一、場(chǎng)景化導(dǎo)購(gòu)背景

1. 為什么要做場(chǎng)景化導(dǎo)購(gòu)

為什么要做場(chǎng)景化導(dǎo)購(gòu)？通常，用戶訪問(wèn)電商平臺(tái)時(shí)帶有明確的需求。他們會(huì)通過(guò)搜索、瀏覽推薦等方式尋找相關(guān)商品，隨后進(jìn)行篩選決策，最終完成交易和履約。在這一過(guò)程中，尋找和篩選階段構(gòu)成了導(dǎo)購(gòu)環(huán)節(jié)。

當(dāng)前電商平臺(tái)存在幾個(gè)問(wèn)題：

• 消費(fèi)群體差異化需求未得到充分識(shí)別。不同消費(fèi)群體在訪問(wèn)電商平臺(tái)時(shí)，其關(guān)注點(diǎn)存在顯著差異，但平臺(tái)未能有效區(qū)分。例如，育兒群體可能對(duì)促銷和價(jià)格優(yōu)惠特別敏感，平臺(tái)應(yīng)針對(duì)性地提供更有效的展示和提醒。
• 商品篩選階段信息繁雜、效率低下?，F(xiàn)有電商平臺(tái)上信息種類繁多，包括各種優(yōu)惠政策、服務(wù)條款以及用戶評(píng)價(jià)等。然而，這些信息往往散落在圖片、文字等不同載體中，導(dǎo)致用戶難以快速獲取對(duì)自身有價(jià)值的信息。
• 難以滿足非標(biāo)準(zhǔn)化購(gòu)物行為。例如，當(dāng)用戶搜索服裝后希望進(jìn)行更多個(gè)性化篩選時(shí)，平臺(tái)往往只能提供標(biāo)準(zhǔn)化、被動(dòng)式的導(dǎo)購(gòu)流程，如選擇配送地址、篩選包郵商品或選擇尺碼等。這種扁平化的體驗(yàn)難以滿足用戶的多樣化需求。我們希望中心貨架平臺(tái)能從扁平化體驗(yàn)走向垂直化、主動(dòng)式的體驗(yàn)，這是我們做智能體驅(qū)動(dòng)場(chǎng)景化導(dǎo)購(gòu)的出發(fā)點(diǎn)和初衷。

2. 什么是場(chǎng)景化導(dǎo)購(gòu)

場(chǎng)景化導(dǎo)購(gòu)可以通過(guò)三個(gè)關(guān)鍵詞來(lái)概括：貼切、沉浸和信任。

• 貼切：針對(duì)特定人群的差異化需求，提供更具針對(duì)性的服務(wù)"界面"，即定制化的交互過(guò)程。例如，對(duì)于寶媽群體，平臺(tái)應(yīng)該提供與其相關(guān)的采購(gòu)知識(shí)，并根據(jù)不同孕齡階段調(diào)整信息內(nèi)容。此外，平臺(tái)還需要提供豐富的商品輔助信息。
• 沉浸：提升消費(fèi)者購(gòu)物過(guò)程的便捷性和連貫性，改善當(dāng)前割裂的消費(fèi)體驗(yàn)。目前，消費(fèi)者在瀏覽平臺(tái)上的商品后，往往需要在小紅書(shū)、B站等不同平臺(tái)間切換，以獲取博主評(píng)價(jià)、產(chǎn)品評(píng)測(cè)或優(yōu)惠信息。場(chǎng)景化導(dǎo)購(gòu)旨在整合這些信息，提供一站式的購(gòu)物體驗(yàn)。
• 信任：幫助消費(fèi)者全面了解商品，增強(qiáng)其決策信心。例如，根據(jù)消費(fèi)者的關(guān)注點(diǎn)（如售后服務(wù)），突出顯示相關(guān)的用戶反饋，如"多位用戶反饋該商家的售后服務(wù)非?？煽?。

從人群定制化服務(wù)出發(fā)，通過(guò)主動(dòng)引導(dǎo)和互動(dòng)式導(dǎo)購(gòu)，為消費(fèi)者提供一個(gè)全面、連貫且值得信賴的購(gòu)物體驗(yàn)。

