Agora Athena智能导购评测：探探AI购物助手深度体验
说起AI购物助手，最近真是层出不穷。亚马逊有Rufus，京东和阿里也都在布局。不过，今天想重点聊聊一个叫Agora的玩家，它对自己的定位挺有意思——要做去中心化的“世界级商城”。
先看看市场上的其他角色。Genspark这类以AI搜索名义做商品推荐的，推荐能力整体还算智能。而Agora呢，主打智能导购加24小时人工服务，但明确不做仓储物流。它的智能导购助手Athena在主动挖掘需求上做得不错，推荐商品时会一次性给出6款。不过，商品推荐的精准度是个硬伤。原因不难猜：一是平台商品库有限，没有符合条件的商品时，推荐结果自然就显得不准；二是推荐结果缺乏可解释性，用户很难直观理解“为什么推荐这个”，相比之下，传统搜索的匹配逻辑就清晰得多。
所以一个核心判断是：Athena的导购对话设计虽然出彩，但仅凭这种程度的智能，还撑不起“世界级商城”的野心。甚至可以说，它的核心竞争力未必在AI导购本身。
1. 公司情况
公司注册于美国佛罗里达州，具体地址是382 Northeast 191st Street, PMB 41729，迈阿密。创始人Param Jaggi在2024年7月29日晚上发布了Agora上线的消息。
项目的起因很生活化：创始人想为妻子找一双红色鞋子，却发现跨平台搜索商品异常麻烦。自推出MVP以来，Agora已经服务了30万用户，并注册了首批付费商家。这里有个值得琢磨的点：解决跨平台找商品的痛点，理想方案是做一个中心化的电商平台——这其实和产品声称的“去中心化”定位存在某种张力。举个例子，在中国，你知道淘宝上什么都能找到，核心前提就是商品必须够全够多。
融资方面，Agora从@rauchg和@Accomplices筹集了一轮前期种子资金。创始人Param Jaggi生于1994年，是一位美国发明家，也是Hatch Technologies的CEO。他因制造Algae Mobile（一种将汽车尾气CO₂转化为氧气的装置）而闻名，早在2011年和2012年就入选了福布斯30 under 30。他是印度裔，现居华盛顿特区，父亲也是一位企业家。
2. 产品背景
2.1 产品定位：电商平台——世界级商城，去中心化的亚马逊
Agora的官方表述很清晰：“全球商店：一站式搜索、比较和购买所有在线电子商务产品。”它是一个电商搜索引擎，聚合了来自数千家商店的数百万种商品，让用户通过单一平台搜索心仪的商品。
定位是“去中心化的亚马逊”，听起来是奔着世界级淘宝去的。核心逻辑是做一个电子商务平台，但不碰物流和仓储，不保存任何库存，支付直接路由给商家，并为客户提供订单跟踪链接。亚马逊之所以能吸引海量商家和消费者，关键在于它把平台流量、仓储和物流服务都做透了。反观Agora的这个定位，确实让人有些困惑——它到底想靠什么留住用户和商家？
目前已经支持4个独立站系统：Shopify, WooCommerce, Wix 和 Squarespace。
2.2 用户群体
这是一个典型的平台型产品。面向消费者（2C），提供跨平台的商品推荐服务，以及订单主动跟踪和24小时人工服务，试图用更卷、更周到的服务来吸引用户。面向商家（2B），则是拓展营销渠道：一是引流，且与亚马逊不同，Agora不收取销售用金；二是针对Shopify和WooCommerce上的商家，通过爬虫技术自动抓取商品和图片，降低启动门槛；三是有人工服务作为补充；四是商家可以获取自己的用户数据。
2.3 商业模式
营收模式目前有两个核心来源：B端商家订阅费和广告收入。成本端则包括：产品开发维护的人工成本、AI助手的模型接口使用成本，以及7×24小时人工服务的成本。
2.4 产品定价
面向消费者完全免费。B端采用订阅制收费，并在此基础上叠加了广告和竞价排名的选项。
不同版本的订阅定价，核心差异体现在几个方面：Boost广告折扣力度——平台提供广告服务的折扣，这一点比较特别；搜索查询次数（1-3次不等），本质上是为了增加商品曝光，跟电商平台的关键词竞价排名是一个逻辑；还有用户数限制以及服务等级（邮件支持 vs. 客户经理），这部分更多是为了区分免费用户。
3. AI Shopping Assistant — Athena
3.1 产品介绍
3.2 亮点
Athena有几个让人眼前一亮的设计。
第一，主动挖掘需求。它会根据用户咨询的商品品类，主动追问关键信息。比如，几乎所有品类都会问预算和品牌偏好；如果是手机，会追问相机、电池续航等具体参数；如果是裙子，则会问场合、风格和长短。这种精细化的问题设计，让对话显得很聪明。
第二，支持用户反问。推荐过程中如果遇到不解，用户可以反问。比如用户问“这三种咖啡机类型有什么区别”，Athena会给出解释；如果用户接着说“我喜欢喝拿铁，该用什么机器”，它会推荐意式浓缩咖啡机，非常适配。这种交互上的灵活性，体验很好。
第三，支持追问并基于上下文重新推荐。举个例子，先让推荐红色高跟鞋，推荐完成后改口说“要黑色的”，Athena有时会重新总结需求后推荐出黑色高跟鞋，这种上下文理解和需求变更的能力确实惊艳。
另外，多轮需求挖掘的响应速度极快，不到1秒就能输出结果；推荐商品也很快，大约3秒内。能实现这样的速度，推测它调用的是本地化的大模型，而非公有大模型API。
3.3 不足
当然，缺点也很明显。
推荐结果的可解释性差。推荐出的商品，有些看起来只是部分符合要求，但具体哪些条件符合、哪些不符合，用户无法直观判断，得点进商品详情页去看。这其实是模型做推荐的天然短板。更糟糕的是，有时推荐效果非常离谱——比如要推荐手机，结果推荐出手机壳，让人哭笑不得。最后发现，平台上可能压根没有手机这个品类。
细节功能缺失。不支持按价格排序，不支持商品参数问答，也不支持商品对比。
交互设计的局限性。推荐商品固定在对话框底部，点击跳转到商品详情页后，Athena就消失了，回退后之前的对话记录也看不到。Athena纯粹只是一个需求挖掘和推荐的助手，缺乏更深的整合。
否定性需求的推荐效果差。如果用户一直提否定要求，推荐结果会明显变差。
中文推荐效果不佳。中文的导购挖需能力还在，但最终的商品推荐结果非常拉胯。对比之下，英文推荐沙发时效果很好。这暗示了一个技术细节：挖需沟通和商品推荐很可能使用的是两个不同模型。挖需沟通用的是大模型，所以多语言支持好；而商品推荐要么是基于特定语言训练的推荐模型，要么是搜索模型。
4. 技术猜想：用Coze搭建类似的商品推荐Chatbot
其实，通过Prompt加通用大模型再加商品知识库，搭建一个类似的商品推荐Agent并不难。以Coze（扣子）为例，虽然细节上仍有差异，但做到挖掘需求和推荐商品是可行的。