和数量等数据，进行数据分析后可以告诉主播当前的完成情况以及预估的流量趋势；第二，针对用户在弹幕里的提问，关于福利、商品介绍等咨询，都可以通过我们的 AI 或大模型帮助场控回答。

还有一个重要的功能是「氛围组」。场控功能可以根据主播的情况或场景，适时地调整直播间氛围，把气氛炒起来。比如主播说「1、2、3，上链接」，后续的上链接过程其实都是场控在做的事情。

Q：在实际的直播里，互动环境很复杂，场控 Agent 在做决策和回答问题时，怎么保证稳定性和准确率？

如影：这方面我们已经积累了很多经验。商汤从两三年前就开始做数字人直播，并且是第一家把大模型引入数字人能力的公司，这个能力已经磨合了两三年。在帮助直播运营人员回答用户问题、维护直播间氛围这块，我们积累了很长时间的经验，回答效率和准确率都非常高。

比如，在弹幕回复这块，我们做了非常多的小模块。一场直播间里有很多货品，我们会通过货品链接，构建一场直播的货品知识库。同时，还要根据用户的问题进行意图判断，比如是闲聊，还是咨询某个商品的具体问题，根据不同的意图分不同的路径去回答。在大模型基础上，我们能根据用户的问题，精准回复到具体商品的尺寸、颜色，或者推荐穿什么尺码等。过去一年，我们实际上在不同平台运营着一两千个直播间，在这个过程中不断完善。

Q：相比于早期比较生硬的数字人「坐播」，现在在观感上有哪些提升？

如影：数字人直播技术在这两年确实有一个清晰的迭代过程。

一开始我们看到的数字人直播，往往是以「坐播」为主，也就是前期棚拍一个人坐着讲话，后期通过贴图和口型对齐来制作直播内容。但这样整体感觉会比较生硬，数字人没什么动作变化，互动性也比较差。这是我们认为的数字人直播 1.0 阶段，大家会觉得数字人不那么自然，也比较容易分辨。

现在进入了数字人直播的 2.0 版本。我们希望摆脱这种固化、僵硬的表现形式，更多地利用真人在直播中的数据。真人在直播时，动作幅度会大很多，可能会走来走去，会出画入画，角度变化也很大，还会拿着商品不断演示，与商品有不同的互动。有了这些元素，直播间的真实感会大大提升。

从技术上来讲，我们不断地在往真实感方面努力。技术发展之后，我们发现数字人带货的品类也有了变化。1.0 时代因为是坐播，主要以 3C 产品为主。但在有了更真实的数字人技术后，我们的品类就拓展到了鞋服类。一方面，对于更新迭代更快的品类，我们的技术能够跟上，前一天播的内容，第二天就能用数字人直播。另一方面，体验感更好，数字人可以穿着这些衣服，或者拿着鞋子做展示，整体的互动交互更自然。

Q：这种真实感和互动性，在技术方面是怎么做的？

如影：技术的提升主要来自三个方面。

第一，我们的算法放宽了对真人动作幅度的限制。原来为什么只能坐着或站着播？因为动作幅度不能太大，数字人算法在口型生成上有角度限制，可能只能做到左右正负二三十度。但现在我们的算法能做到正负八九十度，甚至大的侧脸也可以生成口型。

第二，我们对遮挡算法进行了更新。1.0 时代的数字人，商品和脸没有任何接触，手也不能放在脸上，否则会穿帮。现在，不管主播拿衣服挂钩、包包、鞋子，还是展示新做的美甲，在嘴巴和脸附近出现或离开，我们的算法都能很好地适配。

第三，是互动能力的提升，特别是让互动内容和商品本身有了更强的关联性，用户能在互动中得到他关心的商品问题的真实回答。

Q：在「数字人身体」的生成和动作上，AI 技术具体体现在哪些方面？

如影：数字人的生成技术一直都有 AI 的引入。因为生成数字人需要输入视频，并做了很多底层分析，比如人脸情况、人脸重建、遮挡情况等等，本身就有大量的 AI 介入。从 1.0 到 2.0 的技术演进，更增加了更多维度的算法能力，让它能处理更高的复杂度。

