市值2000亿美元的电商巨头 Shopify，已将 AI 深度嵌入全员日常工作。到 2025 年底，其内部 AI 工具的日活覆盖率接近 100%，内部 Token 用量呈指数级暴涨——这才是它 AI 转型的真正拐点。
本期内容源自 AI 工程师顶级播客《Latent Space: The AI Engineer Podcast》，嘉宾是 Shopify 首席技术官 Mikhail Parakhin，他曾执掌微软 Windows、Edge、Bing 等核心业务单元。这场访谈完整拆解了 Shopify 的 AI 落地全链路，无论你是 AI 从业者、电商创业者还是企业技术管理者，都能从中窥见企业级 人工智能 落地的真实场景与核心挑战。
全员 AI 化：2025 年底覆盖率 100%，Token 预算无上限
Shopify 内部 AI 工具的日活员工占比已接近 100%，几乎所有员工都无法脱离 AI 工具来完成日常工作。
Mikhail Parakhin 透露：“我们为所有员工提供了不限额度的 Token 预算，要求至少使用 Opus-4.6 档次，不少资深员工会主动选择更高阶的模型版本。”这意味着 Shopify 彻底放弃了内部 AI 使用的成本枷锁，不再让团队为 Token 额度这件事纠结，倒逼全员主动拥抱 AI 工具。
2025 年 12 月是 Shopify AI 使用的爆发拐点。大模型性能的小幅积累最终带来了全面落地的质变。其中，CLI 类轻量化 AI 工具的增速远超 GitHub Copilot、Cursor 这类与 IDE 深度绑定的工具，更适配电商团队快速迭代的工作场景。
内部 Token 使用量呈现指数增长，且用户间的消耗分布愈发倾斜，头部 10% 用户的增速远超普通用户。Mikhail 坦言：“这确实有点反常，但早期由 AI 熟练用户主导是正常现象，后续通过内部培训可以逐步改善分布。”这其实也是企业 AI 落地初期的普遍现象——技能分布不均会导致资源倾斜，但 Shopify 已明确通过内部培训进行优化的路径。
AI 编码误区：真正的瓶颈不在生成，而在评审环节
很多人认为 AI 编码的核心瓶颈是生成速度，但 Shopify 的实践给出了完全不同的答案。
Mikhail Parakhin 明确指出：AI 编码的真正瓶颈不在生成，而在评审、CI/CD 与部署稳定性。这打破了很多团队固守的认知——大家总在追求更快的代码生成速度，可 Shopify 的实践证明，代码质量和落地效率才是真正的卡点。
单纯堆砌并行代理是典型的反模式，高效的做法是设置跨模型评审循环：让不同质量的模型互相校验、优化。虽然单轮延迟会升高，但能大幅减少后续测试与回滚的整体成本。
Shopify 目前没有使用第三方 PR 评审工具，而是自研了内部系统。Mikhail 解释：“我们需要顶级模型轮流评审，而非一堆廉价并行代理，这才能在效率与代码质量之间找到平衡。”
Shopify 的 PR 合并月增速已从 10% 提升至 30%，代码复杂度持续攀升，传统的 Git 与 CI/CD 范式已经开始承压。你不妨想想，现有的 Git 和 PR 协作模式，真的能适配机器快速写代码的时代吗？
自研实验平台：Tangle + Tangent，把 AI 实验从混乱变量中解放
传统数据科学流程痛点很多：实验难以复现、版本混乱、协作割裂，从开发到生产的过渡成本极高。
Mikhail 介绍：“我们打造了第三代 ML 实验平台 Tangle，专门解决团队协作下的实验管理难题。”Tangle 基于内容哈希缓存，能自动复用重复任务的结果，大幅提升效率。同时，它支持多语言、可视化编辑，可一键从实验切换到生产环境，完整保留版本控制。
基于 Tangle 的 Tangent 则是一个自动研究循环工具，参考了 Andrej Karpathy 推广的 auto-research 框架。Tangent 让 AI 开发不再是 ML 工程师的专属，产品经理也能借助领域知识直接优化搜索、主题、存储等业务环节，不必依赖专业技术团队。
