“我有几件家具要拉到深圳,要用多大的车?”在货拉拉下过单的人,大多遇到过这种纠结:车型太多、货物千奇百怪,选小了装不下,选大了又贵。
这看着像个“推荐”问题,实际是信息高度不对称、物理约束多到难以穷举的决策难题。货拉拉用3个各司其职的 Agent——懂货、懂用户、懂车型,把用户一句模糊的话,翻译成平台能精确执行的装载方案。
在 ThinkingAI Summit 2026 中国站,货拉拉 AI 应用促增长负责人吴立薪分享了这套 Multi-Agent 系统从智能客服到车货匹配的落地实践。

货拉拉AI应用促增长负责人吴立薪 在 ThinkingAI Summit 2026 中国站现场
一、车货匹配难题:帮用户选一辆车为什么这么难?
货拉拉连接的是“有货要运的人”和“有车能运的人”。车型有大有小,货物千奇百怪,司机和用户的需求也在不断变化。围绕这些需求,货拉拉已经在客服、员工助手等方向开展 AI 应用,车货匹配则进一步深入到用户下单前的具体决策:怎样选到一辆合适的车。
用户说“有几件家具要拉到深圳”,平台需要知道的却远不止这些:家具具体是什么?长宽高、重量是多少?能不能叠放、能不能压载?有没有人跟车?用户了解自己的货物,却未必能把这些信息说清楚;平台熟悉车型和装载要求,却看不到真实货物。
选车难,难在信息不对称,也难在必须满足真实的物理约束。

用户了解货物,平台了解车型,车货匹配需要补齐两端的信息
传统规则与机器学习遇到的三个卡点
在大模型出现之前,货拉拉尝试过传统规则和机器学习。这些方法在复杂货运场景中面临3个卡点:只按长宽高计算,很难处理多件货物的堆叠和防压要求;只按体积筛选,容易漏掉防雨、温控等偏好;用户信息填得不全时,系统又缺少继续追问的能力。
通用大模型擅长理解口语化表达,但还需要货运领域知识和专业计算工具。货物能不能承压、应当怎样摆放、车型是否适配,都需要进一步核对。
货拉拉由此把问题拆成3个部分:让懂货物的 Agent 补齐货物的物理画像,让懂用户的 Agent 提取随车、防雨、搬运等要求,再由懂车型的 Agent 结合这些条件,判断怎样装载、选什么车。
二、把「说不清」的问清楚:3 个 Agent 如何分工协作
货物的尺寸问清了,用户又补充“两个人跟车”“需要防雨”,这些信息都要进入最后的车型判断。负责推荐的 Agent,需要用上前面已经确认的货物信息和用户要求,再交给装载工具计算,才能给出合适的方案。3个 Agent 的分工,要靠信息的接续和工具的调用真正连起来。
Agent Team 如何接续上下文并调用工具
ThinkingAI 的 Agent Team 与工具连接机制,可以支持这类分工协作。知识检索、装载计算等专业能力,可以通过工具连接进入 Agent 的工作过程:需要补充货物信息时查知识,需要判断能否装下时调用计算工具,再把结果带回后续决策。

货拉拉车货匹配 Multi-Agent 全景图:Agent 分工、状态管理与工具调用相互衔接
在 ThinkingAI Agentic Engine 中,不同 Agent 可以读取企业确认过的业务知识,沿用任务中已经形成的上下文和阶段结果,接着前面的工作继续推进。团队验证过的处理方法,也可以沉淀为 Skill,供后续任务调用,让业务经验随着使用逐步积累下来。
放到车货匹配这样的场景中,用户每补充一条信息,都应当成为下一步判断的依据;企业积累的货物知识、装载规则和计算工具,也能在需要的环节被调用起来。从听懂需求到给出方案,各个环节才能衔接起来。
RAG 知识库与 Agent Loop 多轮追问
具体到货物信息,货拉拉搭建了一套 RAG 系统:通过模型微调注入行业常识与物理空间知识,再结合实体知识库检索,为长尾、生僻货物补充信息。
但知识库里的信息还需要与用户的实际情况对齐。用户说“我有两个大号实木折叠餐桌加一个纸箱”,系统会检查已经掌握的参数;遇到缺失信息,再追问尺寸、重量、能否堆叠等关键条件,逐步形成可用于计算的货物画像。
货拉拉从 Claude Code、Codex 等编程工具中借鉴了主动追问的思路:面对复杂任务,Agent 会识别缺失信息,与用户确认后再继续执行。把这种方式用到车货匹配中,就形成了 Agent Loop 多轮交互。
每一轮交互,系统都会先读取历史对话中已经确认的参数,结合新输入判断还缺什么,再生成针对性的追问。用户补充后,信息写回上下文,进入下一轮评估。货物信息就这样一点点补齐,成为后续装载计算的依据。

懂货物 Agent 的多轮信息补齐:对话记忆、意图理解、策略规划与交互执行
懂用户的 Agent 则继续提取货物参数之外的要求。“我们两个人跟着货走,怕淋雨,最好能帮忙搭把手”,意味着随车两人、需要防雨,以及需要搬运服务。口语里的这些要求,会被整理成明确条件,一起进入车型推荐。

懂用户 Agent 将口语化需求转成 随车人数、防雨温控、搬运等约束
三、从「装得下」到「运得了」:让选车决策更贴近实际
信息补齐之后,懂车型的 Agent 要判断这些货物怎样摆放、什么车型能够承接。
一台 50 斤的微波炉放在一箱鸡蛋上,从空间占用看可能放得下,实际却会压碎鸡蛋。冰箱的运输也有摆放姿态要求,不能只看长宽高是否能塞进车厢。
3D 装箱算法里的业务约束
货拉拉的做法,是在 3D 装箱算法里注入“业务灵魂”。易碎约束、摆放姿态、叠放承重,都要进入装载计算,再结合用户提出的随车、防雨等条件,筛选适合的车型。

将摆放姿态、承压规则与叠放限制纳入货物装载计算
前面问清的一条信息,在这里就可能改变推荐结果:一件货物不能横放,会影响车厢所需的高度;一箱货物不能承压,会改变其他物品的摆放方式。从理解一句话,到判断一车货怎样运,用户的需求最终要落实到这些具体条件上。
这套 Multi-Agent 系统让交互和决策都发生了变化。用户可以通过多轮对话补充信息;推荐过程则把货物特性、用户偏好和装载规则放在一起判断。
交互上,从被动等待用户填完信息,走向主动理解与追问;决策上,从单向经验匹配,走向多维约束下的协同判断。

货拉拉的系统演进:主动理解与动态追问,多维约束下的协同决策
接下来,货拉拉还希望沿两个方向继续探索。一个是感知升维:引入视觉大模型,让用户通过拍照提供信息,降低异形、长尾货物的描述难度。
另一个是决策升维。当前系统仍偏向单向需求求解,下一步希望融合实时运力与供需情况;当某类车型运力紧张时,再考虑替代车型或拼车方案,让推荐更贴近当时的履约条件。
货拉拉的探索,让我们看到,AI 进入业务深处,需要理解用户,也需要接上行业知识和真实的执行条件。货物能否叠放、用户是否跟车、车型能否满足要求,每一个判断都关系到方案能不能落地。
让这些业务知识和工具成为 Agent 可以调用的能力,正是 ThinkingAI 持续投入的方向。ThinkingAI 也期待与更多像货拉拉这样的实践者一起,把对业务的理解融入 AI,让用户更容易说清需求,也更容易得到合适的方案。






