1 前言

在 2025 京东全球科技探索者大会的 Agent 开发者论坛上，京东零售技术团队带来了一场聚焦电商 AIGC 技术演进的深度分享。随着大模型、具身智能、3D/XR 等技术的爆发，电商行业正从 “千人千面” 的搜索推荐 1.0 时代，迈向 “千人千面” 商品素材为核心的 2.0 新阶段。本文将系统梳理电商行业的发展脉络、电商 2.0 的核心特征，并深入解析 “千人千面” 商品素材的技术框架与落地实践，以及如何通过技术为商家解决实际痛点。

2 业务背景

2.1 电商发展历程：从 1.0 到 2.0 的范式转变

电商的进化始终与技术革新深度绑定，回顾近百年的发展，可清晰看到从 “线下交易” 到 “智能个性化” 的完整路径：

（1）早期阶段：从传统交易到技术萌芽（20 世纪 60 年代前 - 1990 年）

传统交易阶段（20 世纪 60 年代前）：商品贸易以 “物物交换→货币交易” 的纯线下模式为主，交易效率低、覆盖范围有限，且无任何数字化能力支撑。

技术萌芽阶段（20 世纪 70 年代 - 1990 年）：EDP（电子数据处理）、EDI（电子数据交换）技术出现，“无纸贸易” 雏形显现，为电商的数字化奠定了技术基础，但尚未形成规模化线上平台。

（2）互联网起步：线上平台的诞生（1991 年 - 2004 年）

1991 年因特网正式开放后，线上交易平台开始涌现 —— 亚马逊、京东、阿里等头部电商平台相继成立，标志着电商从 “技术概念” 走向 “实际应用”，但此时的服务仍以 “标准化商品展示” 为主，未形成个性化能力。

（3）电商 1.0 时代：流量竞争与搜索推荐升级（2005 年 - 2022 年）

随着移动互联网的普及，货架电商、内容电商快速崛起，行业竞争从 “商品供给” 转向 “流量争夺”。这一阶段的核心突破是 “千人千面的搜索推荐”：通过用户行为分析与简单画像，实现 “人找货” 模式下的精准推荐，大幅提升了用户找货效率，但商品素材（主图、文案、场景）仍以 “统一模板” 为主，无法匹配不同用户的需求差异。

（4）电商 2.0 时代：新技术驱动的极致个性化（2023 年起）

2022 年 ChatGPT、Midjourney 等生成式 AI 技术爆发后，大模型、具身智能、3D/XR 等技术全面渗透电商领域，行业正式迈入 2.0 时代。与 1.0 时代相比，2.0 的核心变化是 “从‘人找货’到‘货找人’”：不仅推荐结果个性化，连商品的 “展示素材” 也实现 “千人千面”，同时叠加供应链、物流、服务的全链路智能优化，最终实现 “极致个性化体验 + 极高购物效率” 的双重目标。

2.2 “千人千面的商品素材”是电商个性化体验的核心载体

电商 2.0 并非单一环节的优化，而是覆盖 “供需匹配、供应链、服务、体验、个性化” 的全链路技术重构，具体包含五大核心特征：

其中，“千人千面的商品素材”是电商 2.0 个性化体验的核心载体 —— 同一商品需根据不同用户的需求（功能、审美、价格敏感度）生成差异化素材，让 “货” 以用户最易接受的形式主动触达，这也是京东零售在 AIGC 领域重点突破的方向。

3 千人千面商品素材生成：技术框架与实践突破

“千人千面” 的商品素材并非简单的 “素材多样化”，而是基于 “人 - 货 - 场” 精准匹配的技术体系。从理想框架到落地路径，京东零售技术团队经历了 “目标拆解 - 瓶颈突破 - 分步落地” 的完整过程。

3.1 什么是 “千人千面” 的商品素材？

同一商品针对不同用户群体生成差异化素材，核心是 “匹配用户需求痛点”。以冲锋衣为例：

• 户外功能需求型买家：素材重点突出 “防水性、透气性、耐磨度” 等功能参数，弱化装饰元素；
• 外观穿搭需求型买家：素材聚焦 “颜色搭配、版型剪裁、OOTD 场景”，强调时尚感与搭配可能性；
• 价格敏感型买家：素材高频展示 “全年最低价、叠加折扣、赠品” 等优惠信息，用红色价签强化感知。

