鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

编程导航
编程导航
2025-12-29 23:52
阅读 235
编程导航
2025-12-29 23:52
阅读 235

智东西(公众号:zhidxcom)
作者|江宇
编辑|心缘

智东西12月29日报道,上周五,京东低调上线了一款AI原生应用——“京东AI购”。

这款集外卖点单、商品导购、AI试穿等核心功能于一体的应用,已登陆App Store,目前处于内测阶段,输入邀请码才能体验。京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

从整体定位来看,京东AI购更像是一个“会思考、能购物、关心你”的AI生活助手。据了解,这款应用的底座是京东自研的“言犀大模型”,自然语言理解、商品识别能力和“AI试穿”的功能都由它驱动。

智东西已获取邀请码并进行实测。与传统电商App依赖浏览和筛选的操作不同,“京东AI购”以对话为主要交互方式,用户只需说出“我想吃红烧排骨”或“帮我找一台鼠标”,系统便会直接推荐商品或服务,解锁了AI按需找货的新体验。

值得一提的是,这也是继美团今年9月推出“小美”后,又一款大厂出品且以AI为内核的生活服务类应用走入大众视野。

一、对话界面做首页,“灵感空间”把外卖、穿搭、优惠做成可点的指令卡

打开“京东AI购”后,首先映入眼帘的是“对话”界面,顶部是京东标志性的小狗Joy和一句日签“今日宜思辨,独立思考”。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

页面主体被分成两层,左半部分是“灵感空间”的卡片模块区,每次刷新会显示四个主题模块,来自每日一惠、穿搭灵感、好物推荐、降价提醒、外卖下单、省心组合六种类型,基本覆盖了“吃穿用买”日常生活的多个场景。每个模块点进去,都会自动触发一句自然语言指令。

页面右半部分则是“爱购”区域,呈瀑布流形式,推荐的内容是一些零碎商品,不少都和我之前在京东App的浏览记录或加购商品有关。用户可直接点击跳转详情页,详情页内容和购物流程基本与京东主站一致。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

二、外卖、穿搭、降价提醒,都是同一招:先替你把指令写好

京东AI购的一大亮点就在于,每个“灵感空间”模块都绑定了具体指令。整个首页“灵感空间”每一模块都在引导用户和AI对话,用户仅靠点击便能触发AI响应。

例如点击“外卖下单”模块,如若封面图恰好是红烧排骨,系统就会自动输入“我想吃红烧排骨”。AI随后会推荐3-4家外卖商家,支持快捷下单,页面设计与京东外卖秒送界面基本一致。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

值得注意的是,我点过“东北菜”的历史记录也作为筛选条件被考虑其中,还会附带“一个月内有多少人复购”和“本店招牌菜”等信息提示。相较于传统外卖平台侧重热度榜单或基于地理位置的算法推荐,这种方式显得更具针对性。

“穿搭灵感”模块则是调用AI给出不同的服饰风格及其具体的单品搭配。点击后该模块后,会直接输入指令“推荐几套适合我的穿搭”。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

AI会输出四种风格搭配方案,如“甜酷休闲”、“休闲甜美”等,并生成图文卡片。用户可一键试穿,或跳转详情页选购。

我在测试“省心组合”模块时,AI会依据模块封面图直接生成推荐指令,例如“推荐学生宿舍必备的急救护理套装”。

如果穿搭是推荐不同的风格,那么“急救护理套装”则被提炼出了3个维度,商品按照“伤口护理类”、“便携收纳类”、“全面防护类”进行分组展示,推荐逻辑更贴近实际应用。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

“好物推荐”的逻辑与“省心组合”是基本一致的。

而在“降价提醒”模块,我注意到封面图是此前加入购物车的商品,如小米显示器。点击后,系统会自动输出“小米Redmi 27英寸显示器降价了100元,值得我入手吗?”

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

AI会展示加购价与当前价的对比,计算出折扣率,提升决策效率。

这类功能在传统网购平台中也较为常见,部分还会通过消息推送提醒用户关注降价。但与传统做法相比,“京东AI购”在对话中直接给出价格对比和商品亮点描述,信息呈现更集中,也更方便用户快速判断是否值得下单。

我在点击“每日一惠”后,系统会自动生成指令“每日一惠,今天有哪些值得关注的优惠?”,并返回10个结合促销力度与用户兴趣的商品推荐。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

不过也可以看到,京东AI购首页“灵感空间”的模块触发的是预设指令,这些指令基本与封面图内容匹配,未必能实时契合用户的真实需求。例如,点击“外卖下单”模块时推荐的是封面展示菜品。