3. 場(chǎng)景化導(dǎo)購(gòu)智能體框架

產(chǎn)品和技術(shù)層面的場(chǎng)景化導(dǎo)購(gòu)智能體框架主要包含以下幾個(gè)方面：

• 工具：1688 平臺(tái)擁有豐富的服務(wù)資源，包括商品搜索、圖像搜索、比價(jià)雷達(dá)，以及平臺(tái)商品價(jià)格走勢(shì)、物流服務(wù)等一系列原生服務(wù)工具。
• 買(mǎi)家畫(huà)像：平臺(tái)在用戶采購(gòu)過(guò)程中，會(huì)關(guān)注并分析用戶信息和行為特征，構(gòu)建更細(xì)粒度的畫(huà)像。
• 意圖理解與過(guò)程把控：系統(tǒng)能夠追蹤并理解用戶的需求意圖。比如，當(dāng)用戶表達(dá)“想要為參加聚會(huì)購(gòu)買(mǎi)合適的衣服搭配”這樣較為復(fù)雜的需求時(shí)，系統(tǒng)能夠基于用戶的上下文，將導(dǎo)購(gòu)任務(wù)進(jìn)行合理拆解。
• AI 場(chǎng)景化導(dǎo)購(gòu)應(yīng)用：包括但不限于 AI 穿搭推薦、AI 商品搜尋、AI 商品分析建議等場(chǎng)景化導(dǎo)購(gòu)智能體。

4. 場(chǎng)景化導(dǎo)購(gòu)智能體的挑戰(zhàn)

場(chǎng)景化導(dǎo)購(gòu)智能體有幾個(gè)挑戰(zhàn)需要去解決：

• 復(fù)雜意圖理解：在實(shí)際場(chǎng)景中，用戶需求的表達(dá)往往更為復(fù)雜。例如，購(gòu)買(mǎi)連衣裙時(shí)，用戶可能會(huì)描述“想買(mǎi)一件適合特定場(chǎng)合穿著的小碎花連衣裙”。這種復(fù)雜的需求描述可能需要通過(guò)與智能體多輪交互對(duì)話來(lái)逐步獲取信息。在此情況下，需要構(gòu)建一個(gè)能夠組織和記憶買(mǎi)家在平臺(tái)上整個(gè)行為的結(jié)構(gòu)化系統(tǒng)。
• 平臺(tái)原生應(yīng)用的集成與調(diào)用：這包括原生工具與智能體之間的交互和調(diào)用適配，與搜索工具的聯(lián)動(dòng)，以及潛在的數(shù)據(jù)分析聯(lián)動(dòng)等。
• 場(chǎng)景化知識(shí)構(gòu)建與分析：智能體的關(guān)鍵在于數(shù)據(jù)的差異性。1688 導(dǎo)購(gòu)智能體與其他導(dǎo)購(gòu)智能體的區(qū)別并不在于所使用的模型或鏈路，而在于我們擁有獨(dú)特的數(shù)據(jù)資源。這是平臺(tái)沉淀垂直領(lǐng)域智能體的核心價(jià)值。我們已構(gòu)建了自己的知識(shí)體系，包括知識(shí)鏈路以及圖片類多模態(tài)數(shù)據(jù)的處理方法。

二、場(chǎng)景化導(dǎo)購(gòu)智能體實(shí)踐

1. 買(mǎi)家對(duì)話意圖和行為動(dòng)線意圖識(shí)別

對(duì)話消息意圖的識(shí)別，最簡(jiǎn)單的情形是單人消息，例如描述一個(gè)較為復(fù)雜的需求，如為全家聚會(huì)購(gòu)買(mǎi)衣物的要求。在使用大型語(yǔ)言模型進(jìn)行識(shí)別時(shí)，通常會(huì)采用結(jié)構(gòu)化的思維鏈（Format Chain of Thought）。這種方法使得模型不必立即輸出結(jié)果，而是先進(jìn)行一段分析以理解用戶意圖，隨后再執(zhí)行相應(yīng)的操作。然而，在很多情況下，與用戶的交互會(huì)涉及多輪對(duì)話。我們需要判斷何時(shí)應(yīng)對(duì)多輪對(duì)話的上下文進(jìn)行壓縮或重寫(xiě)，何時(shí)可以保留全部信息。此外，提示詞（Prompt）的描述應(yīng)當(dāng)結(jié)構(gòu)化，一方面是因?yàn)榻Y(jié)構(gòu)化語(yǔ)言在底層描述上具有普遍適用性，另一方面則是由于預(yù)訓(xùn)練階段大量的代碼語(yǔ)料使得大型語(yǔ)言模型能夠更好地理解和處理這種結(jié)構(gòu)性。

