DoorDash pokazuje architekturę asystenta AI, który nie polega tylko na modelu językowym

DoorDash upublicznił szczegóły architektury swojego konwersacyjnego asystenta zakupowego Ask DoorDash, pokazując, że firma świadomie zrezygnowała z podejścia opartego na jednym dużym modelu językowym na rzecz systemu wielu wyspecjalizowanych agentów, trwałej pamięci konsumenckiej i zestandaryzowanych narzędzi. Opis architektury pojawił się w serii wpisów na inżynierskim blogu firmy i doczekał się analizy w InfoQ.

Runtime zamiast jednego modelu

Sercem systemu jest tak zwany Assistant Runtime, komponent koordynujący pracę wyspecjalizowanych agentów odpowiadających za różne zadania: wyszukiwanie w katalogu, rekomendacje, budowanie koszyka, finalizację zamówienia czy historię zakupów. Zamiast wpisywać logikę biznesową bezpośrednio w prompty kierowane do modelu językowego, asystent korzysta z wielokrotnie używalnych narzędzi opartych na Model Context Protocol, które łączą się z istniejącymi usługami DoorDash.

Takie rozdzielenie orkiestracji od funkcji biznesowych oznacza, że różne doświadczenia AI w aplikacji mogą współdzielić te same integracje, podczas gdy backend rozwija się niezależnie. Według doniesień system budowano częściowo na Google Agent Development Kit, a warstwa MCP eksponuje funkcje katalogowe i transakcyjne dla wszystkich agentów jednocześnie.

Trzy warstwy pamięci

Drugim filarem architektury jest system pamięci konsumenckiej złożony z trzech elementów: pamięci długoterminowej generowanej offline na podstawie historii zachowań użytkownika, pamięci sesyjnej obejmującej bieżący kontekst rozmowy oraz pamięci agentowej przechowującej fakty jawnie podane przez klienta. Dane trafiają do rozproszonej warstwy przechowywania z wyszukiwaniem wektorowym, a warstwa orkiestracji odpowiada za pobieranie kontekstu dopasowanego do konkretnego zadania.

DoorDash opisuje ten mechanizm jako przekształcanie ulotnych sygnałów z pojedynczej sesji w trwałą pamięć, która z czasem poprawia jakość rekomendacji. To właśnie ta warstwa odpowiada za największe zmierzone efekty biznesowe, opisane w testach na danych spożywczych.

Jak mierzą jakość

Trzecim elementem jest infrastruktura automatycznej ewaluacji, która symuluje wieloturowe rozmowy z użytkownikami generowanymi przez model językowy i korzysta z zarejestrowanych fixture'ów narzędzi, by odtworzyć warunki produkcyjne bez angażowania prawdziwych klientów. Framework naśladuje środowisko produkcyjne na tyle wiernie, że pozwala niezależnie oceniać orkiestrację, mechanizmy zabezpieczające i poszczególnych agentów domenowych.

Building a useful AI agent is hard. Knowing if it is actually good is even harder - Raghav Saboo, lider zespołu RecSys i wyszukiwania, DoorDash

Dzięki tej infrastrukturze firma twierdzi, że skróciła czas testów regresyjnych z sześciu godzin do dwudziestu minut i podniosła wynik jakości o osiem punktów, jednocześnie waliduje nią migracje modeli, w tym jedną, która obniżyła opóźnienie odpowiedzi o 35 procent bez utraty jakości.

Co pokazują liczby

Najbardziej konkretne dane dotyczą zakupów spożywczych: podczas siedmiodniowej ewaluacji obliczona pamięć konsumencka podniosła konwersję na etapie finalizacji zamówienia o około 24 procent, zwiększyła średnią wielkość koszyka o 17 procent i zmniejszyła liczbę wymaganych tur konwersacji o 7 procent. Budowanie koszyka miało być około pięciokrotnie szybsze niż ręczne przechodzenie przez katalog, a pojedynczy dobrze sformułowany prompt pozwalał skompletować zamówienie w mniej niż dwie minuty. Dla wyszukiwania restauracji przy niesprecyzowanych, otwartych zapytaniach asystent osiągnął o 15 procent wyższą konwersję niż standardowe przeglądanie.

DoorDash uruchomił Ask DoorDash publicznie w czerwcu 2026 roku, umożliwiając klientom składanie zamówień za pomocą zdjęć i swobodnych opisów, a firma zintegrowała funkcję zakupową także bezpośrednio w ChatGPT. Opis architektury opublikowany teraz na blogu inżynierskim tłumaczy, jak te funkcje działają pod maską i dlaczego firma zdecydowała się na podejście wieloagentowe zamiast pojedynczego modelu obsługującego wszystkie zapytania.

Znaczenie dla branży

Przypadek DoorDash jest istotny dla polskich firm e-commerce i platform zamówień, bo pokazuje wzorzec, który coraz częściej powtarzają duzi gracze: modele językowe generują język, ale decyzje biznesowe i dostęp do danych transakcyjnych zostają w wyspecjalizowanych, kontrolowalnych narzędziach. Taka architektura ułatwia audytowanie działań agenta i ogranicza ryzyko błędnych transakcji, co jest kluczowe przy realnych pieniądzach klientów.

Publikacja szczegółów technicznych wpisuje się też w szerszy trend, w którym duże platformy konsumenckie otwarcie dzielą się architekturą swoich systemów agentowych, częściowo po to, by przyciągnąć talenty inżynierskie, a częściowo by ustanowić wzorce projektowe dla całej branży zajmującej się wdrażaniem agentów AI w produkcji na dużą skalę.