G-CAST:让电商Agent在需求漂移中持续进化

阿里1688提出G-CAST,用受治理的持续自训练让电商Agent每日自动学习新需求且不丢失旧行为。
阿里巴巴1688团队提出G-CAST系统,针对电商对话式Agent面临的需求漂移和执行框架演进两大问题,实现受治理的持续自训练。系统将每日生产数据转化为按奖励路由、按熵优先排序的训练样本,并配合受治理的奖励演化机制,通过基于累积评估的检查点切换确保模型学会新行为的同时不丢失已接受能力。在真实生产级电商Agent上的实验表明,G-CAST对新需求的适应和旧行为的保持均优于强自主后训练基线,消融证实数据编排和奖励演化两个组件均重要。该系统已部署在1688的B2B采购Agent“源采”中。
电商对话式购物正在成为大模型Agent的重要落地场景,但一个被反复验证的难题是:用户需求会漂移,产品的工具链也会升级,一次训练好的模型很快就不够用了。阿里巴巴1688团队提出的G-CAST系统,试图用「受治理的持续自训练」来解决这个矛盾——让Agent在每天的生产数据中自动学习新能力,同时不丢掉用户已经依赖的旧行为。

两个让模型「过期」的现实问题
论文指出,电商Agent面临两类持续变化。第一类是需求漂移:新的商品品类、采购场景和功能请求不断出现,用户请求的分布、意图和复杂度都在变,一次性训练的模型会逐渐落后于真实流量。第二类是执行框架演进:Agent背后的工具、技能和操作流程持续增加,模型必须学会正确调用新引入的能力,而不能破坏已有的、用户已经习惯的交互方式。
这两类变化叠加,使得「定期人工重训」变得既慢又贵。人工重训的延迟以周或月计,而需求漂移每天都在发生。G-CAST的出发点就是把这个循环自动化,并且加上治理机制。
G-CAST怎么做:从生产证据到受治理的模型更新
G-CAST的核心思路是把每天的生产证据转化为训练信号。具体来说,它把 evolving demand 和 capability contracts 下的日常生产数据,转换成按奖励路由、按熵优先排序的训练数据,并配合一套受治理的奖励演化机制。
这里有两个设计值得注意。其一是数据编排:不是所有生产日志都同等重要,G-CAST用奖励信号对样本进行路由,再用熵来优先排序,把训练算力集中在信息量更大的样本上。其二是奖励演化:随着新需求和新工具出现,奖励函数本身也需要调整,但调整必须受控,否则模型可能为了追逐新奖励而牺牲旧能力。
在模型更新环节,G-CAST采用基于累积评估的受治理检查点切换。每次更新都要通过累积评估才能上线,确保新模型在获得新行为的同时,不丢失此前已被接受的能力。
奖励路由与熵优先排序是数据编排中的两个关键技术。奖励路由指根据样本在奖励模型下的得分,将训练数据分配到不同的处理路径(例如高奖励样本用于强化、低奖励样本用于过滤或修正),从而避免低质量样本污染训练。熵优先排序则利用模型对样本预测的不确定性(熵)来筛选信息量更大的样本,优先训练那些模型当前“拿不准”的案例,提升学习效率。两者结合,能在海量生产日志中快速定位最有价值的训练信号,减少算力浪费。
累积评估是一种模型上线前的安全验证机制。它不只看单次更新的即时效果,而是将新模型在历史累积的评估集(包含旧任务和新任务)上的表现进行综合比较,只有在新模型不劣于旧模型且在新需求上有提升时,才允许切换检查点。这种机制能有效防止“灾难性遗忘”——即模型在学习新能力时突然丢失旧能力。在B2B采购等容错率低的场景中,累积评估相当于为自动更新加了一道质量闸门。
实验结论:适应新需求,同时守住旧行为
论文在真实的生产级电商Agent上进行了实验。结果显示,与一个较强的自主后训练基线相比,G-CAST对新引入需求的适应更强,同时对先前已接受行为的保持也更好。消融实验进一步表明,奖励路由加熵优先的数据编排、以及受治理的奖励演化,这两个组件对最终收益都很重要——去掉任何一个,效果都会打折扣。
这套系统目前已经部署在源采(cai.1688.com),这是阿里巴巴1688平台上的B2B采购Agent。从论文描述看,G-CAST不是实验室里的离线方案,而是在真实B2B采购流量中运行的持续训练系统。
消融实验是机器学习论文中常用的验证方法,通过逐一移除系统的关键组件,观察性能变化,从而判断每个组件的贡献。G-CAST的消融实验分别去掉了奖励路由加熵优先的数据编排、以及受治理的奖励演化,结果显示两者缺一不可,说明数据编排负责“学得高效”,奖励演化负责“学得安全”,二者共同支撑了持续自训练的闭环。
对电商Agent工程化的启示
G-CAST的价值不在于提出某个新模型结构,而在于把「持续学习」做成了一个可治理的工程闭环。电商Agent的竞争很大程度上是数据飞轮的竞争:谁能更快地把生产流量转化为模型能力,同时控制回退风险,谁就能在需求变化中保持响应速度。受治理的检查点切换和奖励演化,本质上是给自动更新加上了安全阀——这在B2B采购这类容错率低的场景里尤其关键。
另一个值得关注的信号是,论文把「工具链演进」和「需求漂移」放在同等位置讨论。多数持续学习工作只关注数据分布变化,而Agent场景下能力契约本身也在变,模型需要同时适应输入分布和可用动作空间的变化。这个视角对正在构建Agent产品的团队有直接参考价值。
相关推荐

Gemini 4 Neon 曝光:或成 Opus 5.5 有力竞争者
Hacker News 讨论帖指出 Gemini 4 Neon 看起来像 Opus 5.5 的竞争者。本文解读这一社区信号背后的产品定位、顶级模型竞争格局变化,以及对开发者模型选型策略的实际意义。

Claude Fable 5.2 独立创作短片《Fable》引热议
Hacker News 上出现由 Claude Fable 5.2 独立完成剧本、画面与导演的短片《Fable》,本文分析全流程 AI 创作的意义、社区反应及对内容创作者的启示。

Anthropic IPO定价:AI巨头上市信号
Anthropic 进行 IPO 定价的消息引发关注。本文分析这一动作对 AI 行业估值、商业化路径和竞争格局的潜在影响,并指出公开市场对 AI 公司的期待与挑战。