在線上環(huán)境中，意圖分析經(jīng)常會(huì)出現(xiàn)錯(cuò)誤。例如，用戶詢問(wèn)關(guān)于尺碼的問(wèn)題，但系統(tǒng)卻將其解讀為關(guān)于材質(zhì)的問(wèn)題。對(duì)于這種情況，需要建立相應(yīng)的反饋機(jī)制。目前的處理方式是將這類案例存儲(chǔ)在錯(cuò)誤庫(kù)中。有了錯(cuò)誤庫(kù)之后，整個(gè)流程就遵循檢索增強(qiáng)生成（Retrieval-Augmented Generation）的邏輯，即在接收到問(wèn)題后，需要補(bǔ)充知識(shí)內(nèi)容以構(gòu)建一個(gè)信息量更豐富的上下文。

除了消息類的意圖識(shí)別，我們還在探索在客戶端上分析用戶行為軌跡意圖的可行性，并進(jìn)一步引導(dǎo)輔助決策。這就需要將一個(gè)相對(duì)小型的模型集成到客戶端上。我們嘗試了從幾十兆字節(jié)到幾百兆字節(jié)不等的模型，盡管仍面臨不少挑戰(zhàn)，但這種邊緣智能的解決方案不僅能適應(yīng)實(shí)時(shí)反饋的場(chǎng)景，還能充分利用邊緣計(jì)算能力來(lái)優(yōu)化產(chǎn)品體驗(yàn)，同時(shí)對(duì)用戶數(shù)據(jù)的隱私保護(hù)更為友好。

2. 計(jì)劃式學(xué)習(xí)-用小模型追蹤對(duì)齊任務(wù)狀態(tài)

當(dāng)大型語(yǔ)言模型剛剛問(wèn)世時(shí)，業(yè)界鮮有團(tuán)隊(duì)著手研究計(jì)劃式學(xué)習(xí)，即利用小型模型在 Agent 架構(gòu)中承擔(dān)規(guī)劃任務(wù)。所謂計(jì)劃式學(xué)習(xí)，可以以購(gòu)買(mǎi)手機(jī)支架為例進(jìn)行闡釋：模型應(yīng)具備任務(wù)識(shí)別能力，為完成購(gòu)買(mǎi)手機(jī)支架的目標(biāo)，需制定商品搜索計(jì)劃。該計(jì)劃的主題是手機(jī)這一商品類別，對(duì)此需要收集相關(guān)信息（如預(yù)算和品牌等）。為了完成這一計(jì)劃，模型需要向用戶提問(wèn)，例如詢問(wèn)預(yù)算。若用戶回答"100 元左右"，部分信息便得到更新。隨后，模型繼續(xù)詢問(wèn)品牌偏好等問(wèn)題。信息收集完畢后，模型將生成一個(gè)查詢語(yǔ)句，如"100 元左右的任意品牌手機(jī)支架"，然后執(zhí)行商品搜索操作并返回結(jié)果。

在計(jì)劃式學(xué)習(xí)的指令微調(diào)（SFT）階段，我們采用了對(duì)話式訓(xùn)練模式，即構(gòu)造多輪交互式指令以激發(fā)基礎(chǔ)模型對(duì)任務(wù)形態(tài)的理解。SFT 完成后，還可通過(guò)進(jìn)一步對(duì)齊來(lái)提高模型的追蹤準(zhǔn)確性。追蹤準(zhǔn)確性指的是模型在詢問(wèn)完預(yù)算后是否會(huì)繼續(xù)詢問(wèn)品牌，而非生成無(wú)關(guān)內(nèi)容。這種能力難以僅通過(guò) SFT 培養(yǎng)，需要通過(guò)對(duì)齊訓(xùn)練來(lái)強(qiáng)化模型的內(nèi)在結(jié)構(gòu)性約束。

我們進(jìn)行了對(duì)比實(shí)驗(yàn)，在 Bloom 1.5B 基礎(chǔ)模型上，經(jīng)過(guò)強(qiáng)化學(xué)習(xí)對(duì)齊后，其信息追蹤準(zhǔn)確性提高了 5 個(gè)百分點(diǎn)。許多普遍的對(duì)齊實(shí)現(xiàn)，通常不是對(duì)整個(gè)序列進(jìn)行評(píng)分和約束，而是僅對(duì)最后一個(gè) token 進(jìn)行約束。在我們的場(chǎng)景中，除了最后一個(gè) token 外，我們還利用第一個(gè) token 來(lái)提高意圖識(shí)別的準(zhǔn)確性。

3. 場(chǎng)景離線知識(shí)和實(shí)時(shí)知識(shí)

