Lumıary

Przetłumaczono z angielskiego oryginału. Liczby i źródła pozostają bez zmian. Przeczytaj angielski oryginał

Zgłoszone przez firmęDziała od mar 2026Dodano paź 2026

JD.com

JD.com uruchamia CogSearch, wieloagentowe wyszukiwanie AI oparte na małych modelach Qwen3

Badacze JD.com opisują CogSearch, tryb wyszukiwania AI w JD.com, który pomaga kupującym w złożonych decyzjach zakupowych, zbudowany na modelach Qwen3 o otwartych wagach. W dwutygodniowym teście na 10 % ruchu na żywo JD podaje spadek kosztu decyzji o 5 % i wzrost konwersji o 0,41 %.

Zwiększyć przychodyPoprawić doświadczenia klientów

Kluczowe liczby

Przepisane dokładnie ze źródeł. Skopiuj każdą liczbę wraz z przypisem.

5 %

Spadek kosztu decyzji (średnia liczba wyszukiwań i kliknięć na transakcję) w dwutygodniowym teście A/B online na 10 % ruchu na żywo; artykuł nie podaje, czy jest to zmiana względna, czy bezwzględna1

0,41 %

Średni wzrost współczynnika konwersji użytkowników (zrealizowane zamówienia na unikalnego odwiedzającego) w tym samym teście A/B; artykuł nie podaje, czy jest to zmiana względna, czy bezwzględna1

ponad 30 %

Wzrost współczynnika konwersji dla intencji wymagających decyzji, takich jak interpretacja produktu, wybór prezentu i porównanie funkcji, w tym samym teście; zmiana względna lub bezwzględna nie została podana1

1,3

s

Średnie opóźnienie end-to-end CogSearch, w porównaniu z 800 ms w tradycyjnym wyszukiwaniu1

Ile to kosztowało

KosztNie ujawniono
ZespółNie ujawniono
HarmonogramNie ujawniono

Koszt, wielkość zespołu i harmonogram nie zostały ujawnione w źródłach.

Problem

Wyszukiwanie w sklepach internetowych jest zbudowane do wyszukiwania i szeregowania produktów. Kupujący z trudniejszym pytaniem, takim jak jaki prezent wybrać lub czym różnią się dwa produkty, kończą z wieloma wyszukiwaniami i kliknięciami. Zespół JD.com chciał, żeby wyszukiwarka pomagała kupującym decydować, a nie tylko znajdować.

Co zbudowano

CogSearch to grupa współpracujących agentów AI wewnątrz wyszukiwarki JD.com. Planner dzieli potrzebę kupującego na zadania, Executor zbiera informacje o produktach i z sieci, Guider zadaje pytania uzupełniające, by zawęzić wybór, a Decider tworzy uporządkowaną rekomendację zakupu. Kupujący docierają do niej przez opcjonalne wejście „AI Search”.

Jak to zrobiono

Planner i Guider działają na Qwen3-4B, a Decider na Qwen3-8B. Oba to modele o otwartych wagach (open-weight), czyli takie, których pliki są opublikowane, tak że firma może je dostosować i uruchamiać. JD wytrenowało te małe modele przez destylację, czyli uczenie ich naśladowania większego modelu, tu DeepSeek-R1. Aby zmieścić się w limitach szybkości, użyło też 8-bitowej kompresji modeli, buforowania i równoległego harmonogramowania. Artykuł nie podaje kosztu ani wielkości zespołu.

Wyniki

W dwutygodniowym teście A/B online na 10 % ruchu na żywo kupujący z dostępem do CogSearch potrzebowali o 5 % mniej wyszukiwań i kliknięć na transakcję (koszt decyzji). Ich ogólny współczynnik konwersji wzrósł średnio o 0,41 %. Dla intencji wymagających decyzji konwersja wzrosła o ponad 30 %. Artykuł nie podaje, czy są to zmiany względne, czy bezwzględne. Średnie opóźnienie wyniosło 1,3 s, wobec 800 ms w tradycyjnym wyszukiwaniu. Artykuł mówi, że CogSearch został od tego czasu w pełni wdrożony.

Wnioski dla Twojego projektu

  1. Warto skierować tryb AI na zapytania, przy których kupujący mają trudności. Podany wzrost skupiał się na intencjach wymagających decyzji, a nie w całym ruchu.

  2. Warto mierzyć wysiłek obok sprzedaży. JD śledziło koszt decyzji, czyli liczbę wyszukiwań i kliknięć potrzebnych na zakup, obok konwersji.

  3. Warto używać małych modeli tam, gdzie liczy się szybkość. JD wybrało modele z 4 i 8 miliardami parametrów, by zmieścić się w limitach opóźnienia, a mimo to wypadło wolniej niż zwykłe wyszukiwanie.

  4. Warto ostrożnie czytać testy z dobrowolnym udziałem. Użytkownicy sami wybrali nowy tryb, co może wypaczać porównanie.

Zastrzeżenia

  • Liczby pochodzą z artykułu napisanego przez pracowników samego JD.com i nie zostały niezależnie potwierdzone.
  • Artykuł nie podaje, czy zmiany o 5 %, 0,41 % i „ponad 30 %” są względne, czy bezwzględne. Nie podaje też przedziałów ufności ani dat testu.
  • Dostęp odbywał się przez opcjonalne wejście „AI Search”, więc użytkownicy, którzy je wypróbowali, mogą się różnić od tych, którzy tego nie zrobili. Artykuł tego nie omawia.
  • CogSearch jest wolniejszy od zwykłego wyszukiwania: średnio 1,3 s wobec 800 ms, co łagodzi strumieniowanie odpowiedzi.
  • Artykuł nie podaje daty wdrożenia. Mówi, że CogSearch „has since been fully deployed” (tłumaczenie: „został od tego czasu w pełni wdrożony”). Podana data wdrożenia to data przesłania artykułu, 12 marca 2026 (data ogłoszenia); faktyczny start był wcześniejszy lub nieznany.
  • Koszt treningu, wielkość zespołu i skala wdrożenia poza testem na 10 % nie zostały podane.

Źródła

  1. CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search

    arXiv (authors from JD.com) · 2026-03-12 · Publikacja naukowa · arxiv.org

Streszczone własnymi słowami na podstawie powyższych źródeł. Zauważyłeś błąd? Zobacz sprostowania.

Powiązane przypadki