从B2B到A2A：Agent新基建如何让“一人企业”做全球生意？

概览

本期围绕 AI Agent 如何重塑跨境 B2B 贸易展开。主持人红君与阿里巴巴国际业务部总裁张阔讨论了硅谷与中国 AI 生态的差异、OpenClaw 与 Cloud Cowork 等新范式的启发，以及阿里国际站如何把 26 年 B2B 经验转化为面向中小企业的 AI 工具。

张阔的核心判断是，B2B 未来会走向 A2A，也就是 Agent to Agent。AI 不只是帮用户搜索商品，而是从产品研究、设计、供应商匹配、交易、物流、售后到日常经营，逐步形成一个可闭环的工作系统。

节目也讨论了 AI Native 组织的衡量标准：新模型出现时，组织是兴奋、焦虑，还是毫无感觉。张阔认为最危险的是“没感觉”，因为这意味着产品和组织没有真正构建在新模型与 Agent 框架之上。

分段落总结

[00:01] 开场：AI Agent 与“一人企业”的全球生意

[事实] 主持人提出，随着 AI Agent 越来越智能，未来一个人可能借助 Agent 专家团完成选品、运营、跨语种沟通和供应链管理。 [事实] 本期嘉宾是阿里巴巴国际业务部总裁张阔，节目关注阿里如何把 26 年跨境 B2B 经验做成 B2B AI 工具。 [事实] 主持人提到全球 B2B 业务交易额高达 30 万亿美元，但数字化渗透率仍有很大空间。 [推测] 本期的问题意识是：AI 是否能撬动互联网时代尚未充分改造的庞大 B2B 存量市场。

[01:35] 硅谷与国内 AI 生态的体感差异

[事实] 张阔认为，硅谷与国内在投资人生态、创业者生态上有较大差别。 [事实] 他观察到硅谷 AI 生态分层更细，既有模型与推理基础设施公司，也有语音转文字等垂直基础设施公司，还有大量 AI 垂直应用。 [事实] 他举例称，一些中小公司能在特定垂直领域保持技术领先，并成为大生态中的一环。 [事实] 张阔提到，中小企业并不一定理解 token economy，但能理解 ROI 和实际价值。 [推测] 硅谷的优势不只在模型本身，也在围绕模型形成的基础设施、应用和资本密度。

[05:52] OpenClaw、Cloud Cowork 与下一代工作台

[事实] 主持人提到 GTC 期间 OpenClaw 受到关注，并询问张阔为什么更关注 Anthropic 的 Cloud Cowork。 [事实] 张阔认为 OpenClaw 仍不是非常简单易用、开箱即用的产品，配置和产生长期留存工作流都有门槛。 [事实] 他认为 Cloud Cowork 虽处于早期 research preview 阶段，但已经体现出下一代工作台或 Agent platform 的影子。 [事实] 张阔特别提到其分层开放架构、产品设计体系，以及与 Cloud 模型之间的匹配度。 [推测] 他更关注 Cloud Cowork，是因为它更接近可被知识工作者持续使用的 Agent 工作环境。

[07:45] AI 工作流为什么需要分步骤验证

[事实] 主持人提出，OpenClaw 可能更偏 2C，而 Cloud Cowork 更适合 2B 工作场景，因为企业需要明确流程和质量保证。 [事实] 张阔认为，是否一次完成或 step by step 并不是核心分野，关键在于 Agentic 工具如何成为“所有工具的工具”。 [事实] 他用播客制作举例，如果一个流程有 18 步，每步 10% 误差，最终结果就可能不可用。 [事实] 他认为用户需要在每个关键步骤验证结果，并把自己的成功标准反馈给 Agent。 [推测] 对高风险、高价值任务而言，Agent 的可控性、可验证性比“一句话全自动完成”更重要。