知識(shí)是智能體系的核心，主要包含兩個(gè)部分：其一為離線知識(shí)庫(kù)，涵蓋商品信息等百科知識(shí)以及外部知識(shí)的綜合；其二為實(shí)時(shí)場(chǎng)景化知識(shí)。由于諸多商品信息具有實(shí)時(shí)性，如價(jià)格波動(dòng)和優(yōu)惠變化等，因此部分信息需支持在線調(diào)用。同理，我們通過(guò)結(jié)構(gòu)化的思維鏈（Format COT）來(lái)控制檢索增強(qiáng)生成（RAG）的過(guò)程，以提高準(zhǔn)確性。輸出流程包括四個(gè)步驟：首先生成分析結(jié)果（Thought），其次得出結(jié)論（Conclusion），再進(jìn)行校驗(yàn)（Rethink），最后實(shí)施風(fēng)格控制輸出。

4. Format-COT 的 RAG 生成控制

什么是 Format-COT 的 RAG 生成控制？從結(jié)構(gòu)化角度而言，通常建議采用 XML 格式，因?yàn)?XML 具有較強(qiáng)的通用性，有利于模型的識(shí)別和處理。例如，在商品信息（offer info）中，需要找出支持問(wèn)題（question）部分的相關(guān)信息，進(jìn)行分析，然后按照指定的輸出格式（output format）來(lái)生成回答。

商品信息 RAG 召回的內(nèi)容包括商品標(biāo)題以及通過(guò)多模態(tài)處理得到的圖像到文本的離線數(shù)據(jù)。將這些信息整合后，首先進(jìn)行初步分析（thought），然后得出結(jié)論（conclusion）。但是，結(jié)論不能直接輸出，還需要進(jìn)行重新思考（rethink）。在提示詞（prompt）層面也可以控制幻覺(jué)現(xiàn)象，這里需要生成一些額外內(nèi)容來(lái)進(jìn)行控制，評(píng)估置信度的高低，最后再通過(guò)一些風(fēng)格控制來(lái)形成最終輸出。

例如，在用戶詢問(wèn)商品尺寸的場(chǎng)景下，結(jié)論部分不應(yīng)直接輸出所有規(guī)格尺寸的描述給用戶，因?yàn)樵诒磉_(dá)規(guī)則（express rule）部分會(huì)有相應(yīng)的約束。當(dāng)尺碼類信息較多時(shí)，最好再添加一些風(fēng)格和格式約束，以進(jìn)一步控制其表達(dá)方式，確保輸出給用戶的信息簡(jiǎn)潔明了。

5. 復(fù)雜需求描述 & 商品搜索

在探討如何實(shí)現(xiàn) AI 原生聯(lián)動(dòng)搜索時(shí)，不妨以一個(gè)具體場(chǎng)景為例：假設(shè)用戶需要尋找一件適合周末聚會(huì)穿著的連衣裙，且預(yù)算控制在 200 元以內(nèi)。這類復(fù)雜需求在當(dāng)前電商搜索系統(tǒng)中往往難以精準(zhǔn)匹配理想商品。然而，借助大型語(yǔ)言模型（LLM）的能力，我們可以構(gòu)建更智能的搜索流程。首先，LLM 會(huì)對(duì)用戶需求進(jìn)行深入分析，識(shí)別出關(guān)鍵要素，如“周末連衣裙”或“晚宴連衣裙”等類別，并提取隱含的需求參數(shù)。隨后，模型將生成相應(yīng)的商品 Query，用于進(jìn)行初步召回。在得到相關(guān)商品列表后，系統(tǒng)會(huì)進(jìn)行匹配過(guò)濾，剔除不符合要求的商品。最后，LLM 會(huì)對(duì)篩選后的結(jié)果進(jìn)行整合，生成一體化的輸出。

（1）需求解析和語(yǔ)義商品召回

需求解析是指用戶提出需求后，如何調(diào)用相應(yīng)工具的過(guò)程；而商品召回則是指根據(jù)給定的商品 Query 召回相關(guān)商品的過(guò)程。當(dāng)一個(gè)需求到來(lái)時(shí)，大型語(yǔ)言模型會(huì)通過(guò) COT 引導(dǎo)，生成潛在的搜索引擎習(xí)慣的商品 Query（通常電商搜索引擎對(duì)形容詞加名詞品類描述的查詢支持較好)。接下來(lái)是 RAG 的借鑒。由于不同搜索引擎支持的參數(shù)各異，需要根據(jù)配置文檔，讓模型借鑒知識(shí)，從需求中提取適當(dāng)?shù)膮?shù)。比如“200 元以下”的價(jià)格限制，以及默認(rèn)的“包郵”等參數(shù)，隨后調(diào)用搜索工具。

