把大模型推向億級DAU前臺，快手直播如何重構匹配效率與交互體驗？

作者｜ 吳翔宇

策劃｜AICon 全球人工智能開發與應用大會

審核 | Kimmy

在人工智能席卷全球的浪潮中，AI 往往被視為資本市場的“金鑰匙”，但在快手直播的實戰場景里，它更是一把深入業務肌理、腳踏實地服務用戶的“手術刀”。

本文基于快手算法專家吳翔宇在2025 AICon 全球人工智能開發與應用大會·北京站的演講《快手直播的 AI 進化論：技術落地與用戶體驗升級》，回顧了直播行業從 1.0 的 PC 秀場到 2.0 的全民直播，再到3.0 “AI 共生”時代的蛻變歷程。他指出，直播的本質始終是UA（User-Author）關系的深度綁定，而大模型的出現，正以前所未有的姿態重塑這一關系的建立邏輯。

通過自研 KVL 架構的多模態理解、用戶觸點的全鏈路升級、以及互動智能體的規�；涞�，快手成功將大模型從幕后的算法推演推向了億級 DAU 場景的前臺交互。這不僅是一場生產力的革命，更是對直播生態大腦的一次徹底進化。

以下是演講實錄（經 InfoQ 進行不改變原意的編輯整理）

多模態大模型的出現，如同一場行業變革，徹底重塑了多模態內容理解的框架與范式，推動該領域實現跨越式發展。而在 AI 賦能交互領域，依托 GPT 類大模型卓越的生成能力，長期深耕系統后端的算法工程師，終于有機會在億級 DAU 的國民級應用中，看到自身研發的模型直接與用戶實現溝通、交互與價值傳遞。

1 直播進化論：從 1.0 到 3.0，AI 如何重塑 UA 關系

過去二十年間，直播已從單一的娛樂工具演變為不可或缺的社會基礎設施。

在直播 1.0 時代，受限于 PC 硬件、寬帶及 Flash 技術，內容多集中于顏值秀場、才藝展示及游戲直播。雖然這一階段確立了公會模式與打賞機制，使直播進入大眾視野，但其本質仍屬于相對小眾的垂直娛樂領域。

隨著智能手機、5G 網絡及推薦算法的普及，直播邁入 2.0 時代。開播門檻的大幅降低，人人皆可主播。在快手等平臺上，直播已深入各行各業，催生了“直播 + 電商”、“直播 + 招聘”等多元形態。直播由此完成了從娛樂向生活方式的轉型，正式成為社會基礎設施。

如今，我們正步入以“AI 共生”為特征的 3.0 時代。大模型、AIGC 與數字人技術正深刻重構直播的交互模式，推動其從單一的人際互動向智能交互跨越。例如數字人直播已能實現 24 小時不間斷帶貨，在提升用戶新鮮感的同時，挖掘出巨大的商業潛力。這一階段標志著生產力的革命，AI 不僅能輔助開播，更在內容生產上實現了效率與智能化的飛躍。從 1.0 的“看熱鬧”到 2.0 的“辦實事”，再到 3.0 的“智能化”，直播正變得愈發聰明且無處不在。

快手認為，直播的本質在于UA（User-Author，即用戶與主播）關系的建立。這種關系的形成并非隨機，而是如同漏斗模型所展示的，經歷了匹配、觸達、認知與關系建立這四個環環相扣的演進階段。

建立 UA 關系的第一步是“找對人”，即通過深度分析用戶的內容偏好、歷史互動及實時行為，實現主播與用戶的精準預匹配。然而，僅有匹配是不夠的，關鍵在于讓合適的主播在最佳時機出現在用戶面前。這需要結合直播間的實時內容與用戶的實時狀態，尋找觸達用戶屏幕的最優窗口。當用戶感知到直播間入口時，最初幾秒的視覺與內容印象往往決定了其后續的留存意愿，因此，塑造第一印象至關重要。

