在人工智能席卷全球的浪潮中，AI 往往被视为资本市场的“金钥匙”，但在快手直播的实战场景里，它更是一把深入业务肌理、脚踏实地服务用户的“手术刀”。
本文基于快手算法专家 吴翔宇 在 2025 AICon 全球人工智能开发与应用大会·北京站 的演讲《快手直播的 AI 进化论：技术落地与用户体验升级》，回顾了直播行业从 1.0 的 PC 秀场到 2.0 的全民直播，再到 3.0 “AI 共生”时代 的蜕变历程。他指出，直播的本质始终是 UA（User-Author）关系的深度绑定，而大模型的出现，正以前所未有的姿态重塑这一关系的建立逻辑。
通过 自研 KVL 架构的多模态理解、用户触点的全链路升级、以及互动智能体的规模化落地，快手成功将大模型从幕后的算法推演推向了亿级 DAU 场景的前台交互。这不仅是一场生产力的革命，更是对直播生态大脑的一次彻底进化。
多模态大模型的出现，如同一场行业变革，彻底重塑了多模态内容理解的框架与范式，推动该领域实现跨越式发展。而在 AI 赋能交互领域，依托 GPT 类大模型卓越的生成能力，长期深耕系统后端的算法工程师，终于有机会在亿级 DAU 的国民级应用中，看到自身研发的模型直接与用户实现沟通、交互与价值传递。
1. 直播进化论：从 1.0 到 3.0，AI 如何重塑 UA 关系
过去二十年间，直播已从单一的娱乐工具演变为不可或缺的社会基础设施。
在直播 1.0 时代，受限于 PC 硬件、宽带及 Flash 技术，内容多集中于颜值秀场、才艺展示及游戏直播。虽然这一阶段确立了公会模式与打赏机制，使直播进入大众视野，但其本质仍属于相对小众的垂直娱乐领域。
随着智能手机、5G 网络及推荐算法的普及，直播迈入 2.0 时代。开播门槛的大幅降低，人人皆可主播。在快手等平台上，直播已深入各行各业，催生了“直播 + 电商”、“直播 + 招聘”等多元形态。直播由此完成了从娱乐向生活方式的转型，正式成为社会基础设施。
如今，我们正步入以“AI 共生”为特征的 3.0 时代。大模型、AIGC 与数字人技术正深刻重构直播的交互模式，推动其从单一的人际互动向智能交互跨越。例如数字人直播已能实现 24 小时不间断带货，在提升用户新鲜感的同时，挖掘出巨大的商业潜力。这一阶段标志着生产力的革命，AI 不仅能辅助开播，更在内容生产上实现了效率与智能化的飞跃。从 1.0 的“看热闹”到 2.0 的“办实事”，再到 3.0 的“智能化”，直播正变得愈发聪明且无处不在。
快手认为，直播的本质在于 UA（User-Author，即用户与主播）关系的建立。这种关系的形成并非随机，而是如同漏斗模型所展示的，经历了 匹配、触达、认知 与 关系建立 这四个环环相扣的演进阶段。
建立 UA 关系的第一步是 “找对人”，即通过深度分析用户的内容偏好、历史互动及实时行为，实现主播与用户的精准预匹配。然而，仅有匹配是不够的，关键在于让合适的主播在最佳时机出现在用户面前。这需要结合直播间的实时内容与用户的实时状态，寻找触达用户屏幕的最优窗口。当用户感知到直播间入口时，最初几秒的视觉与内容印象往往决定了其后续的留存意愿，因此，塑造第一印象至关重要。
为优化这一环节，我们借助大模型对主播特色与风格进行深层理解，动态生成个性化的直播间外内容展示。用户在点击进入前，便能与主播形成初步的认知共鸣。
用户进入直播间，并不代表推荐环节的结束，反而恰恰是关系建立的开始。直播的核心价值，在于构建长期的情感纽带。通过个性化互动提醒、粉丝权益推送等方式，可持续强化观众的参与感、认同感与归属感，最终实现 UA 关系的深度绑定。
既然直播的本质在于 UA 关系的建立，那么在海量流量的背景下，如何实现高效且高质量的连接便成为核心课题。在此过程中，大模型扮演着不可或缺的角色，快手 AI 从“匹配效率”与“服务质量”两个维度，全面重塑了秀场直播的生态循环。