在獲取大量商品后，需進(jìn)行匹配和排序。我們使用 M3E 模型對(duì)商品信息和用戶需求進(jìn)行向量化，這構(gòu)成了基礎(chǔ)召回部分。如果缺乏資源或語(yǔ)料來(lái)訓(xùn)練大規(guī)模垂直領(lǐng)域表征模型，可以先嘗試使用通用的 M3E 或 BGE 嵌入。在信息明確的情況下，這些通用語(yǔ)義表征的噪聲通常不會(huì)過(guò)大。然而，向量召回的語(yǔ)義漂移問(wèn)題是需要關(guān)注的。例如，"婚禮連衣裙"可能被誤認(rèn)為"時(shí)尚連衣裙"而被召回。因此，需要第二個(gè)模塊，即使用傳統(tǒng)的深度學(xué)習(xí)模型（e.g. RoBERTa）進(jìn)行相關(guān)性打分。這類模型通過(guò)標(biāo)題和相應(yīng)的人工構(gòu)造查詢進(jìn)行訓(xùn)練。目前，更重的 LLM 重排方案也可考慮，但需要根據(jù)系統(tǒng)和場(chǎng)景實(shí)際評(píng)估。

（2）ReACT 的搜索優(yōu)化

下一階段是 ReACT 的搜索優(yōu)化。需求解析后會(huì)產(chǎn)生多個(gè)查詢，其中一些長(zhǎng)尾查詢難以召回商品，甚至可能出現(xiàn)空召回的情況。因此，需要根據(jù)這一反饋信號(hào)對(duì)查詢進(jìn)行改寫(xiě)，并進(jìn)行二次嘗試。這個(gè)過(guò)程實(shí)質(zhì)上是通過(guò)結(jié)果對(duì)輸入進(jìn)行修正的逐步優(yōu)化收斂，而這種鏈路的實(shí)現(xiàn)只有在大型語(yǔ)言模型的驅(qū)動(dòng)下才成為可能。當(dāng)然，最終還需要施加規(guī)則約束，以防止過(guò)多的嘗試次數(shù)。理論上，所有能夠提供反饋信號(hào)的工具調(diào)用都可以通過(guò) ReACT 的過(guò)程來(lái)進(jìn)行優(yōu)化。然而，目前在效率方面仍然存在一些待解決的問(wèn)題。就電子商務(wù)搜索而言，供給側(cè)本身也會(huì)參與鏈路的聯(lián)動(dòng)優(yōu)化。ReACT 或者說(shuō)通過(guò)結(jié)果反饋來(lái)優(yōu)化收斂的模式，可能會(huì)為我們打開(kāi)更廣闊的想象空間。

6. 多模態(tài)商品信息分析

在電子商務(wù)領(lǐng)域，大量商品信息以圖片形式呈現(xiàn)。對(duì)于這部分信息的處理，主要有兩種邏輯：一種是在線構(gòu)建圖文混合的多模態(tài)知識(shí)庫(kù)，然后進(jìn)行多模態(tài)的檢索增強(qiáng)生成（RAG）；另一種是離線將信息統(tǒng)一處理成結(jié)構(gòu)化的文本知識(shí)。我們?cè)趯?shí)踐中選擇了后者。前者存在幾個(gè)問(wèn)題：首先，多模態(tài)大模型的推理能力尚不夠強(qiáng)；其次，這種方式會(huì)顯著增加系統(tǒng)鏈路的復(fù)雜度。本文將從一個(gè)視角闡述當(dāng)前多模態(tài)大模型在推理方面的局限性。目前，主流的多模態(tài)架構(gòu)分為兩類：圖文編碼分離和圖文編碼統(tǒng)一。使用第一種架構(gòu)時(shí)，多模態(tài)的感知（視覺(jué)編碼）和多模態(tài)的推理（模態(tài)橋接到 LLM）在某種程度上是分離的，模態(tài)橋接后段并未能在預(yù)訓(xùn)練中實(shí)現(xiàn)規(guī)?；╯caling），天然形成了推理效果瓶頸。對(duì)于第二種統(tǒng)一架構(gòu)，以 GPT-4o 為代表，目前在多模態(tài)數(shù)據(jù)層面的規(guī)模法則（scaling law）似乎還不夠顯著，其在圖像理解和推理方面相比文本處理仍有不小差距。

因此，我們目前更傾向于信任多模態(tài)模型的感知能力。我們會(huì)將商品詳情圖中的文字信息提取出來(lái)，構(gòu)建結(jié)構(gòu)化的文本知識(shí)。純文本大模型在理解這些信息方面表現(xiàn)更為出色。在這個(gè)過(guò)程中，我們還會(huì)進(jìn)行評(píng)測(cè)，判斷是否可能產(chǎn)生幻覺(jué)。最終，我們將所有信息整合成統(tǒng)一的文本商品知識(shí)，用于整體的商品信息分析或?qū)з?gòu)過(guò)程。從長(zhǎng)遠(yuǎn)來(lái)看，端到端的多模態(tài) RAG 能處理更豐富的場(chǎng)景，信息損失程度也會(huì)更低，但這有賴于多模態(tài)大模型的進(jìn)一步發(fā)展。

