DoorDash rút ngắn thời gian đặt lại đơn hàng tạp hóa từ 16 giây xuống 2 giây nhờ tác tử AI

Trang chủ InfoQ Tin tức DoorDash giảm độ trễ đặt lại hàng tạp hóa từ 16 giây xuống 2 giây bằng AI agent Kiến trúc & Thiết kế DoorDash giảm độ trễ đặt lại hàng tạp hóa từ 16 giây xuống 2 giây bằng AI agent Ngày 30/10/2026 2 phút đọc Tác giả Leela Kumili Theo dõi chúng tôi trên Youtube 232.000 người theo dõi Linkedin 26.000 người theo dõi Instagram Mới RSS 19.000 độc giả X 57.100 người theo dõi Facebook 21.000 lượt thích Bluesky Mới Nghe bài viết này - 0:00 Âm thanh đã sẵn sàng phát Trình duyệt của bạn không hỗ trợ phần tử âm thanh. 0:00 0:00 Bình thường 1,25x 1,5x Thích Danh sách đọc DoorDash đã giảm độ trễ trong quy trình đặt lại hàng tạp hóa tích hợp AI từ khoảng 16 giây xuống còn 2 giây nhờ tính toán trước nhu cầu mua sắm định kỳ, thay vì tái tạo lại sau mỗi yêu cầu. Thay đổi này đã giúp tăng gấp đôi số lượt xem danh sách mua sắm và nâng tỷ lệ đặt hàng của quy trình lên khoảng 34%. Giải pháp được xây dựng dựa trên nền tảng agent dùng chung và giao diện mua sắm có cơ sở dữ liệu xác thực (grounded shopping interface) của DoorDash, qua đó cung cấp hạ tầng agent có thể tái sử dụng và cho phép người tiêu dùng trực tiếp chỉnh sửa danh sách mua sắm. Giải pháp này kết hợp giữa suy luận mô hình ngôn ngữ lớn (LLM) theo lô, kiểm thực tất định (deterministic validation) và xử lý danh mục sản phẩm theo thời gian thực bên trong Ask DoorDash, trợ lý mua sắm dạng hội thoại của công ty. Các bài viết trước đây của InfoQ từng mô tả cách Ask DoorDash sử dụng các agent chuyên biệt cùng các công cụ nhằm hỗ trợ tìm kiếm và mua sắm thông qua hội thoại. Đối với tính năng đặt lại hàng tạp hóa, DoorDash xử lý lịch sử mua hàng trong 90 ngày cùng các tín hiệu hồ sơ người tiêu dùng. Quá trình suy luận LLM theo lô giúp xác định các mặt hàng có khả năng được mua lại định kỳ, trong khi khâu kiểm thực tất định sẽ kiểm tra kết quả tạo ra trước khi lưu trữ dữ liệu danh sách mua sắm có thể tái sử dụng. Kiến trúc đặt lại hàng tạp hóa của DoorDash (Nguồn: Bài viết trên blog của DoorDash) Quy trình phân phát dịch vụ truy xuất dữ liệu đã chuẩn bị này và đối chiếu từng mặt hàng với danh mục hiện hành. Hệ thống trước tiên cố gắng khớp với mặt hàng gốc của cửa hàng, tiếp đó là mã định danh sản phẩm trong danh mục và cuối cùng là cụm từ tìm kiếm. Cơ chế này cho phép hệ thống thích ứng với các danh mục hàng hóa biến động và các sản phẩm không còn sẵn có mà không cần lặp lại việc phân tích dữ liệu lịch sử cho từng yêu cầu. Nền tảng dùng chung cung cấp khả năng điều phối, bộ nhớ, quyền truy cập mô hình, truy vết, hạ tầng đánh giá và kiểm soát việc triển khai. Các nhóm phụ trách chuyên môn giữ quyền quản lý các chỉ dẫn, kỹ năng, công cụ và tiêu chí đánh giá của agent. DoorDash cho biết việc bổ sung agent Đặt chỗ (Reservations) chỉ mất một tuần, nhanh hơn khoảng mười lần so với thời