11月14日，在AICon 2026深圳站上，快手大模型应用算法专家邱慧以《智能互动 Agent 在快手商业场景的落地实践》为题，分享了对话Agent在真实商业场景中落地所面临的核心问题与工程选择。她指出，商业场景下的“不可能三角”是效果、时延与成本：追求效果需要更大模型和思考过程，但会推高时延与成本，三者强耦合，无法单点优化。

邱慧将对话Agent的落地约束归纳为四层：最底层是成本，商业场景QPS和请求量巨大且数据敏感，直接调用外部开源API难以保证安全与成本可控；往上是稳定性，开源模型相对时延较高、思考模式难以关闭、输出不够稳定；再往上是知识变化速度，直播或大促中商家活动可能几分钟内从买二送一变为买三送一，知识更新不及时会带来答错风险；最上层是进化问题，模型长期不更新会越用越退化。

她解释了为何不沿用传统小模型方案：小模型对复杂场景理解不足，售后经营场景多轮对话涉及大量追问，仅做分类会导致流畅度差、缺乏稳定推理与规划能力，也难以完成商品价格、物流、退货等复杂工具编排。而开源大模型虽通用且便宜，却缺乏业务数据，领域知识表现不佳，回答可能“像模像样”却不促进成交，且一轮思考就可能超出1至2秒的响应要求。

由此，快手选择自研大模型，用自身业务数据训练懂业务、会决策、能调工具的模型，并将成本控制在安全边界内。邱慧表示，分享聚焦三个技术路径：构建支持时效性更新与低延迟检索的动态知识库；通过用户模拟驱动Agent自进化，避免模型越用越退化；针对对话场景奖励稀疏的问题，对对话过程建模以实现中间信号回传，合理分配成交与问题解决等终局信号之外的奖励。