7. AI + 效果評(píng)測(cè)

所有上述工作完成后，還需對(duì)大模型的通用輸出進(jìn)行評(píng)測(cè)。這部分任務(wù)無(wú)法像標(biāo)準(zhǔn)輸出任務(wù)那樣提供測(cè)試集，而外包標(biāo)注從時(shí)間和成本角度考慮都相對(duì)較高，難以作為日常頻繁的評(píng)測(cè)環(huán)節(jié)。因此，自然而然地想到是否可以利用大模型來(lái)進(jìn)行評(píng)測(cè)。運(yùn)用大模型進(jìn)行評(píng)測(cè)時(shí)，需要明確定義評(píng)測(cè)維度和目標(biāo)等方面，以構(gòu)造相應(yīng)的提示引導(dǎo)。例如，針對(duì)賣(mài)點(diǎn)生成任務(wù)的評(píng)測(cè)，需要考察其準(zhǔn)確性、賣(mài)點(diǎn)生成的邏輯性，以及最基本的不涉及色情暴力等風(fēng)險(xiǎn)問(wèn)題。對(duì)于大模型生成的評(píng)測(cè)結(jié)果，可以通過(guò)人工抽樣分析，以驗(yàn)證評(píng)測(cè)結(jié)果的正確性。我們還研究了通過(guò)微調(diào)小規(guī)模模型來(lái)對(duì)大模型生成的任務(wù)結(jié)果進(jìn)行更低資源成本評(píng)測(cè)的可行性。從部分實(shí)驗(yàn)數(shù)據(jù)來(lái)看，這種方法顯示出一定的效果。然而，在實(shí)際應(yīng)用中存在較大局限性，因?yàn)闊o(wú)論是數(shù)據(jù)還是數(shù)據(jù)格式都與任務(wù)高耦合，這意味著難以實(shí)現(xiàn)通用化。

三、場(chǎng)景化導(dǎo)購(gòu)案例

1. AI 智能找挑輔助

打開(kāi) 1688 應(yīng)用程序后，進(jìn)入任意商品的詳情頁(yè)面，例如某款女裝連衣裙的詳情頁(yè)。當(dāng)您詢問(wèn)關(guān)于這些商品的采購(gòu)建議、質(zhì)量評(píng)估或賣(mài)點(diǎn)等問(wèn)題時(shí)，系統(tǒng)會(huì)根據(jù)您的人群屬性（如都市女白領(lǐng)、程序員、全職媽媽等），給出針對(duì)性的回答，并為您總結(jié)最有價(jià)值的商品評(píng)價(jià)內(nèi)容。

同時(shí)，在著裝搭配方面，如果您是女性用戶，想要購(gòu)買(mǎi)一件適合晚間約會(huì)的連衣裙，系統(tǒng)可以為您提供穿搭建議以增添魅力。我們會(huì)通過(guò)夸克搜索引擎獲取相關(guān)信息，然后利用大型語(yǔ)言模型進(jìn)行分析，確定最適合約會(huì)場(chǎng)合的風(fēng)格。隨后，系統(tǒng)會(huì)為您推薦一套完整的穿搭方案，這背后是有專業(yè)知識(shí)支撐的，例如襯衫與高跟鞋或耳環(huán)的搭配。當(dāng)您面臨兩件連衣裙的選擇困難時(shí)，系統(tǒng)可以提供商品對(duì)比功能。它會(huì)告訴您哪件更適合您，同時(shí)考慮性價(jià)比因素。如果您繼續(xù)詢問(wèn)是否有同款推薦，系統(tǒng)會(huì)執(zhí)行兩個(gè)步驟：首先從上下文中識(shí)別目標(biāo)商品，然后通過(guò)圖像搜索找出相似款式。若您在推薦需求中表達(dá)了更多具體選擇信息，系統(tǒng)也會(huì)相應(yīng)地進(jìn)行精確篩選操作。