Q：在演示中，数字人会拿起衣服展示，这些动作是采集真人主播的动作，还是 AI 生成的？

如影：目前，数字人的动作还主要是采集真人主播在直播中的动作，相当于，主播在黄金时段的一些动作会在其他时间复刻，但他说的话术、回答客户的问题，是数字人直接生成的。

但我们同时也在做技术储备，未来动作可以由 AI 实时生成，这样自然度和丰富度相比现有又会有比较好的提升。另外我们还会将商汤最新的 SekoTalk 实时语音驱动数字人技术应用进来，这样生成的画面内容也会更加自然。

Q：你们提到店铺运营 Agent 能实现 20 倍的提效，这个数字是怎么算出来的？具体解决了运营人员在工作流里的哪些问题？

如影：店铺运营 Agent 是我们的客户最喜欢的一个模块，因为它解决的是电商运营中最繁杂、最耗时的工作。一个店铺运营的日常，除了要制定像「双十一」「双十二」这样的大促策略，很大一部分精力都花在了日报、周报、月报等报表分析上。

这个过程中，数据获取和整理特别繁杂。数据散落在各个后台，比如直播数据、投流数据、店铺数据等等。有些能下载，有些只是个看板，需要运营手动把数据抄下来。我们的 Agent 定位就是把这个链路完全打通，并自动化执行。它会自动去各个后台收集表格，甚至能通过识别截图里的数据，然后生成对应数据表，同时确保准确率。有了这十几个表单后，我们的 Agent 框架会按照预设的分析维度，自动生成最终的报表和分析内容。

20 倍的提效，是我们在一个具体的场景，「退款分析」中测算出来的。在抖音上，退款比例相对淘宝、京东等电商平台要高，所以他们内部非常关注退款原因、比例和用户行为。一个运营真人去做，需要下载 7 个不同的表格，光整理数据就要两三个小时，再花时间去分析，半天就过去了。但我们的如影营销智能体，从下达指令到给出非常专业的分析意见，全程只需要 10 分钟左右。我们的 Agent 能力不是单点的，而是端到端地解决这个岗位的实际问题，融合了行业 know-how 和自动化处理模块。

而且，AI 给出的专业意见往往比我们预想的还要好。因为人力分析时，可能只会重点关注几列关键数据，但 AI 可以覆盖所有数据维度进行评估，给出的报告更全面，对决策的帮助也更大。

店铺运营 Agent

Q：这五个 Agent 是怎么协作的？商家是必须打包使用所有 Agent，还是可以按需单独选用？

如影：其实，做 Agent 特别像做「人」。这五个 Agent 对应五个工作岗位，每个岗位都有相应的工作任务。我们把每个岗位的任务拆解下来，最小的颗粒度就是每个任务。Agent 之间协作的核心，是数据的实时共享。

举个例子，直播运营 Agent 会一直监控直播间的状态并实时采集数据。这些采集下来的数据会进入一个共享池，当店铺运营 Agent 需要这些数据来做分析时，可以直接调用。这样就达成了任务间的协同。

至于购买方式，我们的产品规划很灵活。每个 Agent 都可以单独使用和付费，当然，我们也会提供一个包含四五个 Agent 的打包服务套餐。

Q：品牌自播、中小商家以及头部达人，他们对于这套系统的需求有什么不同？

如影：差异很大。比如场控能力，在达人直播或者流量非常大的直播间，他们可能不太需要我们的场控。因为那种场景更多是靠主播 IP 价值获取认同。如果一个直播间在线人数超过几百人，弹幕滚动速度非常快，大模型来不及响应，问题就已经飘走了。这种情况下，就不需要我们的智能回复，而是主播看到关键问题后直接去讲。所以，流量大的直播间可能更关注如何让主播回答用户问题，如何与用户互动建立连接，关注点是不一样的。