通过这种 “需求 - 素材” 的精准匹配，可大幅提升用户点击与转化意愿，这也是 “货找人” 模式的核心落地方式。

3.2 “千人千面” 的商品素材实现理想框架与挑战

（1） “千人千面” 商品素材理想框架

京东零售技术团队设计的 “千人千面” 商品素材理想框架，以 “人 - 货信息输入” 为起点，基于京东零售自研Oxygen电商零售多模态大模型，以 “用户反馈迭代” 为闭环，包含四大核心中枢：

a.输入层：人 - 货信息的全面采集

• 货的信息：sku_id、主图 / 商详图、评论 / 问大家、参数规格，同时通过 RAG（检索增强生成）引入商品外部知识（如行业标准、使用场景）；
• 人的信息：user_id、历史行为（点击、购买、收藏）、用户画像，同样通过 RAG 补充用户圈层特征（如 “健身爱好者” 的消费偏好）。

b.四大中枢：理解 - 生成 - 效率 - 分发

• 理解中枢（Oxygen多模态大模型）：对 “人 - 货” 信息进行深度解析，输出 “营销卖点文案、场景图 Prompt、Layout 布局信息” 三大指令集，是 “匹配” 的核心；
• 生成中枢（Oxygen可控视觉生成模型）：根据理解中枢的指令，生成多套符合要求的商品素材（主图、文案、场景图）；
• 效率中枢（机器质检预估模型）：前置淘汰不符合质量要求的素材（如商品细节失真、文案违规），降低后续分发成本；
• 分发中枢（搜推模型）：将合格素材投放到对应用户圈层，同时收集用户反馈（点击、转化、停留时长），反哺前三大中枢迭代。

c.闭环迭代：用户反馈驱动模型优化

分发后的用户行为数据（如 “功能型素材的转化率高于穿搭型”）会回流至理解中枢与生成中枢，优化 “人 - 货匹配逻辑” 与 “素材生成策略”，形成 “数据 - 模型 - 效果” 的正向循环。

（2） “千人千面” 商品素材理想框架核心挑战

理想框架虽完整，但落地面临核心挑战 ——推理效率

• 电商平台的 “用户 - 商品” 组合数是天文数字（如 10 亿用户 ×100 亿商品），实时生成个性化素材需消耗海量算力；
• 多模态大模型与可控视觉生成模型的推理耗时较长，无法满足线上 “毫秒级响应” 的需求。

3.3 一个可行的“千人千面”演进路径

“千人千面” 无法一步实现，需从 “收益 - 成本” 平衡的角度，采取 “分步退化” 的落地路径：千人千面→千人百面→千人十面

“分步退化” 路径的核心逻辑可总结为用 “千人十面” 实现 “低成本高收益”；再扩展至 “次核心客群”，用 “千人百面” 平衡 “覆盖度与成本”；最终待技术成熟后，实现 “千人千面” 全量覆盖，确保每个阶段的 “成本投入” 与 “业务收益” 成正比。

针对一个商品，“最具价值的 K 个用户圈层”（如商品的核心客群）支持好，相当于实现了人群粒度的个性化素材生成，逐步扩大覆盖范围。人群挖掘的主要抓手就是Oxygen多模态大模型（理解中枢），后面的流程相对一致。

3.4 实践示例：京造美式黑咖啡的 “千人十面” 素材生成

以京东京造美式黑咖啡为例，通过 “圈层划分 - 场景生成” 实现 “千人十面” 的初步验证：

第一步：圈层划分 —— 基于 “商品全维度信息 + 用户多模态行为” 的精准圈选

“千人十面” 的核心前提是 “找对人”，而圈层划分并非简单贴标签，而是Oxygen多模态大模型对 “商品特性” 与 “用户行为” 的深度耦合分析，通过模型推理锁定 5 大核心圈层：

• 商品信息：拆解 “可匹配需求” 的核心特性

京造美式黑咖啡的基础信息经多模态大模型结构化解析后，提炼出 5 个关键特性，这些特性直接对应不同用户的核心诉求：

• 用户圈层：结合 “行为数据 + 场景标签” 的精准锁定

Oxygen多模态大模型通过分析京东平台内 “用户历史行为”（购买、浏览、收藏、评论）、“场景化标签”（时间、地点、伴随行为），最终筛选出 5 个高价值圈层，每个圈层的用户特征与商品特性形成强关联：

