由内而外：Airbnb 如何重塑幕后系统与宾客体验
Ahmad Al-Dahle 于 1 月加入 Airbnb 出任 CTO。此前，他是 Meta 生成式 AI 负责人，主导了 2023 年至 2025 年间开源 Llama 模型的发布。如今，Al-Dahle 负责将 Airbnb 打造为一家“AI 原生”公司。
在实践中，这意味着在内部使用 AI来加速产品开发，再利用这些能力重塑客户体验。我们称之为“由内而外”的 AI 策略，下文将深入剖析其中的细节。
Al-Dahle 接受 Latent Space 采访时谈到了 Airbnb 的 AI 转型。我们首先问他，为什么选择从在 Meta 构建前沿模型，转为在 Airbnb 部署这些模型。
“从根本上说，我喜欢追寻我认为的最具挑战性的前沿领域，”他回答，这句话或许也暗藏双关。“在 Meta，我们其实很了解飞轮长什么样，明白如何一代接一代地提升模型能力。”
Al-Dahle 认为下一个挑战是如何大规模部署模型。在 Airbnb，他的目标是“推动人们改变工作方式，因为这些工具正在重塑你的工作”，同时“把这些系统落地到生产环境，用真正为核心用户体验创造价值的创新方式”。
直接上手原型，代码即产出物
自 2008 年上线以来，Airbnb 一直被视为一家深耕住宿行业的科技公司。公司于 2020 年上市，目前市值约 930 亿美元（截至撰稿时）。要把这样一家公司改造成“AI 原生”，规模可不小。
Al-Dahle 列举了一组数据来说明 Airbnb 已经全面拥抱 AI：目前60% 的代码由 AI 编写，功能和改进的上线数量同比增长近 80%，普通工程师的 pull-request 吞吐量提升约 1.6 倍。
但 Airbnb 究竟是怎么做到的？
首先，他说关键在于改变软件工程的组织流程。传统流程通常是：先写产品需求，再用 Figma 做设计，然后进入工程实现，最后上生产环境测试。过去这些环节需要团队之间反复交接。而现在，Airbnb 的产品、设计和工程团队都直接围绕原型展开工作。
Al-Dahle 说：“对很多传统软件公司来说，砍掉这些流转时间正是它们转型迈出的一大步。我们迈出了这一步，它确实给我们的产品开发流程带来了巨大助力。”
这一转变带来的副产品是，团队直接与代码交互，而非处理产品需求文档等“交付物”。
他表示：“我们不再过度依赖生成文档，而是将代码本身作为推演的交付物，并辅以原型验证。”
AI 解决约半数客服工单
Al-Dahle 告诉我们，客户支持是首个引入 AI 的面向用户场景。他将其描述为“部署难度最大的问题”，因为“错误的风险和后果非常严重”。
Al-Dahle 表示，目前Airbnb 约半数的客服工单已完全由 AI 解决（这与公司第二季度财报中的数据一致，其中该比例接近 45%）。
他认为，关键在于在系统上线前使用合成数据进行彻底测试。
“我们的流程是：构建模型、开发 Agent，并在正式投产前生成一批合成数据用于压力测试。”
他指出，尽管 Agent 已处理约半数的客户咨询，但对于哪些场景需要人工介入——例如涉及安全的问题——团队仍持谨慎态度。
“所以，虽然我们能解决 50% 的工单，但对于尚未选择用 Agent 处理的工单，我们有着明确的判断标准。”
Everest：Airbnb 的 AI 上下文图谱
你可能还不太熟悉 Airbnb 的两个 Airbnb Services 项目：杂货配送和机场接机（其中杂货服务刚刚扩展至更多城市）。这两项服务均于今年早些时候上线，这得益于 Airbnb 采用“由内而外”的 AI 战略。
帮助这些产品快速推向市场的，是一个名为 Everest 的内部组织架构图谱。Al-Dahle 表示，Everest 利用 LLM、embeddings 以及基于 AI 的检索等技术来构建和查询该图谱。
他解释说，生鲜配送和机场接送服务“性质类似——都是与外部合作伙伴服务的 API 集成，接入我们的平台。”
生鲜配送服务率先开发，其经验被同步至 Everest，这使得机场接送团队能够以更快的速度完成项目。在 Q2 财报中，Airbnb 指出，“生鲜配送服务开发历时八到九个月，而机场接送服务仅用六周。”
