DoorDash 不只靠 LLM 的購物助理
Ask DoorDash 要做的不是陪你聊天，而是把「今晚吃什麼、幫我找餐廳、採買一週食材」直接變成可下單的結果。它以 LLM 理解需求，再由專用 AI agents 分工，透過 MCP 工具呼叫商品目錄、推薦、購物車、結帳與訂單紀錄；搭配長期、工作階段及使用者明確告知的三種記憶，能找店、規劃餐點、建立購物車，甚至把原本手動操作縮到單次提示、兩分鐘內完成。
現實應用
一般消費者最直接的用途，是用自然語言處理條件很多的採買，例如「四人份、不要乳製品、預算 1,500 元的一週晚餐」。餐廳與零售商則可能因更精準的推薦得到較高轉換。對平台工程團隊來說，這套架構更值得看：商業邏輯留在既有後端服務，不塞進 prompt，同一批 MCP 工具可供不同 AI 體驗重複使用。
期望評估
我認為低標是減少搜尋與反覆補充條件的時間，並讓推薦結果能直接進購物車。DoorDash 的七天測試顯示，消費者記憶讓雜貨結帳轉換提高約 24%、客單增加 17%、對話輪次減少 7%；開放式餐廳查詢的轉換則提高 15%。
我猜高標會是跨餐廳、雜貨與歷史訂單的個人採買代理，但前提是記憶準確、價格庫存即時，而且高風險動作仍保留確認流程。它短期內不太像完全自主購物，更像能實際操作後端的進階導購員。
商業策略分析
受影響最大的會是外送平台、電商搜尋、推薦系統與廣告版位。當入口從商品列表變成一句需求，誰能被 agent 選進購物車，比誰排在搜尋第一頁更重要。我認為 DoorDash 真正的資產不是 LLM，而是即時供應資料、消費紀錄及可執行交易的工具層；競爭者只加聊天框很難追上。值得跟進的也是 MCP、記憶政策、評估與確認機制，而不是單純換更大的模型。
實作細節
Assistant Runtime 負責協調各領域 agent，共用 MCP 層對接既有服務。長期記憶由歷史行為離線產生，session memory 保存當次對話，agentic memory 記錄使用者明講的偏好，再用語意向量搜尋與排序挑出相關內容。其自動評估系統以 LLM 模擬有狀態使用者，每天可跑逾 2,000 次測試，將回歸測試從六小時降至二十分鐘；已知代價則是 orchestration、retrieval 與工具協調讓系統複雜度明顯上升。目前沒有公開安裝方式。