在用户侧，AI 的核心任务是解决信息过载问题。面对数百万量级的主播储备，我们必须确保“对的主播”能在“对的时间”与用户相遇。这不仅需要通过多维信号整合来深度刻画主播特征与用户画像，更需要挖掘用户行为背后的深层动因。我们不仅关注点击偏好，更致力于理解用户在特定直播间氛围下的情感需求与打赏动机。此外，依托快手集短视频、直播、搜索与电商于一体的多场景生态，我们通过“短直联动”及多场景协同策略，确保了 AI 导向的精准性，从而最大化提升匹配效率。
在主播侧，AI 则更多地扮演着“智能导师”与“超级助手”的角色。在内容创作上，AI 能够实时生成话题并提示热点，确保主播在互动中始终有梗可接、有话可聊。在经营策略上，AI 依托大数据分析提供科学的开播建议，指导主播把握内容趋势以获取更多关注。
这种匹配效率与服务质量的双重提升，最终构建了一个理想的业务闭环：用户因精准匹配而留存，主播因服务质量优化而增收。对平台而言，AI 真正实现了效能与体验的同步跃迁，并直接驱动了直播营收的稳健增长。
2. 深度理解：从 ID 匹配到语义认知的范式跃迁
传统推荐算法多侧重于 ID 特征的拟合与匹配，而在大模型快速发展的当下，我们正实现从单纯 ID 关联向深度语义理解的范式跃迁。接下来，我们将重点分享如何结合快手直播的场景特性，依托多模态大语言模型（MLLM）实现深度理解能力的突破，最终达成更优质的 UA 关系匹配。
首先在技术实现层面，支撑深度理解的关键在于我们构建的多模态直播基座。早期我们曾借鉴 MiniCPM-V 等优秀模型构建了第一版基座，而目前则基于快手自研的 KVL 架构，实现了从分散式模型向通用底层的范式转移。
通过对比可以直观地看到架构演进带来的巨大差异：早期我们的理解系统由数十个分散的模型堆砌而成，为了解析一段直播，需要建立多级类目、属性标签、人物环境、动作捕捉以及颜值、游戏 IP 等众多专项模型。这种“打补丁”式的架构不仅识别精度有限，且可扩展性差，维护数十个在线模型的成本也极高，各模型间的协同效率十分低下。
为了解决这些问题，我们基于自研的 KVL 架构构建了更懂直播的通用底层。在持续预训练阶段，我们融入了大量快手直播场景的专属数据；在后训练阶段，我们将直播类目标签、主播描述等业务任务与视觉推理任务深度结合。这使得模型在保持强大通用能力的同时，实现了直播场景理解能力的显著升级。
转向这一新范式后，技术红利十分明显。首先，模型的泛化能力大幅提升，能够理解各类从未见过的、新兴的直播内容，而不再受限于预设标签；其次，多模态融合更加深入，模型能够同时解析画面、音频、文本及用户评论，实现真正的深度理解；此外，系统的可扩展性显著增强，处理新业务逻辑时，不再需要频繁上线新模型，而是通过策略定义即可快速补齐能力。
这种从分散走向融合的转变，本质上是直播生态“大脑”的进化，使模型能够像人类一样，在观看直播后即可充分表达对主播风格、直播内容及主题的多维度理解。
尽管多模态基座在领域训练中表现优异，但在直播场景中，大模型对主播的认知与用户的真实感知仍存在明显差距。
未经过对齐优化的基座模型，通常只能生成机械、表层的描述，例如仅识别 “女性、室内、唱歌” 这类基础标签，而用户更习惯从 “治愈系、宠粉、正能量” 等情感维度认知主播。同时，受后训练阶段对齐机制的限制，多模态模型易出现评价同质化问题，对颜值等核心特质无法做出具备区分度的深度判断。
在此前提下，从用户视角重新定义主播特质成为这一阶段的核心工作。我们通过两条路径引导大模型学习用户真实反馈：一是深度挖掘用户评论，借助 AI 聚类与语义标签技术，从海量评论中提炼可精准反映主播颜值、互动风格的高价值信息；二是联合产品端发放激励问卷，收集用户对主播的直观反馈，经低质量内容过滤与相关性校验后，沉淀出具备代表性的核心反馈数据。