gian xây dựng các agent chuyên môn ban đầu. Kiến trúc nền tảng tác tử dùng chung Ask DoorDash (Nguồn: Bài viết trên blog DoorDash) Kỹ sư Twisha Jain của DoorDash đã nêu rõ cơ sở thiết kế trong một bài đăng trên LinkedIn: Các hệ thống tác tử (agentic systems) tối ưu hơn không nhất thiết phải có năng lực suy luận cao hơn; cốt lõi nằm ở việc xác định tác vụ nào thuộc vòng lặp tác tử và tác vụ nào có thể thực hiện từ trước. Việc chuyển khâu phân tích các đơn hàng định kỳ sang chế độ ngoại tuyến giúp giảm tải xử lý cho các yêu cầu thời gian thực, đồng thời vẫn bảo đảm tính cập nhật của danh mục hàng hóa khi chọn sản phẩm. Hệ thống vẫn kích hoạt tác tử Grocery đối với các yêu cầu đòi hỏi suy luận bổ sung, chẳng hạn như tìm các sản phẩm thay thế giá rẻ hơn dựa trên giá hiện hành, chương trình khuyến mãi, quy cách đóng gói, lượng hàng tồn kho và thị hiếu của người tiêu dùng. Các thao tác đơn giản hơn, bao gồm việc thay đổi số lượng hoặc xóa sản phẩm, sẽ cập nhật trực tiếp danh sách mua sắm mà không cần thêm một chu trình xử lý qua LLM. Một bài viết về kỹ thuật của DoorDash liên quan đến giao diện mua sắm nêu rõ: Thao tác chỉnh sửa trực tiếp của người tiêu dùng mang tính quyết định: lượt xử lý tiếp theo của tác tử sẽ bắt đầu từ danh sách đã chỉnh sửa, thay vì những nội dung trao đổi trước đó. Thiết kế này coi danh sách mua sắm là một cấu trúc dữ liệu có thể được cập nhật bởi cả người tiêu dùng lẫn tác tử, thay vì chỉ phụ thuộc vào lịch sử trò chuyện. Các nền tảng bách hóa khác cũng ứng dụng AI nhằm cá nhân hóa trải nghiệm mua sắm. Trợ lý mua sắm AI của Instacart hỗ trợ lập kế hoạch bữa ăn, tạo danh sách và tìm kiếm sản phẩm dựa trên thị hiếu của người tiêu dùng cùng danh mục hàng hóa địa phương. Mô hình triển khai của DoorDash tập trung chuyên biệt vào việc giảm độ trễ khi đặt lại đơn hàng thông qua tách biệt khâu phân tích lịch sử mua hàng khỏi quy trình xử lý sản phẩm theo thời gian thực. Thông tin tác giả Leela Kumili Xem thêmThu gọn Đánh giá bài viết Mức độ áp dụng Phong cách Đã liên hệ tác giả Nội dung này thuộc chủ đề Kiến trúc Agentic AI Các chủ đề liên quan: Phát triển Kiến trúc và Thiết kế Kỹ thuật AI, ML và Dữ liệu Model Context Protocol (MCP) Tác tử (Agents) Điều phối (Orchestration) Mô hình ngôn ngữ lớn (LLM) API Gateway Data Catalog Suy luận mô hình (Model Inference) Độ trễ thấp (Low Latency) Kiến trúc Agentic AI Kiến trúc AI Bài viết biên tập liên quan Nhà tài trợ liên quan Phổ biến trên InfoQ Google tối ưu hóa 200.000 dòng mã Python của Agent Development Kit chỉ sau một đêm bằng Gemini 4 Argon Cloudflare thu hồi 100 TB RAM nhờ tối ưu hóa băm nhất quán (Consistent Hashing) Quá trình phát triển của khung điều khiển tác tử: Từ chuỗi, đồ thị đến mã nguồn Cách Anthropic tái thiết kế hệ thống quản lý mã nguồn phục vụ phát triển phần mềm bằng AI AGNTCon + MCPCon 2026: Agentic AI Foundation bổ sung bốn dự án khi MCP chuyển sang S