深度解析丨Shopify 如何用“AI團隊”搞定萬億級電商商品分類

現在，許多企業都在積極尋找 AI 的落地場景，但真正有價值的應用并不多見。在這方面，Shopify 利用 AI Agent 實現智能化商品分類的案例，有很多借鑒得地方，分享給大家。
這個案例充分利用了 AI 的幾大優勢：它不僅擅長進行數據結構化分析和翻譯，還擁有豐富的專業領域知識。更重要的是，AI 能夠高效處理海量數據，并對非標準化任務的結果進行智能判斷。
但 Shopify 并沒有完全依賴 AI 生成的結果，而是引入了人類專家對最終決策進行判定。
讓我們回到這個案例所要解決的核心問題：電商領域的商品分類與檢索。熟悉電商的人都知道，這項工作極其困難。
首先是規模巨大，商品數量動輒億萬，對應的分類體系也多達千萬級。
還有專業性強，設計好的分類需要專業知識，但人類專家不可能精通所有領域。
還有一致性難，同一分類可能有不同叫法，商家和平臺對商品的歸類也常有出入。
最后是更新迭代快，以電子產品為例，新品類層出不窮，舊的分類體系很快就會過時。
那么，AI 是如何應對這些挑戰的呢？
Shopify 的解決方案并非依賴一個“無所不知”的超級 AI 來包辦一切，而是組建了一支 AI 智能體（Agent）團隊。這個團隊有明確的流程，每個智能體各司其職。
第一步：結構化 Agent 分析
一個“結構分析 Agent”負責將商品信息結構化，并進行分析檢查：評估當前分類是否合理、命名是否統一，并探尋是否存在新的或更優的分類方式。
第二步：產品驅動 Agent 分析
第二個“產品驅動 Agent”登場，其主要任務是分析海量、真實的商家商品數據，對比平臺的分類標簽與商家自定義的標簽是否一致。
文中的“MagSafe”案例就非常生動。這個 Agent 發現，商家在銷售手機殼、充電器等商品時，頻繁提到“MagSafe 兼容”一詞，但 Shopify 的官方標簽庫中并無此項。于是，它立刻提議：“應增加一個‘MagSafe 兼容：是/否’的屬性，以方便顧客篩選。”
如果只停留在前兩個 Agent，這頂多算是“自動化”。Shopify 還設置了兩個更高級的角色，負責讓整個系統真正變得“智能”。
第三步：AI 裁判篩選
當“產品驅動 Agent”提交了“增加 MagSafe 屬性”的提案后，該提案并不會直接通過。它會被交給一個“AI 裁判”——這是一個專精于“電子產品領域”的 AI 模型。
這個“裁判”受過專業訓練，擁有該垂直領域的深厚知識。它會評估提案的合理性：“這個提議靠譜嗎？是否與現有屬性重復？（分析：MagSafe 雖是品牌詞，但已演變為類似藍牙或 Qi 的技術標準）……批準！置信度 93%。”
通過這種方式，Shopify 確保了 AI 的提議既快速又經過了專業驗證。
第四步：智能翻譯官 Agent 發現等價關系
這個 Agent 解決了一個電商的核心難題：商家喜歡按自己的方式分類，但平臺需要用統一的標準去理解。
舉個例子：
A 商家很專業，創建了專屬分類：“高爾夫球鞋”。
B 商家比較粗放，將商品歸入“運動鞋”分類，并添加屬性：“運動類型 = 高爾夫”。
對顧客而言，無論哪種方式，搜索“高爾夫球鞋”時都應該能找到這些商品。Shopify 的“智能翻譯官” Agent 就能 7x24 小時自主分析數據，并發現這條關鍵的“等價關系”：
分類：“高爾夫球鞋” 等同于 分類：“運動鞋” + 屬性：“運動類型 = 高爾夫”
這種“翻譯”至關重要。它意味著 Shopify 允許商家保持各自的分類靈活性，同時平臺系統（如搜索、推薦）又能“看懂”這背后其實是同一類商品。
實施效果非常顯著。Shopify 分享的數據顯示：以“通訊設備”類目為例，過去依賴人工需要“數年”才能完成的分類體系優化工作，現在借助這套 AI 系統，僅需“幾周”便可完成。
但這并不僅僅是速度的提升，更是一種根本性的轉變：從“被動修補”轉向了“主動進化”。
這套系統不再是等到問題（比如 MagSafe）積累到一定程度才去被動解決，而是能夠主動地、持續地發現并優化整個分類體系。
AI 的最佳應用形態，往往不是一個“無所不能的超人”，而是一個“分工明確、配合默契的專家團隊”。它的目的不是取代人類專家，而是“增強”他們。
AI 負責處理海量的、繁瑣的數據分析、模式識別和一致性檢查，從而讓人類專家能騰出手來，專注于更高階的戰略決策和最終把關。這套“AI 輔助進化”的思路，或許才是電商乃至更多復雜系統在未來保持活力的真正答案。 原文地址：
https://shopify.engineering/product-taxonomy-at-scale 關注公眾號，用極客視角洞察未來！