最后，我们将用户侧反馈作为强化学习的基准事实，推动模型在多模态信息融合中持续迭代。在用户偏好的指引下，模型生成的标签体系与用户视角高度契合。经过这一迭代过程，模型不仅能客观解析主播内容，更能从用户视角感知与理解主播特质。
便实现了对主播内容的深度理解与用户视角的对齐，在直播场景中依然存在一个核心挑战：理解主播并不等同于理解“用户为何喜欢该主播”。过去的研究往往侧重于单向的内容评估，即判断主播素质优劣，但优质内容并不必然匹配所有用户的口味。因此，我们必须从单边理解迈向双向匹配，构建能够推演用户看播偏好、预测 UA 关系建立动因的深度能力。
在具体实现上，我们通过大模型对用户的历史行为序列（如打赏记录）进行深度解析。我们将用户过去互动过的主播视觉内容、口播文本及评论信息作为输入，并采用“候选主播选择题”的形式对模型进行训练。为了得出正确答案，模型必须对用户偏好序列与候选主播特质进行同步的逻辑推理。在此过程中，我们引入了类似 GRPO 系列的强化学习算法，结合特定的任务规则与奖励机制，对模型进行针对性优化。
这种优化带来了双重增益：一方面，系统能够生成极其精细的用户偏好画像，例如精准识别出用户对“带有强互动元素的歌唱类直播”的细分偏好；另一方面，模型能够输出明确的推荐理由，使推荐过程具备了透明度与可解释性。通过这种深层的心理与行为对齐，AI 实际上复盘了用户与主播产生情感连接的全过程，从而将内容理解对 UA 关系的预测精度提升到了前所未有的精度。
那么这种针对用户关系深度理解的高投入模型是否已经在快手落地？
直播场景恰恰提供了一个极为理想的实践温床。与短视频或电商拥有数亿级泛众 DAU 的情况不同，直播中具有高频打赏行为的高价值用户群体规模相对精准且集中，这使得我们能够投入更高精度的模型资源，为这部分核心用户提供极致精准的主播匹配。
在过去的几个月中，我们已将这种“会思考”的生成式推荐方案正式应用于直播业务链路。具体流程如示例所示：系统首先获取用户的历史打赏序列，通过大模型的归纳与推演，剖析其个性化偏好。这种分析生成的标签并非死板的预设分类，而是动态产出的描述，例如“双人互动 PK”、“青春女神”、“明亮室内环境”以及“交友向情感互动”等。
基于这些动态生成的深度画像，我们能够在千万级的主播资源库中，精准发掘出用户可能感兴趣、但在传统推荐逻辑中尚未触达的“潜在匹配”。这种方式极大地拓宽了兴趣预测的“解空间”，使我们能够在海量候选结果中，实现比以往任何内容理解方式都更加精准的匹配效果。
3. 触点升级：AI 驱动的第一印象与认知路径重构
如果说前面的讨论聚焦于如何构建更聪明、更懂人心的“直播大脑”，那么接下来的核心议题便是如何利用大模型能力为这个系统赋予“五官与嘴巴”，让它看得懂、会表达。第三章关于“用户触点升级”的目标，是希望用户与主播的首次相遇，能从随机的惊鸿一瞥转化为一种精准契合的必然。
要实现这一目标，意味着在用户滑动切换直播间的毫秒之间，系统展示的信息必须精准击中其潜在需求。为了探究用户在短短几秒内做出留存决策的底层逻辑，我们进行了深度用户调研。结果显示，用户对主播的筛选主要集中在主播特点、直播信息和直播效果三个维度。
在主播特点方面，超过 55.3% 的用户最看重主播的性格，这标志着直播行业已从早期的“颜值经济”跨越到了“性格经济”时代，用户更倾向于寻找能产生情绪共鸣的有趣灵魂。
其次，直播间的封面与标题是用户获取信息的关键触点。调研数据指出，有 40.7% 的用户会根据直播间传递的核心信息（如具体的业务品类或内容主题）来决定是否留存。
同样重要的是直播的实时效果，其中才艺内容与互动氛围是决定留存的核心。一个氛围冷清的直播间，即便主播颜值再高，也难以产生持久的吸引力。