為優化這一環節，我們借助大模型對主播特色與風格進行深層理解，動態生成個性化的直播間外內容展示。用戶在點擊進入前，便能與主播形成初步的認知共鳴。

用戶進入直播間，并不代表推薦環節的結束，反而恰恰是關系建立的開始。直播的核心價值，在于構建長期的情感紐帶。通過個性化互動提醒、粉絲權益推送等方式，可持續強化觀眾的參與感、認同感與歸屬感，最終實現 UA 關系的深度綁定。

既然直播的本質在于 UA 關系的建立，那么在海量流量的背景下，如何實現高效且高質量的連接便成為核心課題。在此過程中，大模型扮演著不可或缺的角色，快手 AI 從“匹配效率”與“服務質量”兩個維度，全面重塑了秀場直播的生態循環。

在用戶側，AI 的核心任務是解決信息過載問題。面對數百萬量級的主播儲備，我們必須確�！皩Φ闹鞑ァ蹦茉凇皩Φ臅r間”與用戶相遇。這不僅需要通過多維信號整合來深度刻畫主播特征與用戶畫像，更需要挖掘用戶行為背后的深層動因。我們不僅關注點擊偏好，更致力于理解用戶在特定直播間氛圍下的情感需求與打賞動機。此外，依托快手集短視頻、直播、搜索與電商于一體的多場景生態，我們通過“短直聯動”及多場景協同策略，確保了 AI 導向的精準性，從而最大化提升匹配效率。

在主播側，AI 則更多地扮演著“智能導師”與“超級助手”的角色。在內容創作上，AI 能夠實時生成話題并提示熱點，確保主播在互動中始終有�？山�、有話可聊。在經營策略上，AI 依托大數據分析提供科學的開播建議，指導主播把握內容趨勢以獲取更多關注。

這種匹配效率與服務質量的雙重提升，最終構建了一個理想的業務閉環：用戶因精準匹配而留存，主播因服務質量優化而增收。對平臺而言，AI 真正實現了效能與體驗的同步躍遷，并直接驅動了直播營收的穩健增長。

2 深度理解：從 ID 匹配到語義認知的范式躍遷

傳統推薦算法多側重于 ID 特征的擬合與匹配，而在大模型快速發展的當下，我們正實現從單純 ID 關聯向深度語義理解的范式躍遷。接下來，我們將重點分享如何結合快手直播的場景特性，依托多模態大語言模型（MLLM）實現深度理解能力的突破，最終達成更優質的 UA 關系匹配。

首先在技術實現層面，支撐深度理解的關鍵在于我們構建的多模態直播基座。早期我們曾借鑒 MiniCPM-V 等優秀模型構建了第一版基座，而目前則基于快手自研的 KVL 架構，實現了從分散式模型向通用底層的范式轉移。

通過對比可以直觀地看到架構演進帶來的巨大差異：早期我們的理解系統由數十個分散的模型堆砌而成，為了解析一段直播，需要建立多級類目、屬性標簽、人物環境、動作捕捉以及顏值、游戲 IP 等眾多專項模型。這種“打補丁”式的架構不僅識別精度有限，且可擴展性差，維護數十個在線模型的成本也極高，各模型間的協同效率十分低下。

為了解決這些問題，我們基于自研的 KVL 架構構建了更懂直播的通用底層。在持續預訓練階段，我們融入了大量快手直播場景的專屬數據；在后訓練階段，我們將直播類目標簽、主播描述等業務任務與視覺推理任務深度結合。這使得模型在保持強大通用能力的同時，實現了直播場景理解能力的顯著升級。

轉向這一新范式后，技術紅利十分明顯。首先，模型的泛化能力大幅提升，能夠理解各類從未見過的、新興的直播內容，而不再受限于預設標簽；其次，多模態融合更加深入，模型能夠同時解析畫面、音頻、文本及用戶評論，實現真正的深度理解；此外，系統的可擴展性顯著增強，處理新業務邏輯時，不再需要頻繁上線新模型，而是通過策略定義即可快速補齊能力。

