这听起来像是用户的福利，但仔细想想，把购物决策交给一个由平台训练、为平台服务的AI。这到底是更好的购物体验，还是一套更隐蔽的流量收割？ 豆包的回答像做过功课的朋友，先给需求过滤（“不适合大型游戏，优先8G+256GSSD”），再推具体商品卡，附价格、配置、适用场景。底部“选购提醒”主动警告“i7独显低价机”多为老款改装陷阱，给出配置底线。最后追问用途，引导对话继续。 点开商品卡可以直接进入下单页面、付费，闭环流程比较顺畅，但不知道这个商家的推荐逻辑，以及是否是推广的结果。点击“查看更多商品”可以选择更多店铺购买，排在首位的是一个直播间。随机测试了几个其他的产品，也基本都是把直播间放在首位，说明在豆包的流量分发逻辑里，直播间的权重高于普通商品列表。 千问识别了需求，按使用场景做了分类推荐，但是信息的结构化呈现不如豆包。而且千问没有直接给产品购买链接，而是进入一个商品结果页，需要用户自己筛选，给的产品差别也比较大，需求匹配不是很准确，比较像用几个关键词搜出来的淘宝结果页。 千问比较人性化的推荐了一个性价比选项：买一个二手的苹果MacBook，但标注售价6237元，明显超出3000元预算，属于明显的预算匹配失控。 小结：豆包把决策做完再给你，但最终购买的落点突出直播间；千问把商城入口打开让你自己决策，整体感觉智能程度相对差一些，同时在多个测试中，千问都推荐了“二手产品”，这倒是体现了阿里的电商生态丰富性优势。 豆包直接亮出“不对”，回答很明确，且分场景说清楚差异，附实时商品卡，追问是否需要按预算推具体型号。这里有明显的商品推销动作，但还算可接受。 小结：两家都合格。但显然豆包的推销意识更强，会主动发现机会卖货。千问的回答更像纯工具，不过也带出了一点AI的通病，过于谨慎，显得不够果断、专业。 豆包先提炼核心需求，“对焦快、追焦稳、直出好看，优先APS-C微单”，给三套预算方案，每套都有机身价+剩余预算配镜头的建议。商品卡来自官方旗舰店，数据可查。 但商品卡完全错位，推荐“全新微单方案”挂的是53元的库洛米儿童玩具相机，“二手全画幅方案”挂的是7.78元的玩具相机。其他商品也都价格差异巨大，不太符合8000元预算的需求。 小结：豆包在高客单价场景下表现相对稳定，推荐逻辑清晰；千问的文字判断没问题，但商品卡匹配出现严重错误，语言层和商品层之间明显没有打通。 千问直接坦白：作为淘宝AI购物助手，没办法帮你查京东和拼多多的实时价格。然后老实地给出淘宝内部的省钱攻略，价格是真实拉取的数据。商品推荐上也比较克制，不是上来就直接推商品链接，而是问过用户之后再推。 第一，豆包既没有接入京东，也没有接入拼多多，这套比价数据是搜索相关资料后由模型生成的，不是实时拉取的。以“淘宝普通版636元（88VIP+券+国补）”为例，这是叠加多重优惠后的理论最低价，普通用户实际上拿不到。 第二，它又开始主动卖货了，答案底部挂的商品卡是自家抖音商城的AirPods 4，和需求里让它分析的三个平台没有任何关系。再次体现了强推销逻辑。 千问说“比不了”，诚实的说出了局限。豆包给了答案，但用户看到一套完整的比价表，会自然地以为这是实时真实数据，而实际上可能是一个幻觉。在购物决策这件事上，一个编出来的答案比没有答案更危险。 小结：这组测试最能看出两家的底层策略差异，也明显的反映了生态的局限性。这种移动互联网时代的“花园围墙”在AI时代依然无解。有意思的是，豆包推销抖音电商产品的意识更激进，有机会就往购买路径上引；千问反而更克制，更多时候是给信息、给方向，而不是直接递商品卡。 淘宝天猫的核心商业模式是广告和竞价排名。如果千问的推荐真的完全按“最适合用户”排序，大量付费商家的广告投入就失去了意义，整个生态的商业逻辑就断了。已有媒体实测发现，千问推荐的商品高度集中在付费权重更高的商家范围里，销量上万的高性价比平价款被压到了数十位之后。 豆包同样如此。它的推荐池是抖音商城，商品卡点进去首先出现的是直播间，这不是巧合，而是字节电商流量分发逻辑的体现。AI推荐的背后，是平台希望你进入哪个消费场景。 传统搜索结果里，广告和自然结果之间还有一个“广告”标签。AI推荐说的是“根据你的需求为你精选”，用户几乎无法分辨推荐背后是算法还是商业。包装越自然，越值得警惕。 豆包在推荐卡片这一层做了不错的过滤，但点开“查看更多商品”之后，预算约束消失了，3000元预算的笔记本测试里，¥3739的新款和¥4499的高配版照样出现。千问在预算匹配上同样失控，MacBook Air那张价格高达6237元的商品卡就是例证。 这暴露了当前AI购物产品共同的工程短板：AI的决策层和平台的商品召回层之间，没有打通。AI理解了用户需求，给出了有判断的推荐，但一旦用户离开这个推荐卡片，就切换回了传统电商的逻辑，按销量、按广告权重、按平台利益来排序。AI只影响了购物链路的第一步，没有影响后面的每一步。 更根本的问题是：商品数据的标准化和实时同步本身就是一个巨大的工程难题。豆包的比价数据依赖模型生成而非实时拉取，千问的商品卡偶尔错误匹配到儿童玩具，本质上都指向同一件事。在电商这个高度依赖实时库存、实时价格、实时促销信息的场景里，大模型的知识更新速度还跟不上商品世界的变化速度。 AI购物的核心承诺是用自然语言表达需求，比输入关键词更高效。但从测试结果来看，这个承诺主要在“需求明确+标品+决策简单”的场景下成立。 问“预算3000的笔记本”，AI能给出不错的回答。但真实的购物决策往往不是这样的，用户的需求是模糊的，比较的维度是多维的，信任的建立需要时间。当豆包给你推荐一台相机但你不知道商品卡的来源是否可信，当千问的比价只覆盖淘宝一个平台，用户会本能地打开另一个App去交叉验证，这时候AI购物不但没有提升效率，反而多了一个确认步骤。 功能层面，无论是豆包还是千问，目前跑得比较顺滑的还是外卖、标品这类低决策成本的品类。618的主战场，家电、手机、电脑、服装等这些高决策成本、强比价需求、重信任背书的品类，AI推荐的可靠性和用户的信任度，还远没到可以“代劳”的程度。 用户习惯层面，从搜索式购物切换到对话式购物，是一次认知方式的迁移，不是一次App更新能完成的事。大多数用户今年618，依然会打开熟悉的购物App，按熟悉的方式比价下单。AI购物的尝鲜者，还是少数。 所以今年618的AI购物，更准确的定位是：一次公开的压测，一个象征意义的节点。各家用这个窗口验证技术路线、测试用户接受度、跑通支付闭环，为真正意义上的AI购物时代做准备。 真正的AI购物，要解决的问题还很多：推荐数据的实时性和准确性、跨平台比价的可能性及可信度、个性化推荐和商业利益之间的透明边界、高决策成本品类的信任机制……这些问题，靠功能迭代能解决一部分，但更多的是需要整个行业重建用户和平台之间的信任契约。
.
trap
-->