由此可见，尽管用户兴趣多元，但高效、多维度地获取主播信息，仍是他们最核心且明确的共性诉求。面对瞬息万变的直播内容，用户注意力已成为极度稀缺的资源。若信息触点匮乏，高昂的选择成本将直接导致用户流失。
因此，我们的核心目标是通过强化直播间内外的双重触点，缩短用户对主播的认知路径。
直播间外是塑造第一印象的主战场，但主播难以时刻处于完美表演状态。此时，AI 的辅助作用便不可或缺：它能精准提取并浓缩主播的核心亮点，生成个性化的直播间外文案或动态展示，从而激发用户的点击意愿。
而当用户进入直播间后，常因信息断层（如错过精彩的 PK 或惩罚环节）而产生疏离感。为此，我们实时滚动播放精华摘要与直播预告，帮助用户快速补全背景信息，确保其能迅速融入当前的直播节奏。这种“直播间外抓眼球、直播间内留人心”的联动机制，本质上是利用 AI 自动生成的描述降低发现成本，再通过实时内容摘要降低理解成本。
屏幕左侧展示的正是我们“AI 主播简介”功能的落地效果。通过这一功能，我们成功在用户滑到直播间的第一秒，便能将其核心特点精准呈现。
首先，我们构建了多元数据智能分析系统，不仅实时解析当前的直播画面，还深度整合了主播的历史内容、直播行为、个人简介及预约信息等全栈数据，为每位主播建立起深厚的基础信息底座。
在此基础上，依托 KVL 模型的深度提炼能力，系统会自动生成一段兼具准确性与吸引力的解读文案。这段文案旨在突出主播的差异化核心卖点，从而彻底告别千篇一律的内容展现。
“AI 主播简介”的上线直接解决了两大核心痛点。
一方面，它实现了触点前置，用户无需进入直播间观察数分钟，在 Feed 流中即可快速建立认知，极大缩短了用户认知路径。
另一方面，它通过缓解信息不对称带来的认知缺失，显著提升了直播间的点击效率与停留时长。例如，针对演唱经典老歌的主播，AI 会提炼出“经典老歌唱得透”等具有故事感的标签，迅速将其从同质化的内容中脱颖而出；对于身着复古服装的互动直播，AI 则能解释其背后的整活逻辑，避免用户产生误解；而对于“秦腔非遗传承”与“助农”等关键词的提取，则能迅速建立用户的心理认同。
这一功能是将大模型的理解能力转化为实际产品生产力的典型案例。它让我们这些算法工程师从后台走向前端，通过 AI 技术为主播递上一张极具辨识度的“数字名片”。
如果说 “AI 主播简介” 是为主播递出的名片，那么 “AI 小快播报” 则更像是直播间内全天候在线的智能观察者。针对新进用户常因“跟不上进度”而产生困惑、最终流失的长期痛点，AI 小快播报通过扮演实时记录者的角色，根据直播间的不同形态，灵活切换两种工作模式来提升用户体验。
在“内容梗概型”模式下，AI 能够像撰写新闻简报一样，实时还原直播的内容主线与核心节点。例如，对于刚进入直播间的用户，系统会提示“开播 20 分钟、PK 战况、受罚后的反击”等关键信息，帮助用户迅速补全错过的情节，消除信息断层。而在“氛围鼓动型”模式中，AI 则侧重于情绪价值的引导，通过感性的话术激发用户的共鸣与参与感。
这种实时的智能化辅助，不仅显著延长了用户的观看时长，还通过消除信息壁垒降低了用户的心理疲劳感。同时，氛围的有效调动直接提升了评论与点赞的互动频率，并驱动用户在直播生态中进行更深度的浏览。
4. 智能体落地：从辅助工具到数字分身的价值延伸
接下来将深入讨论“AI 互动智能体”的落地实践。这一技术真正为直播间注入了“数字生命”，不仅简化了开播流程、让交互更自然，更实现了从提供情绪价值到驱动直播打赏的高效转化。
目前的单人秀场模式正面临人力驱动的天然瓶颈。传统的直播高度依赖主播个人，要求其在持续输出高质量内容的同时，还需兼顾高频的实时互动。这种“双线作战”的强度极易导致主播疲劳，进而影响直播表现的稳定性；此外，人力精力的有限性也制约了单人模式的营收上限，导致业务规模难以在保证质量的前提下持续扩张。
