代理走进网站之后：Jeff Lunsford谈实时上下文、身份关联与商业验证

一、嘉宾背景

这期约56分钟的《Eye on AI》由Craig S. Smith主持，采访Tealium首席执行官Jeff Lunsford，主题是实时数据编排与代理商业。讨论围绕企业数据基础设施展开：当访问网站的不只有消费者本人，还有代人查询、比较和交易的代理，企业如何提供及时、可解释且包含同意状态的上下文。节目标题中的“50%”来自嘉宾对未来流量结构的预测，并非节目独立测得的普遍事实。

Lunsford的经历解释了他为何关注企业基础设施的惯性。他回忆，1994年离开海军后进入银行技术领域，见过夜间批处理在银行系统中长期延续。据他介绍，Tealium于2009年以两人咨询公司起步，2011年获得投入，开始建设软件公司。团队具有网站分析背景，面对网站标签不断增加带来的管理负担，先从标签管理和共同数据层切入跨渠道数据碎片化问题，再逐步扩展到移动端、受众与跨渠道数据。

如今，Lunsford将Tealium定位为客户体验系统与数据仓库、后端交易系统之间的中立数据层，并称其集成约1300家供应商。这一定位和规模均属于公司方陈述。他的相关经验来自事件采集、身份关联、属性映射和数据分发，不能据此认定他对代理商业的所有判断都已得到验证。这一供应商视角贯穿访谈：他给出了具体的架构解释，同时也有商业动机强调实时数据层的价值，方案如何运作与效果能否兑现，需要分别评估。

二、本期主要内容

主持人首先追问“编排”的含义。Lunsford明确区分了数据编排与代理工作流编排：Tealium不接管完整代理、安排其任务，而是向代理或模型提供数据。同一套基础设施可以服务欺诈判断、下一步行动算法或代理应用：收集事件，对数据进行标记、过滤和丰富，再将包含访客同意状态的上下文交给需要它的系统。平台的责任边界也由此明确：向模型提供数据，并不意味着后续任务规划和执行也由它完成。

据他描述，这条处理链路会监听网站、移动应用、客服和门店等系统产生的事件，关联身份、更新访客画像，再将数据发送至广告平台、邮件系统或数据仓库。他将其与层层汇总、执行ETL、继续传递结果的批量管道相对照。不过，传输速度只是其中一部分。目的地可能未能接收事件，平台需要检测失败并重发，因此投递可靠性、属性标签和可观测性也属于编排职责。节目没有进一步说明重复事件如何处理，也没有给出完整的投递语义，不能仅凭“会重发”推导出完整的投递保证。

一家拥有四个品牌的零售商，展示了这条链路如何连接网站、移动端和门店。消费者在商场用手机浏览牛仔裤，进入门店后，店员可以在平板上查看其近期兴趣，据此提供服务。同一画像也可帮助客服了解刚刚发生的数字行为，或用于弃购提醒、再营销和忠诚度活动。门店既可以在员工打开画像时主动拉取，也可以接收事件规则触发的推送。两种方式服务于不同的使用时点，但访谈没有交代系统如何确认到店消费者的身份，不能据此认为它天然能够识别每位进店顾客。

这些事件链路仍与批处理并存。Tealium接受批量文件，受众可以保存在数据仓库、客户数据平台或营销云中。Lunsford强调，公司主要替换的是昂贵的点对点集成，而非全部业务系统。平台处理行为与体验数据，例如贷款或保险申请过程中的行为；账户余额仍由后端交易系统提供。共同数据层负责协调不同系统已经观察到的信息，并不因此成为所有业务数据的权威来源。

CloudStream延续了这一思路。据Lunsford介绍，入站事件可以触发仓库抽取，将单个画像或整个受众发送至指定激活端。主持人追问“没有影子副本”时，他的回答仍明确涉及数据离开仓库、进入下游，节目也没有完整解释缓存和留存策略。因此，这一表述不能理解为数据完全不离开仓库。平台还通过开放、灵活的属性映射，将邮件、测试工具等不同系统的行为字段纳入共同表达，使各渠道能够利用其他渠道已经观察到的信息。连接建立之后，字段含义、更新时间和使用目的仍需要协调。

三、核心观点：推理、例子与边界

Lunsford的核心判断是，数据的价值取决于它能否赶上行动窗口。他举出旅途中需要登机口、行李提取信息的例子，也谈到消费者可能把周六留给买车。前者的需求随旅程推进而变化，后者的商业意图可能集中在有限时间内。这也是他主张实时数据架构的理由：即使模型具备推理能力，迟到的上下文仍可能让它在错误的时点提供建议。不过，这些例子支持的是按决策的时效要求配置数据链路，尚不足以证明所有数据都值得以同样的成本实时处理。

他随后给出了一组收益数字：实时体验的转化率比延迟体验高30%至200%，消费者离站四分钟后发送邮件，打开率约为24小时后发送的六倍。这些数字均来自嘉宾陈述，节目没有提供样本、对照设计或指标口径，邮件打开也不等于完成购买。它们可以成为实验的起点，用于检验响应时机是否影响某类用户，却不能直接用于另一家企业的收益预算。不同指标的改善，也不能合并成一个统一的“实时化回报”。