2. smart shopping

我們還嘗試了一個(gè)更加端到端的 AI + 電商搜索 demo，叫做 smart shopping，它能夠提供一種更加整體化的 AI + 找挑體驗(yàn)路徑。例如，當(dāng)您需要尋找春季流行服飾時(shí)，系統(tǒng)會(huì)主動(dòng)訪問(wèn)一個(gè)趨勢(shì)分析的服務(wù)來(lái)獲得相關(guān)數(shù)據(jù)，并緊接著生成一份采購(gòu)建議。完成這一步驟后，系統(tǒng)開(kāi)始調(diào)用平臺(tái)的商品搜索獲取候選商品并根據(jù)前面的需求、知識(shí)進(jìn)行深度選品分析。最終會(huì)向用戶呈現(xiàn)一個(gè)包含三件商品的采購(gòu)方案。方案中詳細(xì)說(shuō)明了每件商品適合您的理由，這些理由是伴隨整個(gè)信息流程產(chǎn)生的，而非與搜索過(guò)程割裂。

3. 原生導(dǎo)購(gòu)鏈路全域 tips

我們也嘗試在 APP 的更多地方，通過(guò)一些方式提醒用戶下一步要怎么做，比如用哪一張優(yōu)惠券更劃算，夏天到了需要去采購(gòu)一些什么東西，整個(gè)過(guò)程當(dāng)中會(huì)有更強(qiáng)的引導(dǎo)。

四、未來(lái) AI 導(dǎo)購(gòu)的一些隨想

商品信息分發(fā)將向采購(gòu)解決方案分發(fā)的方向演進(jìn)。目前，電商平臺(tái)會(huì)為用戶推薦或搜索商品，這是非常淺層且零碎的信息化連接。我們期望能夠提供一個(gè)更完整的解決方案直面用戶。打個(gè)比方，就像一位值得信賴的主播在為用戶指引，用戶之所以買(mǎi)單，本質(zhì)還是基于長(zhǎng)期采購(gòu)結(jié)果反饋而形成的信任機(jī)制。我們必然不可能真的成為主播或 mcn，但供應(yīng)鏈和前場(chǎng)的定制化分析對(duì)接是能產(chǎn)品化的。

從被動(dòng)式應(yīng)答轉(zhuǎn)向主動(dòng)式問(wèn)題解決。被動(dòng)式應(yīng)答模式需要用戶逐步推動(dòng)，例如用戶輸入特定衣物的需求及條件，系統(tǒng)隨后根據(jù)輸入提供檢索結(jié)果。未來(lái)，我們希望能夠主動(dòng)幫助用戶收斂需求，從而提升整體購(gòu)物體驗(yàn)。

從“大家的 1688”蛻變?yōu)椤澳愕?1688”。當(dāng)前電商平臺(tái)的千人千面很大程度上仍停留在短期、淺層的偏好迎合，比如用戶購(gòu)買(mǎi)了帽子后繼續(xù)推薦帽子。雖然某些采購(gòu)場(chǎng)景可能樂(lè)見(jiàn)，但這顯然不是真正個(gè)性體驗(yàn)。我們對(duì)未來(lái)的期望是，電商平臺(tái)能夠?qū)γ课挥脩粜纬缮钊肭议L(zhǎng)效的理解。例如，對(duì)于一位新晉寶媽，平臺(tái)應(yīng)該圍繞其未來(lái)一年與嬰兒相關(guān)的采購(gòu)需求提供定制服務(wù)。不單是垂直，而是往陪伴的邏輯上走，真正的長(zhǎng)生成周期服務(wù)貼合。

最后歡迎大家下載 1688 的 APP，去體驗(yàn)我們的 AI 采購(gòu)助手。

五、Q&A

Q1：計(jì)劃式學(xué)習(xí)那里沒(méi)有 RAG?

A1：它是在用戶要買(mǎi)手機(jī)支架的前提下猜出來(lái)去問(wèn)預(yù)算和品牌，如果要買(mǎi)一張椅子，它會(huì)去問(wèn)材質(zhì)和可能長(zhǎng)寬高，基礎(chǔ)大模型本身蘊(yùn)含的知識(shí)會(huì)讓他在 0-shot 的時(shí)候想到一些可能的商品-屬性關(guān)聯(lián)，當(dāng)然微調(diào)指令中提及的關(guān)聯(lián)多少也會(huì)影響到。這個(gè)框架本身是可以配合 RAG 的，當(dāng)開(kāi)啟某類商品的采買(mǎi)，例如手機(jī)支架，第一步就是做一個(gè)知識(shí)庫(kù)的 function-call，從知識(shí)庫(kù)把手機(jī)支架采買(mǎi)需要引導(dǎo)詢問(wèn)的關(guān)鍵屬性放進(jìn)一個(gè)結(jié)構(gòu)性上下文中。從這里也可以看出，這個(gè)模型起到的作用是一個(gè) planning 的角色，在整個(gè) Agent 系統(tǒng)中做好調(diào)度。在實(shí)際落地中，對(duì) planning 的理解和推理都有很大的挑戰(zhàn)，尤其是復(fù)雜場(chǎng)景中，這個(gè) bloom 1.5B 上的實(shí)驗(yàn)只是說(shuō)明了一種訓(xùn)練的可行性，以及這種方式在特定垂直場(chǎng)景下能以低資源看到的一些效果邊界，實(shí)際情況中，需要根據(jù)場(chǎng)景作出調(diào)整。

Q2：商品召回的時(shí)候怎么判斷 query 和商品 match?