针对不同发展阶段的主播，其核心痛点也存在明显不同。中小主播往往尚未形成鲜明的个人特色，且难以承接好每一位观众，急需 AI 补齐基础互动能力，以平稳度过冷启动期。
而对于头部主播而言，虽然具备优质的内容产出能力，但在面对海量粉丝时却分身乏术。此时，AI 的核心价值在于拓宽其服务半径，确保每位粉丝都能获得被重视的个性化体验。基于这些现实挑战，构建 AI 互动智能体，已成为一个逻辑严密且具有实战价值的方案。
如上图所示，AI 助手在播前、播中、播后三个阶段实现深度渗透。我们可以借此观察，它如何补齐并强化直播间的服务能力，挖掘每个环节中的商业与情感价值。
直播前的准备阶段，核心目标是实现“精准入场”。AI 助手会在开播前提前开展工作。它会搭建话题模板库，自动准备个性化的欢迎语与感谢话术。同时，利用大模型优化直播间标题，精准植入核心关键词，提升搜索权重。此外，系统还会智能识别高价值粉丝，定向发送专属邀请或纪念日提醒，保障用户粘性。
进入直播中辅助阶段，AI 助手会成为实时的“智能互动导师”。它能实时解析弹幕和用户进场信号，辅助主播顾及到每一位观众。针对新老用户的不同身份，AI 会生成差异化的欢迎语。结合观众的地域、兴趣点，还能实时打造专属话题。通过调取用户的历史互动记录，AI 还能辅助主播进行动态关怀，构建主播与用户之间的专属记忆。
直播后的维护环节，重点转向深度关系维护与潜力用户挖掘。直播结束后，AI 会自动承接繁琐工作，把即时流量转化为长期存量。它可以自动答谢榜单贡献突出的用户，建立长期情感链接。也能在海量新观众里，精准挖掘潜力用户并进行针对性培养。通过深度分析本场直播数据，AI 还能为下一场直播给出科学的策略建议。
经过全流程的渗透，AI 互动助手不再只是辅助工具。它更像是能帮助主播运营私域资产的智能合伙人。AI 让主播从琐碎事务中抽身，专注于核心的内容创作。这从本质上提升了直播间的运营效率。
关于 AI 互动助手在直播场景中的实际表现，我们可以通过两个典型案例直观感受。
首先是“智能破冰与引导”功能。当老客户进入直播间时，系统会立即识别其身份。同时，精准建议主播基于用户的历史偏好进行互动。比如，用户此前若表达过听歌诉求，助手会提示主播主动询问其想听的曲目。这种具备“记忆力”的交互，极大增强了用户的归属感。
其次是“即时打赏反馈”功能。当用户赠送灯牌或礼物时，助手会迅速提醒主播。并且匹配高质量的感谢话术，通过即时且温情的反馈，促成用户持续打赏。这种细致的 AI 辅助，已让它成为快手直播今年的明星项目，为大盘带来了 4.1% 的营收增长。
在赋能新主播方面，AI 助手的表现尤为突出。中小主播在冷启动阶段，普遍存在“不知如何留客”的痛点。AI 补齐了他们基础服务能力的短板，让新主播群体的营收增长接近 6%。此外，付费率、互动率及长播率等核心指标，均呈现出明显的正向增长趋势。
AI 互动助手不仅能为头部主播锦上添花，更能为广大中小主播雪中送炭。它通过技术手段，补齐主播服务能力的短板。让每一个直播间，都能具备专业级的运营水平。
如果说此前介绍的 AI 互动助手是主播的辅助工具，那么 AI 分身则实现了主播能力的规模化复制。它核心解决的，是主播精力有限与用户需求无限之间的矛盾，保证在各类高并发场景下，互动体验都能保持实时、不间断。
与侧重第三方视角播报的“AI 小快播报”不同，AI 分身通过深度学习主播的语言风格，可完全切换至主播视角，完成自主交互。
要实现这种“神形兼备”的替代服务，首先需要完成主播风格的深度复刻。通过对主播独有的互动话术、语音节奏进行精准建模，数字分身在回复用户时，能保持高度的风格一致性。即便主播本人分身乏术，用户依然能感受到被关注的亲近感。