因此,除非用户此前频繁浏览某类商品或下单某类餐品,否则系统生成的指令内容很难精准对上当下意图。这种设计可能是为了用户尚未明确需求时使用,也更接近“种草”。

但作为一款AI生活助手类产品,京东AI购与小红书、抖音、淘宝“逛逛”等平台的“内容种草”仍有区别,如何让AI真正理解用户偏好推送并建立信任,仍是之后需要解决的问题。

三、不止能聊,底部还有两个“快捷键”:优惠和试穿

我在体验中发现,无论是“对话”界面还是“爱购”页面,底部都保留了一个输入栏,支持用户随时用自然语言调起AI对话。但在“对话”界面,这个输入栏上方还额外设置了两个快捷入口:“找优惠”和“AI试穿”。其中,“找优惠”和“每日一惠”的界面是一致的。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

作为当前版本中突出呈现的AI功能之一,“AI试穿”在互动体验和视觉效果上都颇具亮点。

为此,我特别体验了“AI试穿”功能:选择品牌店铺、挑选一套穿搭并上传照片后,系统便生成了试穿效果图。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

上传了一张AI生成的人像后,系统能准确识别体型并渲染衣物。试穿结果展示在中心区域,右侧提供“去购买”按钮。下方则展示“同店搭配”、“同店下装”、“同店上装”三类扩展推荐,价格和详情均可点击查看。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

试穿效果图渲染速度较快,并且AI试穿功能的搭配相对灵活,上下装可以不成套,自由组合,确实提升了用户的尝试空间与搭配趣味性,也在一定程度上规避了网购“无法试穿”的障碍。

但当前版本的“AI试穿”仍限制在同店商品范围内,影响了跨品牌搭配的可玩性。随着未来版本的更新,“AI试穿”若能够支持跨店混搭,实用性也会更高。

四、指令调用灵敏度不错,但还不是“万能管家”

那如果我直接开口对AI说需求,它的表现如何?

我先输入:“帮我点一杯常点的奶茶”。AI果然识别出了我此前经常下单的门店,并生成下单链接,支持跳过详情页直接支付,整体体验效率不低。但也出现了一个小瑕疵:推荐的饮品品类与我常点的不完全一致,包括糖度、冷热选项在内,也未精准命中。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

如果把范围放宽一点,比如输入“帮我点一杯咖啡”,AI也能帮忙多凑一杯一起下单,生成组合订单。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

随后,我再试了一个需求更复杂的场景,输入:“明早八点,点一份麦当劳穷鬼套餐送到家”。

AI能识别出“送达时间”,但并未成功设置,仅在备注一栏标明送达时间。此外,AI对“穷鬼套餐”的理解还有偏差,它将其理解为价格较低的套餐选项,而不是大家常说的“随心配”组合。虽然推荐内容仍算合理,但6元的配送费占了商品价格的一半,性价比并不算理想。

在传统外卖平台上,送达时间的设定通常更为灵活,不仅支持尽快送达与定时送达的选择,部分商家还支持跨天预约,这一点在功能完备性上仍优于当前AI助手的实现。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

切换到商品选购场景,我试了下“我想买一个鼠标”,AI推荐了几款不同类型、不同价位的鼠标,并附带选购建议。

更实用的是,它还提供“商品对比”功能。点击后,系统会在“静音效果、重量、连接方式、续航能力、握感设计、适用场景”这六个维度生成对比表格,让用户在风格偏好之外,也能做出更理性判断。

京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型

相较以往需要多页切换、手动比价的购物流程,这种展示的方式明显更省事。同时我也注意到,推荐的几款鼠标价格都偏平价,也反映了AI对用户消费习惯的初步判断。

整体来看,京东AI购在自然语言理解和操作上已经具备一定的实用性,能听懂主流需求,也能给出相对合理的反馈。但面对一些带有网络语境或模糊意图的表达,它的“理解力”还有成长空间,距离真正的“万能管家”仍有不小距离。

结语:“京东AI购”是京东AI战略的一次主动出击

尽管目前仍处于内测阶段,但“京东AI购”已经显露出其产品定位:从信息型电商跳向服务型AI助手。它试图将购物、生活服务与AI自然语言交互结合,打造一个陪伴型入口。

“京东AI购”并不是一个全新的电商平台,而是一次体验方式的改变,把“搜商品”变成“说需求”,把“浏览”变成“对话”。在一定程度上,“京东AI购”可以视作是京东探索AI时代电商形态的一步先手棋。

原文链接: 京东AI购抢先实测,一句话搞定吃喝穿用,背靠自研大模型
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手