A2：用商品的標(biāo)題匹配是不是 match，這個(gè)時(shí)候用 embedding 去做召回的時(shí)候，它會(huì)有漂移，就是有可能它不是一個(gè)時(shí)尚休閑連衣裙，而是一件婚禮連衣裙，它的 embedding 可能會(huì)很接近，這個(gè)時(shí)候需要有個(gè)監(jiān)督模型在后面來(lái)判斷 true or false，即這個(gè) query 和商品是不是匹配？這個(gè)模型是要訓(xùn)練的，要構(gòu)造一些 query 和 title 的關(guān)系對(duì)，生成的 query 和商品的 title 過(guò)濾掉那些閾值比較低的候選。但這套方案是建立在一個(gè)理想的假設(shè)上，就是商品的標(biāo)題是反映真實(shí)信息的且描述了商品真實(shí)要點(diǎn)，這屬于供給側(cè)信息的問(wèn)題，我們目前也遇到一些挑戰(zhàn)。

Q3：怎么保證整個(gè)鏈路準(zhǔn)確？

A3：我們通過(guò) COT 的邏輯，盡可能讓它先分析一下，生成對(duì)應(yīng)的 advice， advice 里面本身會(huì)有一些上下文來(lái)保證生成商品詞是盡可能跟需求比較相關(guān)的，有了這個(gè)過(guò)程相對(duì)來(lái)說(shuō)它的幻覺(jué)會(huì)弱一點(diǎn)，但是如果一定要解決，讓它生成的 query 絕對(duì)滿足用戶的描述，那指標(biāo)是很難絕對(duì)被量化的，原因有些時(shí)候它的 query 是開(kāi)放式的，只能通過(guò)后面鏈路去慢慢調(diào)整它，甚至多輪對(duì)話再去調(diào)整它。它本身整個(gè)就是 pipeline 的，不是端到端的，所以其實(shí)很難保證每個(gè)環(huán)節(jié)沒(méi)有噪音，每個(gè)地方的噪音都會(huì)累積下來(lái)。比如匹配模型不太準(zhǔn)，把一些錯(cuò)誤的商品放進(jìn)來(lái)了，后面還會(huì)有大模型來(lái)做篩選哪些是適合的商品，它大概會(huì)幫你過(guò)濾出來(lái)。

Q4：AI 導(dǎo)購(gòu)助手上線的時(shí)候有沒(méi)有業(yè)務(wù)指標(biāo)評(píng)測(cè)，比如銷量或者轉(zhuǎn)化率？以及有沒(méi)有做過(guò) AB test？

A4：我們現(xiàn)在大概整個(gè)灰度的用戶量就幾萬(wàn)，其實(shí)很少，它現(xiàn)在沒(méi)有轉(zhuǎn)化價(jià)值，但是值不值得去做這件事情？從第一性原理去出發(fā)，它是解決用戶問(wèn)題的，從產(chǎn)品邏輯上面來(lái)看，它確實(shí)是一種更好的體驗(yàn)方向。所以我們現(xiàn)在不會(huì)嚴(yán)格去監(jiān)測(cè)所謂的轉(zhuǎn)化率，因?yàn)檗D(zhuǎn)化率太深了，大概率沒(méi)有那么優(yōu)秀，肯定在首頁(yè)去優(yōu)化 CTR 更好一些。我們會(huì)去監(jiān)測(cè) AI 助手用戶的使用輪次，用戶進(jìn)來(lái)之后有沒(méi)有意愿長(zhǎng)期地溝通下去？或者對(duì)于一些特定問(wèn)題，用戶點(diǎn)贊、點(diǎn)踩，通過(guò)這種方式去分析用戶對(duì)產(chǎn)品的認(rèn)同度。先不關(guān)注電商平臺(tái)的所謂轉(zhuǎn)化指標(biāo)，而是先回歸到一個(gè)產(chǎn)品去看它的功能有效性、完整性和用戶的體驗(yàn)反饋。