這種從分散走向融合的轉變，本質上是直播生態“大腦”的進化，使模型能夠像人類一樣，在觀看直播后即可充分表達對主播風格、直播內容及主題的多維度理解。

盡管多模態基座在領域訓練中表現優異，但在直播場景中，大模型對主播的認知與用戶的真實感知仍存在明顯差距。

未經過對齊優化的基座模型，通常只能生成機械、表層的描述，例如僅識別 “女性、室內、唱歌” 這類基礎標簽，而用戶更習慣從 “治愈系、寵粉、正能量” 等情感維度認知主播。同時，受后訓練階段對齊機制的限制，多模態模型易出現評價同質化問題，對顏值等核心特質無法做出具備區分度的深度判斷。

在此前提下，從用戶視角重新定義主播特質成為這一階段的核心工作。我們通過兩條路徑引導大模型學習用戶真實反饋：一是深度挖掘用戶評論，借助 AI 聚類與語義標簽技術，從海量評論中提煉可精準反映主播顏值、互動風格的高價值信息；二是聯合產品端發放激勵問卷，收集用戶對主播的直觀反饋，經低質量內容過濾與相關性校驗后，沉淀出具備代表性的核心反饋數據。

最后，我們將用戶側反饋作為強化學習的基準事實，推動模型在多模態信息融合中持續迭代。在用戶偏好的指引下，模型生成的標簽體系與用戶視角高度契合。經過這一迭代過程，模型不僅能客觀解析主播內容，更能從用戶視角感知與理解主播特質。

便實現了對主播內容的深度理解與用戶視角的對齊，在直播場景中依然存在一個核心挑戰：理解主播并不等同于理解 “用戶為何喜歡該主播”。過去的研究往往側重于單向的內容評估，即判斷主播素質優劣，但優質內容并不必然匹配所有用戶的口味。因此，我們必須從單邊理解邁向雙向匹配，構建能夠推演用戶看播偏好、預測 UA 關系建立動因的深度能力。

在具體實現上，我們通過大模型對用戶的歷史行為序列（如打賞記錄）進行深度解析。我們將用戶過去互動過的主播視覺內容、口播文本及評論信息作為輸入，并采用 “候選主播選擇題” 的形式對模型進行訓練。為了得出正確答案，模型必須對用戶偏好序列與候選主播特質進行同步的邏輯推理。在此過程中，我們引入了類似 GRPO 系列的強化學習算法，結合特定的任務規則與獎勵機制，對模型進行針對性優化。

這種優化帶來了雙重增益：一方面，系統能夠生成極其精細的用戶偏好畫像，例如精準識別出用戶對 “帶有強互動元素的歌唱類直播” 的細分偏好；另一方面，模型能夠輸出明確的推薦理由，使推薦過程具備了透明度與可解釋性。通過這種深層的心理與行為對齊，AI 實際上復盤了用戶與主播產生情感連接的全過程，從而將內容理解對 UA 關系的預測精度提升到了前所未有的精度。

那么這種針對用戶關系深度理解的高投入模型是否已經在快手落地？

直播場景恰恰提供了一個極為理想的實踐溫床。與短視頻或電商擁有數億級泛眾 DAU 的情況不同，直播中具有高頻打賞行為的高價值用戶群體規模相對精準且集中，這使得我們能夠投入更高精度的模型資源，為這部分核心用戶提供極致精準的主播匹配。

在過去的幾個月中，我們已將這種“會思考”的生成式推薦方案正式應用于直播業務鏈路。具體流程如示例所示：系統首先獲取用戶的歷史打賞序列，通過大模型的歸納與推演， 剖析其個性化偏好。這種分析生成的標簽并非死板的預設分類，而是動態產出的描述，例如“雙人互動 PK”、“青春女神”、“明亮室內環境”以及“交友向情感互動”等。