第二步：场景生成 —— “需求 - 卖点 - 场景” 三位一体的视觉化构建

场景生成并非简单的 “背景替换”，而是Oxygen多模态大模型将 “用户需求” 转化为 “可视觉化的场景细节”，同时深度融合商品卖点，让素材自带 “说服逻辑”。每个场景均包含 “环境细节、用户行为、商品呈现、文案引导” 四大核心要素，确保用户看到素材时能 “代入自身场景”：

• 健身爱好者场景：“运动后即时补能” 场景
• 环境细节：健身房（背景可见健身器材）；
• 用户行为：身穿健身服饰的男性用户，手持杯子，正在喝咖啡；
• 商品呈现：咖啡朝向镜头，咖啡液呈琥珀色（展示冲泡后质感），展示包装显示咖啡条；
• 文案引导：文案 “冷热即溶，科学控卡”突出健身场景用户对于健身场景取水不便、对控脂低负担的需求。搭配价格+促销文案限量特惠突显商品高性价比。
• 办公室白领场景：“下午茶抗困” 场景
• 环境细节：办公桌面（背景有电脑、文件、键盘），体现办公环境；
• 用户行为：女性用户边看电脑，边手持杯子喝咖啡；
• 商品呈现：咖啡盒放在小图标上，冲泡咖啡放在透明玻璃杯中；
• 文案引导：文案 “冷热速溶”， “办公常备 不影响睡眠”，突出冲泡快速方便，对白领身体负担小。
• 备考学生场景：“熬夜复习提神” 场景
• 环境细节：学校宿舍书桌（包含复习资料、笔记本、台灯等），墙上贴着日历（强化备考氛围）；
• 用户行为：学生在书桌前，一手拿着考试复习材料看着，另一只手拿着刚冲泡好的咖啡，准备继续复习；
• 商品呈现：咖啡盒放在书桌上，冲泡咖啡放在透明玻璃杯中；
• 文案引导：文案 “提神醒脑，冷热即溶”， “1 元 / 条 备考刚需”，“0糖0添加”突出学生群体熬夜复习不犯困、高性价比、不刺激肠胃。
• 控糖减脂人士场景：“减脂期搭配餐食” 场景
• 环境细节：家庭餐厨（背景有减脂餐食材：鸡胸肉、生菜、牛油果），餐桌上放着刚做好的沙拉（体现减脂场景）；
• 用户行为：身穿瑜伽服女性用户正在喝咖啡；
• 商品呈现：咖啡盒放置桌面上，冲泡咖啡放在透明玻璃杯中；
• 文案引导：文案 “100%Arabica，0脂0糖消水肿”，突出零糖零负担（不影响减脂效果）、低热量（避免额外热量摄入）。
• 户外爱好者场景：“露营 / 登山中途补水” 场景
• 环境细节：室外露营场景（背景有岩石、溪水、花草树木）、徒步中途休息区，光线为自然光（体现户外场景）；
• 用户行为：用户坐在溪水旁边的岩石上，背着登山包，正用杯子喝咖啡（展示 “冷热水均可冲”）；
• 商品呈现：商品放在小图标中，冲泡咖啡放在透明玻璃杯中；
• 文案引导：主文案 “冷热水都能冲”， “便携 登山露营必备”，突出户外冲泡简单与商品便携。

3.5 “千人千面” 素材生成关键技术

“千人千面” 素材生成的技术核心，是 “Oxygen电商零售多模态大模型（理解中枢）” 与 “Oxygen可控视觉生成模型（生成中枢）”，两者分别解决 “理解准不准” 与 “生成好不好” 的问题。

（1）Oxygen电商零售多模态大模型：平衡垂域能力与通用能力

• 架构设计：采用 “专项 Tokenizer+MoE Decoder-only LLM” 架构 —— 不同模态（文本、图像）通过专属 Tokenizer 转化为 Token，再输入 MoE（混合专家）大模型，实现多模态信息的深度融合；
• 训练任务设计：需同时激活 “电商垂域推理能力” 与 “通用理解能力”，因此训练数据采用 “通用数据 + 电商领域数据” 混合，训练任务覆盖两类场景：
• 通用任务：文字检测识别（OCR）、视觉问答（VQA）、图像描述（Image Captioning）、文档解析；
• 电商任务：商品分类、属性问答、卖点生成、合规性评估、价格合理性判断、促销效果预测。