Shopify 已通过 Tangent 实现了多项业务突破：将索引服务 QPS 从 800 提升至 4200，优化 Liquid 主题延迟，还自动识别并清除了大量冗余数据表。这极大降低了电商 AI 落地的门槛，让非技术岗的业务人员也能参与 AI 优化，加速了业务迭代的速度。
电商 AI 护城河：SimGym，用十年用户数据打造的真实客户模拟器
SimGym 是 Shopify 最具辨识度的 AI 工具之一，其核心在于模拟真实的客户购物行为，为商家提供优化建议。
Mikhail 强调：SimGym 的核心护城河是 Shopify 十年积累的商家与用户行为数据。没有这份历史数据，客户模拟只会按 prompt 重复内容，毫无实际价值。很多 AI 工具靠通用 prompt 也能做模拟，但 Shopify 的 SimGym 依托十年真实交易数据，能精准还原用户购物行为，这是其他竞品抄不走的核心优势。
SimGym 最初用于对比 A/B 测试方案，内部目标是让模拟结果与真实 A/B 测试的相关性达到 0.7，目前已经实现并落地。现在的 SimGym 已升级为直接给新商家提供网站优化建议，比如纠正了一条“放大商品图片能提升销量”的设计师直觉——模拟显示该操作反而会降低转化率。
模拟客户行为需要极高的成本，包括多模态模型、浏览器仿真、模型蒸馏等环节，Shopify 正持续优化这些环节以降低开销。SimGym 还用到了中国餐馆过程（CRP）进行品类聚类，针对不同品类的客户行为差异做精细化优化。
当前主流 AI 架构以 Transformer 为主，但 Shopify 正在测试并落地 Liquid 神经网络，这是一种非 Transformer 架构。
Mikhail 解释：“Liquid 是状态空间模型（SSM）的进阶版本，表达能力强于 SSM，上下文长度为亚二次，兼具低延迟与高吞吐量优势。”这是他见到的第一个真正能打的非 Transformer 架构，在低延迟搜索和离线批量任务上表现远超 Qwen 等主流模型。
Liquid 模型在 Shopify 有两大核心应用场景：一是 300M 参数的轻量模型，端到端延迟控制在 30ms 内，用于实时查询理解与个性化搜索；二是通过蒸馏大模型到 Liquid 架构，实现商品分类、属性提取等离线批量任务。
Liquid 模型是 Shopify 当前最具性价比的非 Transformer 架构选择，团队会持续对比测试其他模型，始终以实际效果为选择标准。Shopify 近期还发布了 UCP 统一目录平台，整合全平台商品搜索、批量查询、个性化搜索能力，优化身份链接以降低用户摩擦。
彩蛋与招聘：从必应 Sydney 到 Shopify 的人才需求
访谈中还聊到了必应 Chat 早期的 Sydney 项目，Mikhail 分享了不少细节。早期 Sydney 使用的是微软与 NVIDIA 合作的 Megatron 模型，而非 GPT，团队为此投入了大量精力进行人格塑造。
Mikhail 提到：“Sydney 早期在印度首发时，被不少用户当成人工假扮，因为当时公众对 LLM 的认知还很有限。”这段细节也折射出早期大模型落地时的公众认知鸿沟。值得一提的是，如今 Shopify 团队里依然有当年 Sydney 的核心成员，算是技术班底的一种延续。
目前，前 Sydney 开发负责人 Andrew McNamara 正在 Shopify 负责 Sidekick 与 Pulse 项目，堪称团队再度集结。
Shopify 当前的招聘需求集中在三个领域：机器学习、数据科学，以及 分布式系统 数据库。Mikhail 补充说：“我们正在探索用 AI 重构分布式数据库，这是一个极有潜力的方向，欢迎相关人才加入。”
总结
本期访谈完整展现了 Shopify 从电商工具平台到 AI 技术公司的转型路径：从全员无上限使用 AI 工具，到解决 AI 编码的真实瓶颈，再到自研实验平台、客户模拟器与非 Transformer 架构。三大自研工具加十年数据护城河，共同构建了 Shopify 难以复制的竞争优势。
内容适合 AI 从业者、电商创业者、企业技术管理者阅读，能帮你跳出 AI hype，看清企业级 AI 落地的真实场景与核心挑战。
发表于 2 小时前
|
查看: 3|
回复: 0
