飞猪上周发了新一代 AI 产品 V10，定位是"消费 Agent"。大部分报道的标题集中在"AI 帮你订机票"上，但我觉得真正值得技术管理者关注的，不是这个产品本身，而是飞猪 CTO 陈烨在评测会上抛出的一个判断：当前 AI 行业的价值高度集中在模型和算力层，应用层还没有出现足够多能承接价值的产品。

翻译成大白话就是：模型越来越强，但能用模型把事真正办完的产品，还是太少了。

这个问题我在金融科技领域也反复遇到。不少团队做智能客服、智能投顾，Demo 做出来很漂亮，聊天界面里 AI 对答如流。但用户真正需要的不是"被回答"，而是"被解决"。从"问答"到"交易"之间，隔着一条远比想象中宽的鸿沟。

Coding Agent 为什么先跑通了

陈烨提到一个观点，我觉得说到了问题的本质：Coding Agent 之所以率先找到产品市场匹配，不是因为写代码比做业务简单，而是因为代码世界有一个天然的验证闭环——代码能不能跑、测试通不通得过，答案是确定的、即时的。

消费场景完全不同。一张机票是否"合适"，涉及价格、出发时间、中转地点、是否需要过境签、航司偏好等多个维度。而且这些维度是动态的——库存和价格随时间变化，交易完成后还有退改签、值机、售后等履约环节。一个消费 Agent 面对的不是一个静态的问答，而是实时数据、多维约束、不可逆的交易决策、以及可能持续数周的履约链条。

Coding Agent 验证一个结果，几秒钟的事。消费 Agent 验证一个结果，可能等整个行程走完才知道对不对。这不是模型智力够不够的问题，是业务闭环有没有建起来的问题。

飞猪给出的三个关键设计

飞猪 V10 搭建了一套他们内部叫"受约束的自主性"的体系。我看到三个对业务落地最有参考价值的设计。

第一，商品白名单机制。模型可以理解和推荐商品，但推荐结果必须来自真实库存。系统用 A1、A2 这样的短别名替代冗长的商品 ID，模型只负责在白名单范围内做选择，完成推理后由系统回填真实的商品信息。核心原则很明确：凡是能由数据库或规则确定的信息，就不让模型自己生成。这个机制在金融领域有直接的对应——你不可能让 AI 凭空编造一个理财产品，所有推荐必须来自合规的产品库，经过风控审核。模型负责"选"，系统负责"真"。

第二，在线轻验证。用户不可能等 AI 思考五分钟再返回结果。飞猪的策略是在线只做最关键的校验，把更复杂的时空合理性检查放到离线预处理阶段完成。用他们的话说，优先拦截"不可接受的错误"，而不是追求每一步都完美。这个取舍在金融场景同样重要——投资决策需要快，风控检查不能省，但可以分层：交易前做轻量拦截，交易后做深度审计。

第三，分阶段入口设计。"帮我想、帮我订、帮我办"表面上是三个功能入口，本质上是对应用户在决策链条上的三种状态。还在找灵感阶段，AI 负责引导和规划；需求明确了，AI 辅助完成复杂的搜索和下单；进入售后，AI 直接处理退改等事务。这比"给你一个对话框，什么都能做"的思路务实得多。产品团队也坦言，随着模型能力增强和用户习惯成熟，这些入口未来可能重新合并，但现阶段需要通过拆分来降低用户的使用门槛。

AI 应用落地的真正瓶颈

这三个设计的共同指向，其实不是模型技术，而是一种"AI 业务基础设施"——连接模型能力和真实业务之间的中间层。这恰恰是目前大部分团队最薄弱的环节。

拿智能投顾来说，如果 AI 只能分析市场、给出建议，但不能执行交易、管理持仓、处理赎回，那它就是一个聊天机器人，不是投顾服务。真正的投顾需要覆盖从建议、下单、持仓管理、动态调仓到赎回的完整链路。这条链路上的每个环节——实时数据管道、合规审核、交易系统、风控拦截——都是 AI 从"能说"到"能做"必须跨越的关卡。

很多团队的误区是把大量精力花在"让模型更聪明"上。模型调参、Prompt 优化、RAG 增强……这些当然重要，但只是整条链路的一小部分。用户不在乎你的 AI 有多聪明，他们在乎的是问题能不能被解决。从模型能力到用户价值之间的断层，才是大部分 AI 项目"Demo 很美、上线很丑"的根本原因。

这也解释了为什么拥有完整业务链路的大厂，在 AI 应用落地方面有天然优势。不是因为他们模型更强，而是因为他们已经有现成的供应链、交易系统和履约能力。模型可以采购，业务基础设施需要日积月累。

一个实用的判断框架

从 Coding Agent 到消费 Agent 的演进路径，本质上是从"技术可行性验证"到"商业闭环构建"的跨越。飞猪 V10 给出的启示是：这个跨越靠的不是更强的模型，而是一套"受约束的自主性"体系——让模型在适合自主决策的空间里充分发挥，同时用数据、规则和验证机制守住不能出错的底线。

对技术管理者来说，我觉得一个比较实用的判断框架是：先别急着追最新的模型和框架，先梳理自己的业务里有多少个"完整闭环"。闭环越多的业务场景，AI 接入越容易，产出价值也越明确。从聊天到成交的距离，不取决于模型的参数量，取决于你的业务基础设施有多成熟。