（2）Oxygen可控视觉生成模型：解决商品细节失真难题

在业务的角度来看，电商领域的可控生成是所有领域中要求最高的，也是最严肃的场景，任何商品的信息改变都会引发非常严重的后果，所以到目前为止业务级端到端的生成可用率也是比较低的，这是行业现状。

Oxygen可控视觉生成模型是基于多条件的扩散模型，支持多条件可控生成。除了扩散模型所必须的Timestep和文本Prompt外，商品主体、文字、布局Layout、贴片都是作为可控条件输入。未来会有不同类型的可控条件都可以统一到一个自然语言描述的文本空间，同时理解模型也会和生成模型实现架构上的紧耦合。

4 “千人千面” 素材生成技术赋能商家：京点点AIGC内容生成平台的演进与落地

技术的最终价值是解决业务痛点。京东零售团队基于 “千人千面” 素材生成技术，先后推出旧版京点点 AIGC 平台与焕新版—京点点（OxygenVision）设计智能体，逐步从 “工具辅助” 升级为 “智能伙伴”，通过技术创新解决运营难题，实现 “效率提升、成本优化、效果可控” 的三重价值。

4.1 商家核心痛点：三大难题制约运营效率

从京东零售业务视角看，商家面临的痛点集中在 “量、本、效” 三方面：

• 痛点一：商品多，干不完：京东亿级动销商品，店铺平均 SKU 超 4000 个，店铺运营素材制作任务繁重；
• 痛点二：预算少，考核难：行业价格战激烈，素材制作成本（10-20 元 / 图 ×SKU 数 ×N 个版本）居高不下，且投入产出比不确定；
• 痛点三：活动多，变化快：平台、店铺促销活动频繁，运营精细化运营精力不足，素材更新速度跟不上活动节奏。

4.2 焕新版京点点（OxygenVision）：从 “工具” 到 “智能伙伴” 的升级

（1）旧版京点点：以 “基础 AIGC 能力” 破解效率与成本难题

针对商家的核心痛点，旧版京点点 AIGC 平台于 2023 年上线，通过 “标准化模板 + 自动化生成” 的模式，首次将 AIGC 技术大规模应用于电商素材生产，实现效率从天级到秒级、成本从百元 / 套到几分 / 套的突破。

（2）焕新版京点点（OxygenVision）：从 “工具” 到 “智能伙伴” 的深度升级

2025 年发布的焕新版京点点平台-OxygenVision，依托 Oxygen 大模型家族的多模态能力，解决了旧版 “依赖模板、灵活性不足、需人工干预” 的痛点，实现 “自然语言驱动、智能规划、商品一致性保障、效果闭环” 的四重突破，真正成为商家的 “运营智能伙伴”。

核心升级：从 “GUI” 到 “LUI+GUI” 的交互革命

旧版京点点需商家 “手动选择模板、填写参数”（GUI 模式），新手商家需 1-2 天学习操作；焕新版采用 “自然语言交互（LUI）+ 图形界面辅助（GUI）”，商家无需学习，直接用日常语言描述需求，系统自动理解并执行 —— 这一转变的核心是 “Oxygen 多模态大模型” 的语义理解能力，能精准解析 “需求意图、场景细节、风格偏好”。

（3）焕新版京点点平台-OxygenVision具体包含四大新特色：

特色一：对话式人机交互：需求描述更自然

商家无需学习复杂操作，直接用自然语言描述需求（如 “生成 3 张咖啡主图，场景为办公室提神，风格简约，突出无糖卖点”），若需求模糊，大模型可主动追问或自主规划。

特色二：大模型规划与执行：任务拆解更智能

大模型会将用户需求拆解为 “信息核实→属性获取→数据整理→素材生成→质量检测” 等子任务，自动调用对应智能体（如商品信息 Agent、图像处理 Agent）分步执行，无需人工干预。

特色三：商品一致性保持：素材质量更可控

通过算法优化（如商品主体锚定、风格迁移约束），在生成多版本素材时保持商品核心信息（如 logo、参数）的一致性，避免因素材失真导致的用户信任度下降。

特色四：无缝接入 AB 实验：效果验证更高效

生成的素材可直接接入京东素材 AB 实验平台，商家可快速测试不同素材的点击率、转化率，形成 “生成 - 验证 - 优化” 的闭环。

4.3 京点点（OxygenVision）技术支撑：多智能体系统的 “冰山工程”