[12:02] B2B 走向 A2A：阿里国际站的两条业务线

[事实] 张阔表示，团队推演后认为 B2B 生意未来可能走向 A2A，即 Agent to Agent。 [事实] 一条业务线是 alibaba.com 的 Marketplace，搜索、沟通、推荐、交易、物流等流程正在被 AI 重构。 [事实] 另一条线是 Axio，核心解决 sourcing 问题，到 3 月 MAU 已达到 1000 万。 [事实] Axio 试图把从产品 idea、research、设计、供应商筛选、沟通、交易到运输售后的 sourcing 流程自动化。 [事实] 张阔称，基于 Agentic 模式，sourcing 沟通时间可缩短到原来的五分之一。

[15:00] Sourcing 的本质：从产品想法到专业设计文档

[事实] 张阔解释，过去买家可能从一个较粗略的 idea 开始，由卖家逐步帮助完善设计。 [事实] AI 可以直接形成 design pack，包括专业技术文档、图片、文字和 3D 内容。 [事实] 在产品 research 阶段，AI 会读取类似商品、搜索情况、交易情况、评价、趋势、定价和利润空间等信息。 [事实] 张阔认为，没有 AI 和 Agentic 工具的帮助，很难同时做到信息覆盖面广、及时且准确。 [推测] Axio 的定位不是通用聊天式调研，而是把供应链可行性、价格、设计和交易信号纳入同一个工作流。

[17:09] 垂直 B2B Agent 与通用大模型的差异

[事实] 张阔认为，通用大模型在深度调研上已经做得很好，但 B2B 场景仍需要额外投入。 [事实] 第一项投入是信息准确性，尤其是商品真实价格、隐藏费用、物流费用、关税和到手价等 critical 信息。 [事实] 阿里国际站每天有上百万沟通，能为产品 ideation 到 design pack 提供精确输入和指导。 [事实] 张阔认为，结合 26 年积累、平台信号、搜索和索引工具，可以降低大模型 hallucination 对商家的影响。 [推测] 在利润率敏感的 B2B 场景中，“接近事实”的能力本身就是核心产品价值。

[18:57] 强化学习、闭环反馈与长周期信号

[事实] 张阔强调，需要建立有效的 reinforcement learning 机制，把复杂流程中的每一步尽量做对。 [事实] 用户在平台交互中会反馈设计分支、技术可行性、margin 是否满足等信息。 [事实] 平台可以记录逻辑链条，并优化每个 token 产生的价值，避免漫无目的推理或搜索。 [事实] 国际站的优势在于能形成闭环反馈，例如一个 idea 最终是否形成交易、是否持续采购、是否失败。 [推测] B2B 的反馈周期虽然更长，但一旦闭环形成，数据质量可能比短周期消费场景更适合训练 Agent。

[21:18] 安全、可靠性与超长上下文

[事实] 张阔说，2B 场景 stake 较高，因此需要保障信息完整性、推理严谨性、数据安全和分层隔离。 [事实] 由于推理周期很长，系统需要在出错时能够回滚，并保证上下文持续传递。 [事实] 新版本 Axio Work 是 desktop 上的 Agent 系统，将从设计和 sourcing 扩展到日常经营。 [事实] 日常经营包括开店、销售、库存管理、客服反馈、补货和下一轮商品设计等。 [事实] 张阔认为，从 idea 到 sourcing 可能是一个月周期，而商品销售可能延续半年或一年，因此需要分层存储超长上下文。

[23:45] 新模型出现时，AI Native 产品应该变得更聪明

[事实] 主持人询问底层大模型更新对 Axio 的影响。 [事实] 张阔表示，团队期待每当有新的 SOTA 模型出现，产品都应该变得更聪明或体验更好。 [事实] 他认为，如果新模型出现与产品无关，反而是更大的问题。 [事实] Axio 会结合通义千问作为基础，也会使用多模态、coding、Agent 推理等方面表现好的模型。 [推测] 张阔对 AI Native 的定义之一，是产品架构能持续吸收新模型能力，而不是每次都重做系统。