Q：目前，店铺运营是围绕直播场景的深度辅助，还是已经能覆盖店铺更长期的日常运营了？

如影：我们的产品线最早是从数字人直播切入市场的，所以最先关注到的是直播运营相关的数据。现在我们拓展到店铺运营，已经触及到非直播领域了。目前以直播为核心向外延展，还没有 100% 覆盖店铺运营和决策的方方面面，但我们相信最终整个产品线会覆盖完整的店铺运营角色和相关数据。

Q：目前给客户的实现方案，是复刻已有主播，还是提供一个全新的虚拟人身份？

如影：目前跑得比较好的模式，是真人主播和数字人主播结合着来。一个店铺的主播每天能播四个小时，工作量就已经很大了。常见的一种方案是，真人在晚上 6 点到 10 点的黄金时段直播，剩下的一天 20 个小时，我们就可以用这位主播的形象去做复刻。然后就可以实现 20 小时的数字人直播，加上 4 小时的真人直播。这个模式的 ROI 是目前最好的。

Q：淘宝、抖音这些电商平台，对数字人直播会有政策限制或要求吗？比如，需要打上「AI 生成」的标签，会对转化率有影响吗？

如影：目前在淘宝、京东、美团、拼多多这些货架式电商平台，平台会对数字人直播进行管理和打分，如果分数太差可能会有限制，但我们的产品目前在行业里头部的，所以是没什么影响的。

而且对数字人直播，平台会打上标签告知用户。这也是符合国家相关政策。

我们发现，用户其实更关心的是，我想了解的疑问你能不能回答我，比如是不是正品？发货时间多久？有没有我想要的尺码？如果这些问题得到解决，他就会转化下单。所以打标签，对数字人市场反而没什么影响，现在数字人在一些大品牌直播间已经是一个标配产品了。

Q：这套数字人主播系统对于像李佳琦这种强 IP 的 KOL 是不是就不太适用？

如影：确实，这属于达人直播。我们判断短期内，数字人主播在这块和达人还是有差距的，因为达人更多提供的是 IP 价值和情绪价值，超出了我们现有技术能承担的范畴。我们现在更多关注的是品牌自播。

达人直播只占电商直播极少的一部分，大部分的品牌直播间或中小店铺直播间，用我们的技术是完全能满足需求的。

商家使用数字人进行直播卖货

Q：在你们看来，现在影响数字人直播转化率的主要因素是哪些？

如影：流量的因素肯定是有的。比如在夜间，流量肯定会比较差，这就会影响整体交易。另外跟数字人相关的强相关的因素就是数字人主播的互动能力，试想一下如果你看直播的时候主播对你的问题有问必答，句句回到心坎里，那是多好的一种体验。目前数字人形象声音都真假难辨的情况下，出色的互动能力是直播间的关键因素。

Q：条件差不多的情况下，真人直播和数字人直播的转化率有明显差别吗？

如影：过去一两年里，转化数据一直在提升。目前平均来看，数字人能达到真人直播 GMV 的一半左右。在一些比较好的情况下，数字人甚至比真人主播更好。

有几个原因：第一是，一些大的头部品牌，用户对主播的关注度并不高，他更认这个品牌；第二，数字人主播能回答的用户问题范围非常广。比如一个淘宝直播间挂了 200 个商品，用户可能会问到第 182 号链接，真人主播可能介绍不了，一般只介绍主推的十来款。但对于数字人，只要我们提前生成好话术脚本，它就可以介绍任何一个链接的商品，引导用户领券下单。这种情况我们观察到非常多，所以数字人的能力在某些方面已经开始超过真人主播。