基于這些動態生成的深度畫像，我們能夠在千萬級的主播資源庫中，精準發掘出用戶可能感興趣、但在傳統推薦邏輯中尚未觸達的“潛在匹配”。這種方式極大地拓寬了興趣預測的“解空間”，使我們能夠在海量候選結果中，實現比以往任何內容理解方式都更加精準的匹配效果。

3 觸點升級：AI 驅動的第一印象與認知路徑重構

如果說前面的討論聚焦于如何構建更聰明、更懂人心的“直播大腦”，那么接下來的核心議題便是如何利用大模型能力為這個系統賦予“五官與嘴巴”，讓它看得懂、會表達。第三章關于“用戶觸點升級”的目標，是希望用戶與主播的首次相遇，能從隨機的驚鴻一瞥轉化為一種精準契合的必然。

要實現這一目標，意味著在用戶滑動切換直播間的毫秒之間，系統展示的信息必須精準擊中其潛在需求。為了探究用戶在短短幾秒內做出留存決策的底層邏輯，我們進行了深度用戶調研。結果顯示，用戶對主播的篩選主要集中在主播特點、直播信息和直播效果三個維度。

在主播特點方面，超過 55.3% 的用戶最看重主播的性格，這標志著直播行業已從早期的“顏值經濟”跨越到了“性格經濟”時代，用戶更傾向于尋找能產生情緒共鳴的有趣靈魂。

其次，直播間的封面與標題是用戶獲取信息的關鍵觸點。調研數據指出，有 40.7% 的用戶會根據直播間傳遞的核心信息（如具體的業務品類或內容主題）來決定是否留存。

同樣重要的是直播的實時效果，其中才藝內容與互動氛圍是決定留存的核心。一個氛圍冷清的直播間，即便主播顏值再高，也難以產生持久的吸引力。

由此可見，盡管用戶興趣多元，但高效、多維度地獲取主播信息，仍是他們最核心且明確的共性訴求。面對瞬息萬變的直播內容，用戶注意力已成為極度稀缺的資源。若信息觸點匱乏，高昂的選擇成本將直接導致用戶流失。

因此，我們的核心目標是通過強化直播間內外的雙重觸點，縮短用戶對主播的認知路徑。

直播間外是塑造第一印象的主戰場，但主播難以時刻處于完美表演狀態。此時，AI 的輔助作用便不可或缺：它能精準提取并濃縮主播的核心亮點，生成個性化的直播間外文案或動態展示，從而激發用戶的點擊意愿。

而當用戶進入直播間后，常因信息斷層（如錯過精彩的 PK 或懲罰環節）而產生疏離感。為此，我們實時滾動播放精華摘要與直播預告，幫助用戶快速補全背景信息，確保其能迅速融入當前的直播節奏。這種“直播間外抓眼球、直播間內留人心”的聯動機制，本質上是利用 AI 自動生成的描述降低發現成本，再通過實時內容摘要降低理解成本。

屏幕左側展示的正是我們“AI 主播簡介”功能的落地效果。通過這一功能，我們成功在用戶滑到直播間的第一秒，便能將其核心特點精準呈現。

首先，我們構建了多元數據智能分析系統，不僅實時解析當前的直播畫面，還深度整合了主播的歷史內容、直播行為、個人簡介及預約信息等全棧數據，為每位主播建立起深厚的基礎信息底座。

在此基礎上，依托 KVL 模型的深度提煉能力，系統會自動生成一段兼具準確性與吸引力的解讀文案。這段文案旨在突出主播的差異化核心賣點，從而徹底告別千篇一律的內容展現。

“AI 主播簡介”的上線直接解決了兩大核心痛點。

一方面，它實現了觸點前置，用戶無需進入直播間觀察數分鐘，在 Feed 流中即可快速建立認知，極大縮短了用戶認知路徑。

另一方面，它通過緩解信息不對稱帶來的認知缺失，顯著提升了直播間的點擊效率與停留時長。例如，針對演唱經典老歌的主播，AI 會提煉出“經典老歌唱得透”等具有故事感的標簽，迅速將其從同質化的內容中脫穎而出；對于身著復古服裝的互動直播，AI 則能解釋其背后的整活邏輯，避免用戶產生誤解；而對于“秦腔非遺傳承”與“助農”等關鍵詞的提取，則能迅速建立用戶的心理認同。