[25:34] Axio Work：从采购工具到中小企业经营平台

[事实] 张阔称，Axio Work 与原 Axio 的差别之一，是希望补完整个商家经营闭环。 [事实] Axio Work 会把 research、产品设计和 sourcing 能力，与开店、商品发布、Shopify 等平台运营结合起来。 [事实] 在 HR、payroll、finance、tax 等垂直领域，团队计划接入美国或硅谷做得好的 Agent 产品。 [事实] 张阔认为，对中小企业而言，问题不是使用若干 SaaS，而是很多 backoffice 工作仍然纸质化。 [事实] 他提到 30% 到 40% 的企业可能是一人企业，很多发布商品、社媒内容、客服、库存和补货工作都很耗时。 [推测] Axio Work 的野心是成为中小商家的 master agent，把多个 subagent 组织起来完成经营任务。

[30:01] 中小企业画像与开箱即用的重要性

[事实] 张阔说，阿里国际站用户是分层的，既有一年采购数百万、上千万美元的大客户，也有大量从 solo entrepreneur 起步的实体经济经营者。 [事实] 他认为很多较大的企业最初也是从个人或小团队开始，发现问题、定义产品、搜索供应商，再逐步 scale。 [事实] 张阔认为，对这类实体企业来说，OpenClaw 或 CoreWork 中 skills、hook、agent、connector、plugin 等概念并不容易理解。 [事实] 他的产品目标是开箱即用，解决日常 critical 问题，并让 ROI 处于合理范围。 [推测] 面向非技术型中小企业的 Agent 产品，门槛和体验可能比底层开放性更关键。

[31:53] 商业模式：token based 与 marketplace 并行

[事实] 张阔表示 Axio 的商业模式有两部分：一是 token based，二是 marketplace 商业模式。 [事实] 自有工具和第三方 partner 的 subagent 会消耗 token，用户可以基于 usage 使用不同 plan。 [事实] Marketplace 侧仍可延续广告、服务、金流、物流等商业模式。 [事实] 张阔认为 display 广告意义会降低，performance based 广告仍更重要。 [推测] AI 并不必然消灭平台商业模式，而是要求广告和服务更贴近真实需求与成交结果。

[33:10] AI 对搜索和广告的双重影响

[事实] 张阔说，AI 让搜索量变多，因为它更好地理解用户意图。 [事实] 用户可以用更丰富的语言、多模态输入、图片、PDF 或 design pack 表达需求。 [事实] 平台也能基于供应商商品的完整上下文、工厂能力、证书和 use case 做更精准匹配。 [事实] 在生成式 AI 的供需匹配中，原来可能给 1000 个结果，现在可能给 5 个结果，广告必须更加精准才有意义。 [事实] 张阔提到 Google 的 AI Overview 或 AI mode 并未必然冲击广告，因为更精准的广告可能带来更多点击和付费意愿。

[36:31] AI 时代商业模式的延续与变化

[事实] 张阔认为，互联网时代的商业模式大约有四五种，其中一些会进入 AI 时代。 [事实] 帮用户做设计、做全球设备或供应链分析等价值，更适合用 token based 或 usage based 方式衡量。 [事实] Performance 广告仍可能存在，因为供需匹配中仍有人愿意为更好的需求让利或购买展现。 [事实] 平台也可以通过担保交易、payment terms、物流等供应链服务获得少量 take rate。 [事实] 张阔提到全球 B2B 交易额约 30 万亿美元，国际站规模约 700 亿美元，渗透率仍很低。 [推测] AI 的商业机会不只是替换原有收入，而是把更多中小企业带入全球交易网络。

[39:30] 阿里做 B2B AI 的核心优势

[事实] 张阔认为，阿里巴巴国际站有 26 年积累，每天有大量沟通、query 和 transaction 信号。 [事实] 这些信号可以帮助系统完成 reinforcement，并形成闭环。 [事实] Axio 背靠阿里集团，与通义千问有较多合作，也会进行中期训练和后期训练。 [事实] 张阔认为 Agentic 产品有数据飞轮：使用者越多，系统越能记住更多工作流和工具适用场景。 [事实] 主持人总结其优势包括长期方法论、自研模型、数据壁垒和数据飞轮。