焕新版京点点（OxygenVision）能实现 “自然语言驱动的智能素材生成”，表面看是简单对话，实则依赖一套 “10% 大模型 + 90% 软件工程” 的复杂系统 —— 如同冰山，露出水面的是用户可见的交互界面，水下则是支撑高效协同的技术底座。这套多智能体系统通过 “记忆存储、事件总线、模型上下文协议” 三大核心模块，解决了 “智能体如何记住信息、如何协作、如何兼容不同工具” 的关键问题，实现工业级稳定性与扩展性。

• 记忆存储：人类通过记忆积累经验、处理任务，智能体同样需要 “记忆系统” 存储信息 —— 从临时任务数据到长期商品知识，从历史操作记录到标准化流程。焕新版京点点的记忆存储采用 “四层层次化架构”，分为工作记忆（临时任务数据）、情节记忆（历史操作记录）、语义记忆（商品知识）、程序记忆（操作流程），同时通过上下文压缩、Token 优化提升记忆效率；四类记忆各司其职，并通过 “压缩优化” 提升效率，确保智能体 “记得住、调得快、用得准”。
• 事件总线：多智能体系统的核心是 “协同”—— 如同公司里的多个部门，需通过高效沟通完成共同目标。京点点。实现各智能体（商品信息 Agent、文案生成 Agent 等）的通信与协同，确保任务流转顺畅；
• 模型上下文协议（MCP）：焕新版京点点需兼容多种大模型（如 Oxygen 主模型、专项优化的图像生成模型）和工具（如京东商品库、AB 实验平台），若每种模型 / 工具都单独开发接口，会导致 “系统臃肿、扩展困难”。模型上下文协议（MCP）通过 “统一交互标准” 解决这一问题，实现 “一次接入，全平台兼容”。

4.4 京点点（OxygenVision）业务流程：四步实现智能素材生成

焕新版京点点的素材生成并非 “单一智能体完成”，而是 “人机协作交互→智能规划→多智能体协作执行→成果交付” 的全流程闭环。每个阶段都有明确的目标、技术支撑和业务校验，确保最终交付的素材 “符合需求、质量可靠、效果可验证”。

第一阶段-人机协作交互：用户将自己的需求描述给机器，系统来确认商品的相关信息是否完备，用户需求是否明确。

第二阶段-智能规划：大模型在这个阶段要完成任务的拆解与规划，比如模型认为一个主图生产任务可以被分成6项工作，商品信息采集、智能抠图处理、模版风格匹配、文案内容生成、场景图像合成以及最终效果整合。

第三阶段-多智能体协作执行：任务规划完成后，事件总线将子任务分配给对应智能体。各智能体串行 / 并行执行子任务，如 “图像处理 Agent” 负责背景移除与主体提取，“场景设计 Agent” 负责场景生成；通过事件总线实时同步进度，确保 “效率最大化”。

第四阶段-成果交付：生成素材后，进行 SKU 信息验证与业务权限检查，最终交付商家并支持 AB 实验。

5 未来规划

京东零售技术团队计划在焕新版京点点平台二期推出四大新能力，进一步拓展 AIGC 的应用边界：

• 批量素材生成：支持商家指定店铺或上传 SKU 列表，一次性生成多 SKU 素材，彻底解放人力；
• 长短视频生成：覆盖 “5s 主图短视频”（快速展示商品核心卖点）与 “30s 营销长视频”（场景化故事呈现）；
• 经营效果直驱：商家可指定业务目标（如 “提升点击率”“提升转化率”），系统自动调整素材生成策略（如点击率目标侧重视觉冲击力，转化率目标侧重细节展示）；
• 外部平台支持：服务京东外商家与跨境电商，提供多语种素材生成能力，覆盖全球市场。

从电商 1.0 的 “千人千面搜索推荐”，到电商 2.0 的 “千人千面商品素材”，本质是 “个性化” 从 “推荐链路” 向 “展示链路” 的延伸。京东零售通过Oxygen多模态大模型、Oxygen可控视觉生成、多智能体协同等技术，不仅实现了 “货找人” 的精准匹配，更通过京点点设计智能体将技术转化为商家可直接使用的工具，解决了 “商品多、预算少、活动快” 的核心痛点。

未来，随着大模型推理效率的提升、可控生成能力的优化，“千人千面” 的商品素材将逐步实现规模化落地，成为电商 2.0 时代的核心竞争力。

欢迎大家试用焕新版京点点平台（oxygen-vision.jd.com），共同探索电商 AIGC 的更多可能。