這一功能是將大模型的理解能力轉化為實際產品生產力的典型案例。它讓我們這些算法工程師從后臺走向前端，通過 AI 技術為主播遞上一張極具辨識度的“數字名片”。

如果說 “AI 主播簡介” 是為主播遞出的名片，那么 “AI 小快播報” 則更像是直播間內全天候在線的智能觀察者。針對新進用戶常因 “跟不上進度” 而產生困惑、最終流失的長期痛點，AI 小快播報通過扮演實時記錄者的角色，根據直播間的不同形態，靈活切換兩種工作模式來提升用戶體驗。

在 “內容梗概型” 模式下，AI 能夠像撰寫新聞簡報一樣，實時還原直播的內容主線與核心節點。例如，對于剛進入直播間的用戶，系統會提示 “開播 20 分鐘、PK 戰況、受罰后的反擊” 等關鍵信息，幫助用戶迅速補全錯過的情節，消除信息斷層。而在 “氛圍鼓動型” 模式中，AI 則側重于情緒價值的引導，通過感性的話術激發用戶的共鳴與參與感。

這種實時的智能化輔助，不僅顯著延長了用戶的觀看時長，還通過消除信息壁壘降低了用戶的心理疲勞感。同時，氛圍的有效調動直接提升了評論與點贊的互動頻率，并驅動用戶在直播生態中進行更深度的瀏覽。

4 智能體落地：從輔助工具到數字分身的價值延伸

接下來將深入討論“AI 互動智能體”的落地實踐。這一技術真正為直播間注入了“數字生命”，不僅簡化了開播流程、讓交互更自然，更實現了從提供情緒價值到驅動直播打賞的高效轉化。

目前的單人秀場模式正面臨人力驅動的天然瓶頸。傳統的直播高度依賴主播個人，要求其在持續輸出高質量內容的同時，還需兼顧高頻的實時互動。這種“雙線作戰”的強度極易導致主播疲勞，進而影響直播表現的穩定性；此外，人力精力的有限性也制約了單人模式的營收上限，導致業務規模難以在保證質量的前提下持續擴張。

針對不同發展階段的主播，其核心痛點也存在明顯不同。中小主播往往尚未形成鮮明的個人特色，且難以承接好每一位觀眾，急需 AI 補齊基礎互動能力，以平穩度過冷啟動期。

而對于頭部主播而言，雖然具備優質的內容產出能力，但在面對海量粉絲時卻分身乏術。此時，AI 的核心價值在于拓寬其服務半徑，確保每位粉絲都能獲得被重視的個性化體驗�；谶@些現實挑戰，構建 AI 互動智能體，已成為一個邏輯嚴密且具有實戰價值的方案。

如上圖所示，AI 助手在播前、播中、播后三個階段實現深度滲透。我們可以借此觀察，它如何補齊并強化直播間的服務能力，挖掘每個環節中的商業與情感價值。

直播前的準備階段，核心目標是實現“精準入場”。AI 助手會在開播前提前開展工作。它會搭建話題模板庫，自動準備個性化的歡迎語與感謝話術。同時，利用大模型優化直播間標題，精準植入核心關鍵詞，提升搜索權重。此外，系統還會智能識別高價值粉絲，定向發送專屬邀請或紀念日提醒，保障用戶粘性。

進入直播中輔助階段，AI 助手會成為實時的“智能互動導師”。它能實時解析彈幕和用戶進場信號，輔助主播顧及到每一位觀眾。針對新老用戶的不同身份，AI 會生成差異化的歡迎語。結合觀眾的地域、興趣點，還能實時打造專屬話題。通過調取用戶的歷史互動記錄，AI 還能輔助主播進行動態關懷，構建主播與用戶之間的專屬記憶。