[41:47] 竞争格局：从 B2B 到 A2A 的多 Agent 协同

[事实] 主持人询问亚马逊等平台未来推出 B2B 垂直 AI 应用是否会成为竞争对手。 [事实] 张阔表示，对中小企业从产品设计到 daily operation 的问题，团队比较有信心。 [事实] 他认为未来 B2B 会走向 A2A，包括买家 Agent 与卖家 Agent，以及用户自己的多个 Agent 协同。 [事实] 他提到未来可能会出现 master agent 与多个 subagent 协同服务中小企业的形态。 [事实] 张阔认为亚马逊在自身后台系统中使用 Agent 有优势，但在多平台经营、全球供应链和更广泛产品设计方面，阿里起步更早、know-how 更多。

[43:06] 衡量 Axio 成功的标准

[事实] 张阔认为，本质问题不是消耗多少 token，而是产生多少价值。 [事实] 显性指标包括 retention，用户是否持续用产品做更多设计和采购。 [事实] 每个垂直工具也要衡量 task 完成度、用户采纳度和持续使用情况。 [事实] 经济角度上，团队希望单位 token 的智力和性价比越来越高。 [事实] 张阔强调，单纯统计用了多少 token 不是好标准，因为这可能导致鼓励浪费 token。

[44:16] 让跨境 B2B 像 online shopping 一样简单

[事实] 张阔说，阿里巴巴国际站长期目标是让跨境 B2B 像 online shopping 一样简单。 [事实] 他提到跨境 B2B 可细分为 28 个步骤，每一步都比 2C 更复杂。 [事实] 复杂性包括国家之间、B 类交易、付款顺序、资金安全和交货流程等差异。 [事实] 平台过去一直在逐步把这些流程数字化。 [推测] AI Agent 的作用，是在既有数字化基础上进一步降低跨境贸易的操作复杂度。

[45:12] AI 时代的人才画像

[事实] 张阔说，模型训练、infra、算法等岗位的人才画像相对清晰，可以通过 paper、research 或开源贡献判断。 [事实] 面试过程可能围绕候选人的 paper 展开，讨论其中的原创思想和贡献。 [事实] 对产品经理而言，团队希望其设计的是面向未来 6 个月模型能力的产品。 [事实] 张阔认为，一些工种正在融合，产品经理、交互设计师和工程师之间的边界可能变少。 [推测] AI Native 团队更看重候选人对模型能力演进的预判，而不仅是传统岗位技能。

[47:13] Coding Agent 改变工程方式

[事实] 张阔提到，现代工程师的编程方式已经与过去有质的差别，很多人基于上下文输入，由模型生成代码。 [事实] 他举例称，某次 Anthropic 波动数小时，硅谷工程师因工具不可用而无法正常 coding。 [事实] 张阔认为，工程团队需要为工程师设计 Agent framework，包括 master agent 和负责写代码、读文档、code review、check in 的 subagent。 [事实] 他强调需要 guardrail 和沙箱环境，避免内部代码或系统被错误暴露。 [事实] 他还举例一家量化公司让 Agent 读取 Slack 讨论、写文档、生成代码并提交灰度验证。

[49:57] AI 成功不能用代码量衡量

[事实] 张阔认为，衡量 AI 成功不能看生成了多少代码，因为大量垃圾代码不会改变商业结果。 [事实] 阿里巴巴国际站每季度约有 300 个 idea，过去 4 年持续 track。 [事实] 其中约 150 个会上线，最后可能有 50 个真正 work。 [事实] 张阔希望 AI 帮助实际上线并产生商业价值、客户价值的 idea 数量变多。 [事实] 对已有 26 年历史的 alibaba.com，AI 是否带来非线性增长也是衡量标准之一。