代理流量的预测同样需要交代统计口径。Lunsford称，客户约20%的有效入站流量已来自代理；他另提到，AI兴起前约40%的流量属于机器人。他预测代理占比约一年后可能达到50%，也使用了“明年年中”的说法。前两项数字口径不同，后者则是预测。材料没有明确录制日期，也未交代识别代理的方法，因此不能以上传时间作为预测的起算点，更不能据节目标题推断每家网站都会在同一日期达到相同比例。

在他的判断中，代理占比上升不意味着人类访问必然减半。代理降低了寻找旅行方案、订餐和搜索商品的门槛，总活动量因而可能扩大。网站仍可作为入口，只是部分访问不再需要面向人的HTML渲染。企业由此多了一个需要服务的渠道：既要保留人类界面，也要让不同入口共享已经发生的行为和同意状态。这一判断为保留人类界面提供了理由，但会话量增加能否带来利润，仍取决于新增活动的质量与服务成本。

为支持代理访问，Lunsford建议将相关后端属性纳入网站数据层，使用JSON、JSON-LD以及相应API或协议，让代理更容易读取数据、完成交易。购买路径缩短后，原先通过多个页面逐步展示的信息，需要以机器可用的方式提供给代理。但结构化表达不能保证交易正确，也不能替代授权。他另称，代理流量的每会话收入比人类流量高约38%，并认为易用的网站可能在后续获得代理优先选择。节目没有说明代理识别方法、样本构成或排名验证方法，因此前一项不能被解释为代理带来的增量收入，后一项也仍是他的预期。

代理身份如何设计，目前仍在探索。Lunsford提出，可以在人类画像上增加代理属性，也可以为代理建立独立标识，再关联到人；他还提到用户给予代理的预算和获准活动。这些设计有助于记录“谁代表谁”，却没有完整回答“此刻允许做什么”。节目没有提供可直接采用的授权校验流程，身份图谱能够建立关联，并不足以证明代理拥有执行权限。

收益案例也留下了归因问题。Lunsford称，接入转化API后，相关指标平均改善约25%；旅游场景从使用前一天的数据改为实时数据后，转化改善30%至40%。他还讲述了一家汽车经销商线索成交率从10%升至30%的案例，并称这增强了经销商收购其他门店的信心。这些案例没有可复核的实验设计。经销商同时清理数据源、整合渠道、建设数据层，不能把全部变化单独归于速度。较为稳妥的判断是，数据新鲜度、完整性和跨渠道协调可能共同影响结果，各自的贡献仍需在实际部署中分别验证。

四、学习与应用

企业若要据此制定建设方案，可以先选定一个有明确时效要求的决策。以门店员工打开画像、客服接起电话或代理请求商品信息的时刻为起点，分别检查源数据何时产生、画像何时更新、仓库何时刷新、下游何时行动。访谈中的批量导入、事件监听和事件触发仓库抽取同时存在，说明快速取出一条记录，并不意味着记录本身足够新。如果延迟发生在源头，提高传输速度可能只是更快地分发旧状态。

链路验收也应围绕具体决策展开。门店需要近期商品兴趣，还是覆盖全部历史的画像，应由使用目的决定；随后需要验证身份关联是否正确、所需字段是否到齐、目的地是否确认接收。既然存在失败重发，就还要检查重复处理是否会反复触发提醒或活动。拉取可在使用时获取上下文，推送可提前响应事件，选择取决于访问时点和失败后果。连接器数量能够说明覆盖面，却不能替代端到端可靠性测试，也无法补足访谈未说明的到店身份识别机制。

代理接口需要分别处理身份关联与执行权限。根据节目提到的要素，企业可以明确委托人、代理标识、预算、允许活动和同意状态，再按具体任务决定提供哪些字段。读取近期偏好与执行交易，需要分别判断权限；这是从嘉宾方案引出的实施要求，节目并未提供完整规范。丰富数据层之前，应先确定字段的接收对象与用途。系统能够读取完整画像，不意味着每个外部代理都应获得其中的全部属性。

企业内部通过代理修改配置，也需要单独评估。Lunsford称，六月推出的MCP服务器允许用户通过Claude、Codex等工具，以自然语言创建规则、属性、活动和受众。这与消费者代理访问网站用途不同，操作会直接改变平台配置。试点可以从范围明确、结果易于检查的变更开始，核对生成内容、操作权限及恢复方式，再决定是否扩大范围。节目说明了自然语言操作如何降低使用门槛，却没有介绍审批、权限或回滚细节，发出指令变得容易，并不代表变更风险已经得到控制。

商业验收则需要同时计算成本与收益。据Lunsford介绍，Tealium按处理量收费，客户承诺年度预算，并设有超量档位。如果代理带来更多请求，处理费用也可能变化。因此，有效任务完成情况、收入、广告效率、工程工时和处理成本需要一并观察，会话增长本身不足以证明投入有回报。收益测试还应记录同期的数据清洗、渠道整合等改动，才能判断哪些投入产生了效果，下一笔预算应投向何处。

集成节省也应按实际拓扑计算。Lunsford用“阶乘”描述连接数增长，但他给出的前后端全互连示例，应按前端数乘以后端数计算：两个前端连接两个后端，需要四条连接。中间层可能减轻逐条维护连接的负担，实际收益仍取决于哪些连接确实存在，以及映射规则如何维护。将连接拓扑、数据新鲜度、权限和用量成本纳入同一试点的验收范围，企业才能判断这套架构是否解决了既定问题。

来源

• 原始节目：AI Agents Will Take 50% of Your Traffic — Is Your Data Ready? | Jeff Lunsford, CEO of Tealium