直播后的維護環節，重點轉向深度關系維護與潛力用戶挖掘。直播結束后，AI 會自動承接繁瑣工作，把即時流量轉化為長期存量。它可以自動答謝榜單貢獻突出的用戶，建立長期情感鏈接。也能在海量新觀眾里，精準挖掘潛力用戶并進行針對性培養。通過深度分析本場直播數據，AI 還能為下一場直播給出科學的策略建議。

經過全流程的滲透，AI 互動助手不再只是輔助工具。它更像是能幫助主播運營私域資產的智能合伙人。AI 讓主播從瑣碎事務中抽身，專注于核心的內容創作。這從本質上提升了直播間的運營效率。

關于 AI 互動助手在直播場景中的實際表現，我們可以通過兩個典型案例直觀感受。

首先是 “智能破冰與引導” 功能。當老客戶進入直播間時，系統會立即識別其身份。同時，精準建議主播基于用戶的歷史偏好進行互動。比如，用戶此前若表達過聽歌訴求，助手會提示主播主動詢問其想聽的曲目。這種具備 “記憶力” 的交互，極大增強了用戶的歸屬感。

其次是 “即時打賞反饋” 功能。當用戶贈送燈牌或禮物時，助手會迅速提醒主播。并且匹配高質量的感謝話術，通過即時且溫情的反饋，促成用戶持續打賞。這種細致的 AI 輔助，已讓它成為快手直播今年的明星項目，為大盤帶來了 4.1% 的營收增長。

在賦能新主播方面，AI 助手的表現尤為突出。中小主播在冷啟動階段，普遍存在 “不知如何留客” 的痛點。AI 補齊了他們基礎服務能力的短板，讓新主播群體的營收增長接近 6%。此外，付費率、互動率及長播率等核心指標，均呈現出明顯的正向增長趨勢。

AI 互動助手不僅能為頭部主播錦上添花，更能為廣大中小主播雪中送炭。它通過技術手段，補齊主播服務能力的短板。讓每一個直播間，都能具備專業級的運營水平。

如果說此前介紹的 AI 互動助手是主播的輔助工具，那么 AI 分身則實現了主播能力的規�；瘡椭啤Ｋ诵慕鉀Q的，是主播精力有限與用戶需求無限之間的矛盾，保證在各類高并發場景下，互動體驗都能保持實時、不間斷。

與側重第三方視角播報的 “AI 小快播報” 不同，AI 分身通過深度學習主播的語言風格，可完全切換至主播視角，完成自主交互。

要實現這種 “神形兼備” 的替代服務，首先需要完成主播風格的深度復刻。通過對主播獨有的互動話術、語音節奏進行精準建模，數字分身在回復用戶時，能保持高度的風格一致性。即便主播本人分身乏術，用戶依然能感受到被關注的親近感。

其次，分身具備深度內容承接能力。它能針對用戶評論主動延伸話題，通過邏輯連貫的互動，維持直播間的活躍度。此外，數字分身還承擔著推動商業轉化的職責。它可實時監測關注、打賞等核心行為，代替主播完成個性化答謝，確保轉化鏈路中的每個節點都能得到高效響應。

要讓 AI 分身無破綻地替代主播提供服務，我們需要攻克三項核心挑戰。

第一，在語料復雜、特征稀疏的場景下，如何為主播構建更精準的數字畫像；第二，垂類數據普遍稀疏，通用模型在此類場景下表現往往不佳，如何通過技術手段優化模型輸出效果；第三，高并發場景對 Badcase 率要求極高，如何將其降至極低水平，確保 AI 每一次代班都穩定可靠。

這一系列問題的核心解決方案，是我們搭建的多智能體（Multi-agent）協作機制。該機制包含多個關鍵環節：對 ASR 數據進行精細化清洗，對主播歷史互動語料做規范化處理，結合模型定向微調，并接入外部知識庫。最終通過多智能體協同配合，完成整體任務。