[52:08] 兴奋、焦虑或没感觉：组织是否真正 AI Native

[事实] 张阔提出，当新的模型或框架出现时，组织是兴奋还是焦虑，可以作为衡量标准。 [事实] 他认为兴奋和焦虑都是好信号，说明产品与模型或 Agent framework 有关。 [事实] 最差的结果是没感觉，说明外部模型高速发展，而自身产品和组织没有跟上。 [事实] 他认为产品和组织应构建在最新模型和 Agent 之上，使新模型出现时产品、流程都能变得更聪明、更精准。 [推测] “没感觉”之所以危险，是因为它暴露出组织没有从根上接入 AI 技术演进的主航道。

[53:52] 新模型带来的兴奋：多模态、browser use 与 computer use

[事实] 张阔说，过去一段时间让团队兴奋的变化之一是多模态能力快速进步。 [事实] 他提到商品图片生成过去经常存在尺寸、比例、场景不准确的问题，现在更好的模型可以用较简单上下文生成更逼真的内容。 [事实] 他强调，生成图片只是最后一步，前面一环扣一环的逻辑链条仍然复杂。 [事实] 张阔还提到 computer use、browser use 和长程上下文 Agent 能力，使团队更快推进 Axio Work。 [事实] 他表示春节后团队开始加班做 Axio Work，因为 OpenClaw 和 Cloud Cowork 证明了相关范式成立。

[56:34] 26 年系统如何转向 AI Native

[事实] 张阔承认，阿里巴巴国际站是一个积累 26 年的系统，很多代码和功能是不断叠加而来。 [事实] 团队希望让整个工程都基于 AI Native 系统，但这意味着系统需要逐步重写和改造。 [事实] 理想状态是，未来只要有新模型，alibaba.com 的每个角落理论上都应该比原来更好用。 [事实] 他认为如果每次新模型来临都要由不同团队重新研究如何适配，速度就会很慢。 [推测] 对大型存量系统而言，AI Native 转型不是单点功能升级，而是长期架构迁移。

[57:16] AI 时代选人的不变与变化

[事实] 张阔认为，学习能力、开放心态、进入大组织所需的同理心等基本要求，在 AI 时代仍然重要。 [事实] 新变化是希望人才能更广泛、更灵活地应用 AI 工具。 [事实] 如果候选人对 AI 和大模型 infra 技术理解很深，可能适合从模型训练等底层开始做。 [事实] 如果候选人同时理解商业和技术，可能更适合做产品，因为要面向 3 到 6 个月后的模型能力设计产品。 [事实] 张阔强调，不能只看新闻做决定，而要对技术方向有更精确的洞察和独到判断。

[58:40] 结尾：把“兴奋、焦虑、没感觉”带回个人层面

[事实] 主持人在结尾引用张阔的判断，询问听众在 AI 时代下是兴奋、焦虑，还是没有感觉。 [事实] 节目最后介绍了硅谷101播客和视频内容的收听、观看渠道。 [推测] 主持人把企业组织的 AI Native 判断延伸到个人，提醒听众也需要观察自己是否真正感知到技术变化。

播客点评/总结

本期的价值在于，它没有停留在“Agent 会不会替代 SaaS”或“AI 是否冲击广告”这类抽象判断，而是把问题落到跨境 B2B 的具体流程：产品定义、设计文档、供应商匹配、价格、关税、物流、交易闭环和售后经营。

亮点是张阔从大厂核心业务负责人的视角，解释了 AI Native 产品如何利用数据闭环、强化学习、超长上下文和多 Agent 协同。他对“新模型出现时组织的反应”这一判断也很清晰：兴奋和焦虑都说明你在场，没感觉才说明你可能已经脱节。

局限是节目主要围绕阿里国际站和 Axio/Axio Work 的产品逻辑展开，对竞争产品、实际用户案例和失败边界的讨论较少。[推测] 如果听众希望了解更中立的市场横向比较，本期仍需要结合其他资料补充判断。

[推测] 这期适合关注 AI Agent、跨境电商、B2B 平台、SaaS 转型、AI Native 组织建设的人收听；尤其适合想理解“AI 如何进入真实产业流程”的产品经理、创业者和企业管理者。