配送与出行 / 外卖配送
DoorDash：内部数据分析与工作助手
- 企业
- DoorDash
- 国家
- 美国
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
DoorDash的知识分散在实验平台、指标中心、看板、维基和团队聊天中。要回答一个复杂的业务问题，得翻维基、在Slack里提问、写SQL、提Jira工单，还要不停地切换界面。自助工具的局限在于，它们默认用户已经知道该看哪些数据。
使用的技术与数据
DoorDash在内部数据和运营之上构建了agentic AI平台。检索由架设在向量数据库之上的多阶段引擎负责，把best-match-25关键词检索与稠密语义检索结合，再用reciprocal rank fusion重新排序。SQL以感知schema的方式生成：按表名做lemmatization来定位数据来源，DescribeTable工具提供列定义和预先缓存的示例值。生成的查询会在Snowflake、Trino等引擎上执行EXPLAIN进行检查。通过返回行数、关键列均值之类的结果统计，提前发现空结果。敏感数据不向模型暴露。出现问题时，智能体会根据反馈自行修正查询。
成果
DoorDash把阶段分为四层：确定性workflow、单一智能体、把多个智能体按层级组织的deep agent，以及彼此对等协作的swarm。第一阶段的平台底座和市场已经上线。第二阶段的AI Network处于preview状态，第三阶段的A2A和swarm尚在探索。回答质量由以LLM作裁判的自动评估框架打分。
局限与待解问题
这并不意味着能自行处理全部业务的系统已经建成。原文没有披露用户数量、节省时间、准确率分数之类的数字。
来源
- Beyond Single Agents: How DoorDash is building a collaborative AI ecosystem - DoorDashcareersatdoordash.com, 查阅
本案例根据公开资料整理，并非 ATF Works 客户的成果。