如屏幕左側的實際應用場景所示，AI 分身不僅能深度理解用戶需求，更能以主播特有的口吻給出有溫度的反饋。例如，針對基層才藝主播，系統能自動生成極具親和力的引導話術；而針對音樂類主播，則能以貼合其形象的語氣邀約用戶點歌。

在引入 AI 分身的回復與引導后，直播間營收提升了 1.27%，付費 UV 與評論 UV 等也得到了顯著增強。數據證明，AI 分身有效填補了主播在精力受限時的服務空白，鎖定了原本可能流失的互動機會，顯著增強了用戶對主播的身份認同感和歸屬感。

AI 分身已不再是冰冷的數字人，而是主播服務能力的數智化延伸，確保每位進入直播間的用戶都能獲得即時回應。這種沉浸式的交互體驗，正是我們邁向“直播 3.0：AI 共生時代”的核心標志。

5 未來展望

從 PC 秀場 1.0 時代，演進至 AI 共生的 3.0 時代，直播形態雖不斷更迭，但鏈接主播與用戶的本質始終未變。借助大模型技術，我們在三個維度實現了核心能力的躍遷：通過深度理解增強認知能力，通過觸點升級提升產品力，借助互動智能體解放主播生產力。

如果說過去十年的關鍵詞是“鏈接”，那么下一階段的核心，便是 AI 與直播場景的“深度共生”我們正處在從工具輔助，向全面數智化運營跨越的關鍵節點。

順應這一趨勢，快手在 2026 年上半年的工作重點，將聚焦于“交互式主播助手”的研發。與當前單向輸出信息的助手不同，交互式助手將支持主播通過對話，進行深度咨詢與答疑，助力主播呈現更高質量的直播內容。該助手不僅能提供直播表現回顧，涵蓋關鍵指標分析與亮點復盤；還能針對腳本創意、實時話題，提供個性化建議。更重要的是，它實現了從單向提示到雙向互動的范式轉變。當主播對直播現狀產生困惑，比如針對場觀數據、內容瓶頸提出疑問時，助手能實時給出專業解答與指導。

如果說交互式主播助手賦能于生產端，那么“直播伴侶”則專注于革新看播體驗。它著力打破推薦系統的“黑盒”現狀，賦予系統與用戶直接對話的能力，標志著看播體驗從單純的算法推演，進化為雙向的意圖對齊。直播伴侶的核心價值，在于實時捕捉并響應用戶需求。當用戶意圖較為模糊時，系統會基于多樣化的興趣建模，提供探索性內容推薦，創造“意外驚喜”；當用戶指令明確時，比如提出“尋找同類型主播”的訴求，系統會通過關鍵詞匹配與個性化過濾，精準鎖定目標。

這種交互模式，與傳統搜索有本質區別：搜索通常始于明確的初始意圖，而直播伴侶則扎根于看播過程中的即興狀態。例如，用戶在觀看某類直播時，產生“換個口味”的念頭，這種上下文相關的訴求，恰恰需要通過交互式助手來深度滿足。為進一步增強用戶對系統的信任，我們將持續強化推薦算法的可解釋性。

嘉賓介紹

吳翔宇，快手算法專家，先后負責過快手的標簽體系建設，內容與行為聯合建模等工作，目前負責大模型在快手直播和商業化場景的應用。對大模型有深入的實踐，尤其對大模型在社區場景的落地有濃厚的興趣與豐富的經驗，推動了大模型在快手的內容理解、智能交互、體驗優化上等維度上的全面升級。

會議推薦

世界模型的下一個突破在哪？Agent 從 Demo 到工程化還差什么？安全與可信這道坎怎么過？研發體系不重構，還能撐多久？

AICon 上海站 2026，4 大核心專題等你來：世界模型與多模態智能突破、Agent 架構與工程化實踐、Agent 安全與可信治理、企業級研發體系重構。14 個專題全面開放征稿。

誠摯邀請你登臺分享實戰經驗。AICon 2026，期待與你同行。