DoorDash推出名为DoorDash Air的无人机配送服务，已获美国联邦航空管理局批准。公司将自主研发专为食品配送设计的无人机，并建设地面基础设施。此举旨在解决中距离订单配送慢的问题，让骑手专注于短途高效配送。

DoorDash、Instacart和Uber Eats以不同方式将LLM整合进搜索系统。DoorDash离线用LLM丰富知识图谱，运行时保持传统检索；Instacart用LLM处理查询理解，结合RAG和微调模型；Uber Eats将微调Qwen作为嵌入骨干，统一多垂直领域检索。三者差异源于现有基础设施，核心问题是LLM应深入运行时多深。

DoorDash推出了新的命令行接口“dd-cli”，允许开发者通过AI代理下订单，简化点餐流程。这一举措虽然便利了开发者，但也引发了对DoorDash盈利模式影响的讨论，专家警告若不适应变化，DoorDash可能面临被竞争对手超越的风险。

DoorDash开发了一种模拟和评估系统，以改善客户支持聊天机器人，成功解决了“幻觉”问题。该系统通过离线模拟生成真实客户对话，并自动评估聊天机器人的表现。经过快速迭代，幻觉现象减少了90%，测试效率显著提高，确保在真实客户体验前验证改进效果。尽管存在一些局限性，如无法捕捉所有问题，人工审核仍是改进的起点。

DoorDash通过模块化设计快速推出Dasher入职流程，简化了不同市场的适应性。新架构显著缩短了在波多黎各、澳大利亚和加拿大的上线时间，且无需大量新开发。通过标准化接口和状态映射，DoorDash实现了高效的流程管理和灵活的模块重用。

DoorDash开发了一种模拟评估系统，能够快速进行数百次客服聊天机器人测试，显著提高实验效率。该系统将幻觉率降低了约90%，通过生成真实客户互动的多轮对话，结合自动评估框架，确保聊天机器人在实际场景中的表现。工程师通过持续迭代优化提示和上下文处理，以达到上线前的评估标准。

DoorDash重建了Dasher入职系统，采用统一的模块化工作流程平台，以加速全球扩展并简化地区复杂性。新系统取代了旧的分散架构，提供一致的入职体验，减轻工程负担，并支持不同市场的本地化需求。迁移过程验证了新系统的可移植性，未来可能增加动态配置和版本管理功能。

DoorDash工程师采用多臂老虎机方法优化实验，解决传统A/B测试的慢和昂贵问题。该方法通过动态分配流量加速学习并减少浪费，核心算法为汤普森采样，能够有效处理延迟反馈。尽管多臂老虎机面临挑战，如难以推断未包含在奖励函数中的指标，DoorDash计划通过上下文老虎机和贝叶斯优化提升用户体验。

DoorDash推出了AI安全系统SafeChat，实时监控Dashers与客户的交流，检测不当内容并采取措施。该系统结合机器学习与人工审核，显著降低安全事件发生率。

DoorDash在经历服务中断后，采用服务网格架构以提升可靠性，选择Envoy作为数据平面，并构建定制控制平面。通过逐步引入关键功能，DoorDash成功应用服务网格于微服务架构，显著改善系统可见性和可靠性。

文章讨论了“DoorDash问题”，即AI界面如何影响服务提供商与用户的关系。AI可能导致用户通过代理下单，从而削弱传统服务商与客户的直接联系，影响其收入模式。亚马逊近期起诉Perplexity，阻止其AI浏览器在亚马逊上购物，标志着这一问题的首次重大对抗。AI的崛起可能改变互联网经济，服务商需重新审视与客户的关系。

根据CrowdFlower的调查，数据科学家花60%的时间在数据整理和清理上。本文介绍了如何利用DoorDash的近20万条食品配送记录构建数据清理管道，处理缺失值和数据类型问题，为后续分析做好准备。

DoorDash与Waymo在凤凰城合作，使用无人驾驶汽车进行送餐。顾客需到路边取餐，Waymo的无人车将从DashMart便利店配送，未来将扩展至更多商家，以降低人力成本和提升送餐效率。