Q：如影 Agent 是解决跨平台问题，比如一个店铺同时在京东、淘宝、抖音都有，还是只着重解决单一平台和品类？

如影：这是一个逐渐发展的过程。我们第一阶段还是以抖音平台为主，先从单一平台切入，后续当然会做跨平台的数据整合分析，因为品牌不可能只在一个电商平台运营。

Q：如果像抖音这样的平台方自己也做了类似的 Agent 工具，你们作为第三方的核心优势和壁垒是什么？

如影：核心优势包括：

第一，平台视角和商家视角不一样。平台做 SaaS 或数据报表时，出发点是平台视角，但商家看自己业务时是另一种维度。每个商家根据品牌、品类、经营周期的不同，关注的指标也不同。平台没有动力也没有能力去满足每个商家个性化的需求，这就是我们作为第三方服务商存在的价值和空间。我们从不同的维度上为客户提供服务。

第二，我们积累了深度的行业 Know-how。平台能积累大量数据，但从什么维度去分析，它们其实没有很深的代运营 know-how。这个 know-how 往往是在实战中积累出来的。我们这次发布的产品，是和行业伙伴一起共创的，把行业的经验融合了进去。我们不仅是提供数据，更是用行业的 know-how 提供了更精准的分析维度。

Q：像服装、数码，不同垂直行业的运营「know-how」差异巨大，对电商运营的关注点也会有明显区别。产品是怎么解决这些差异化问题的？

如影：不同平台玩法不一样，同一平台下不同品类的关注点也不一样。我们现在的策略是，优先集中在抖音平台，从相对标准化的品类切入，比如美妆，然后再向服装、3C 等品类延展。后续再覆盖淘宝、京东等平台。这和我们做数字人一样，先从效率优化空间更大的品类切入，逐步扩展。扩展时，会把各个品类的「思维链」和运营思路补充进来，就能覆盖相应品类的分析能力。

Q：这种模式会不会导致产品越做越重？因为不同品类对数据分析的需求不同。

如影：不会。区别主要在于分析的思维链逻辑，比如分析美妆和服装的退货，关注点不一样。但对于整个产品功能来说，都是电商卖货，是相通的。所以我们不需要扩展太多功能，只需要在模型层面，对不同行业的 know-how 和分析能力做相应的扩展和优化就可以了。

可以理解成，我们产品最底层是大模型能力，上层虽然叫「店铺运营 Agent」，但内部可能还有很多按不同品类划分的小 Agent。系统通过意图和品类判断后，会调用不同的小 Agent 去执行后续任务。

Q：希望用一套功能服务所有商家，还是会涉及一些定制化服务？

如影：我们尽量避免定制化，而是提供通用的场景、任务和服务给客户。

Q：现阶段，对于营销 Agent 来说，产品最大的技术卡点是什么？或者说，要把产品从 85 分做到 95 分，最需要突破的是哪一点？

如影：目前，整个链路分成三个环节：数据获取、分析处理、决策，这三块我们已经完整打通了。我们会在未来持续提升模型能力，也就是它处理不同任务的思路，这块是比较核心的。

Q：你们提到电商的 AI 渗透在加速，这个「拐点」是什么时候出现的？在电商之外，这套能力还被你们应用到了哪些有意思的新场景？

如影：数字人的交易占比提升，其实从前年就开始了，但大幅度提升是从去年开始的。我们看到越来越多客户在采购我们的数字人直播产品。这说明我们的算法迭代，让数字人能够触达的品类规模有了很大提升，尤其是在美妆、鞋服类市场。

除了直播电商，我们目前还有两个比较大的应用场景。第一个是教育场景，比如像新东方的老师，一个 60 小时的课程，原来自己拍至少要 60 个小时，但用我们的数字人产品，他只要花一个小时生成自己的数字人，后续 60 个小时的课时，可能花几十分钟就能把课件全部生成了。

另一个是办公场景，比如企业的对内或对外宣传营销视频，包括一些党政机关和媒体，用得也非常多。

还有一个是「数字人面试官」产品，用于招聘的初筛环节。目前，已经和一些央企合作，他们每年有上万人的招聘需求。用 AI 可以在三天左右完成一万场面试，并同时总结出初试结果，大大减少了招聘工作的压力。