此外，借助 Everest，开发者未必需要具备专业领域知识才能参与项目开发。
Al-Dahle 说道：“因为存在一个横跨整个代码库的上下文图谱， 通用型工程师也能处理代码中极具专业性的部分。”
Airbnb CEO Brian Chesky 在 5 月的 2026 夏季发布会 上重点介绍了这两项新服务。
Brian Chesky@bcheskyIntroducing the Airbnb 2026 Summer Release
7:14 PM · May 20, 2026 · 782K Views327 Replies · 172 Reposts · 3.51K Likes
如何选型与定制开源模型
为了更直观地展示 Airbnb 的内部 AI 使用情况，Al-Dahle 把公司形容为一家“多模型公司”，并表示其生产系统中部署了“大量不同的模型”。
Airbnb 同时使用前沿模型和开源模型，但大部分后训练和强化学习都基于开源模型进行。Al-Dahle 透露，公司至少部署了 10 个针对生产场景定制的模型。
他们还按成本、性能和延迟的 Pareto 前沿来评估模型，为每个应用选择不同的权衡方案。
“我们针对每个用例单独跑评测，”他解释道，“比如用模型做搜索，我们就会从生产环境抽样一组搜索查询作为衡量基准；做客服的话，同样会抽取我们最关注的生产查询，包括边界情况。”
“我们力求为合适的任务选合适的工具，”他补充道。举例来说，编码任务可以容忍更高延迟，但出错的代价很高，所以他们倾向于用最强的前沿模型来处理编码任务。
使用绝对最前沿的编程模型是合理的，因为模型产生的每一个缺陷，都可能让我们付出高昂的代价。
另一方面，搜索功能被 Airbnb 的用户大规模使用，因此对延迟极其敏感。所以在这个场景下，他们更倾向于使用更小、更专业的模型。Al-Dahle 表示，经过后续训练的小型模型有时甚至能超越前沿大模型。
“在狭窄的使用场景中，我们已经能够使用真正微小、灵活、极速且低成本的模型，并通过后续训练使其能力超越前沿模型。”
异步智能体：下一个重大转变
与其他 AI 原生公司一样，Airbnb 也创建了一个内部智能体——在其案例中被称为 AirChat。
“我们有一个内部智能体叫 AirChat，它基本上包含了所有必要的 MCP 组织上下文，”Al-Dahle 说道。
但 Airbnb 也开始实施 Al-Dahle 视为智能体下一阶段的特性：在容器中运行、由事件触发的异步智能体。
“我们的许多团队开始基本上自动化他们的值班工作，”他解释道。“也就是说，如果某些环节触发了警报，比如 Grafana 阈值或你使用的任何监控系统发出了警报，智能体就会启动，进行初步排查并执行你的值班任务，也就是你的第一轮值班。”
人类工程师可以审查智能体提交的 PR（Pull Request），而如果智能体判断该警报是偶发的或不稳定的，它甚至可以自行关闭事故。
这一过程让我们联想到 Vercel 的 AI SDK、Astro、Flue 和 tldraw 等开源项目如何利用“软件工厂”——即智能体团队——来应用修复补丁和新特性。
Al-Dahle 认为，这种方法最终会应用于整个市场平台，比如监测欺诈、“信任违规”、市场质量以及软件缺陷。
“我的愿景是用大量异步 agent 来帮助自动化和管理整个市场。”
守护软件工程的手艺
Al-Dahle 相信，围绕目标而非功能来组织团队，是成为 AI 原生公司的关键。
他说：“如果一家公司按功能开发来组织工作，在 AI 时代会很挣扎；但如果围绕目标、使命和想要达成的结果来组织，就没问题。”
不过，在这场 AI 原生转型中，Al-Dahle 有一件事很担心：初级工程师还能不能磨炼出自己的手艺和判断力——毕竟 AI 现在能替他们干太多活了。
他指出，资深工程师的判断力，是多年上线系统、运维生产环境积累出来的，其中也包括一路犯过的错。
Al-Dahle 认为解决办法之一，是确保所有工程师都能讲清楚 AI 替他们做了什么。
“我极力推动的一点是：每个工程师必须能解释自己构建的东西，哪怕 PR 是 AI 生成的。我认为只要这条底线守住了，初级工程师就能学到界面设计和架构的手艺，理解测试、单元测试和集成测试的重要性。所以我们要把手艺水准保持在高处。”