其次，分身具备深度内容承接能力。它能针对用户评论主动延伸话题，通过逻辑连贯的互动，维持直播间的活跃度。此外，数字分身还承担着推动商业转化的职责。它可实时监测关注、打赏等核心行为，代替主播完成个性化答谢，确保转化链路中的每个节点都能得到高效响应。
要让 AI 分身无破绽地替代主播提供服务，我们需要攻克三项核心挑战。
第一，在语料复杂、特征稀疏的场景下，如何为主播构建更精准的数字画像；第二，垂类数据普遍稀疏，通用模型在此类场景下表现往往不佳，如何通过技术手段优化模型输出效果；第三，高并发场景对 Badcase 率要求极高，如何将其降至极低水平，确保 AI 每一次代班都稳定可靠。
这一系列问题的核心解决方案，是我们搭建的多智能体（Multi-agent）协作机制。该机制包含多个关键环节：对 ASR 数据进行精细化清洗，对主播历史互动语料做规范化处理，结合模型定向微调，并接入外部知识库。最终通过多智能体协同配合，完成整体任务。
如屏幕左侧的实际应用场景所示，AI 分身不仅能深度理解用户需求，更能以主播特有的口吻给出有温度的反馈。例如，针对基层才艺主播，系统能自动生成极具亲和力的引导话术；而针对音乐类主播，则能以贴合其形象的语气邀约用户点歌。
在引入 AI 分身的回复与引导后，直播间营收提升了 1.27%，付费 UV 与评论 UV 等也得到了显著增强。数据证明，AI 分身有效填补了主播在精力受限时的服务空白，锁定了原本可能流失的互动机会，显著增强了用户对主播的身份认同感和归属感。
AI 分身已不再是冰冷的数字人，而是主播服务能力的数智化延伸，确保每位进入直播间的用户都能获得即时回应。这种沉浸式的交互体验，正是我们迈向“直播 3.0：AI 共生时代”的核心标志。
5. 未来展望
从 PC 秀场 1.0 时代，演进至 AI 共生的 3.0 时代，直播形态虽不断更迭，但链接主播与用户的本质始终未变。借助大模型技术，我们在三个维度实现了核心能力的跃迁：通过深度理解增强认知能力，通过触点升级提升产品力，借助互动智能体解放主播生产力。
如果说过去十年的关键词是“链接”，那么下一阶段的核心，便是 AI 与直播场景的“深度共生”。我们正处在从工具辅助，向全面数智化运营跨越的关键节点。
顺应这一趋势，快手在 2026 年上半年的工作重点，将聚焦于“交互式主播助手”的研发。与当前单向输出信息的助手不同，交互式助手将支持主播通过对话，进行深度咨询与答疑，助力主播呈现更高质量的直播内容。该助手不仅能提供直播表现回顾，涵盖关键指标分析与亮点复盘；还能针对脚本创意、实时话题，提供个性化建议。更重要的是，它实现了从单向提示到双向互动的范式转变。当主播对直播现状产生困惑，比如针对场观数据、内容瓶颈提出疑问时，助手能实时给出专业解答与指导。
如果说交互式主播助手赋能于生产端，那么“直播伴侣”则专注于革新看播体验。它着力打破推荐系统的“黑盒”现状，赋予系统与用户直接对话的能力，标志着看播体验从单纯的算法推演，进化为双向的意图对齐。直播伴侣的核心价值，在于实时捕捉并响应用户需求。当用户意图较为模糊时，系统会基于多样化的兴趣建模，提供探索性内容推荐，创造“意外惊喜”；当用户指令明确时，比如提出“寻找同类型主播”的诉求，系统会通过关键词匹配与个性化过滤，精准锁定目标。
这种交互模式，与传统搜索有本质区别：搜索通常始于明确的初始意图，而直播伴侣则扎根于看播过程中的即兴状态。例如，用户在观看某类直播时，产生“换个口味”的念头，这种上下文相关的诉求，恰恰需要通过交互式助手来深度满足。为进一步增强用户对系统的信任，我们将持续强化推荐算法的可解释性。
快手直播的 AI 进化仍在继续，上述实践为技术社区带来了从算法到产品的前沿启示。欢迎在云栈社区与更多开发者深入探讨大模型落地与交互体验升级。
发表于 2 小时前
|
查看: 4|
回复: 0
