LLM Guide / 学习笔记 · 更新于 2026-09-23
商品推荐 Agent:从需求到候选清单
用虚构商品拆解需求状态、硬过滤、推荐解释和失败出口。
GitHub 初稿 ↗用户说“想买一个安静点的机械键盘,五百以内,晚上在宿舍用”,已经给了价格和场景,但还缺少布局、连接方式等偏好。系统可以先给有限候选,再补问真正会改变推荐结果的问题。没必要在推荐前让用户填完一张很长的调查表。
这里用虚构商品说明一个最小方案。价格、库存和商品 ID 都是示例,不对应线上商店,也不是已上线项目的复盘。
哪些条件必须满足
预算上限、配送地区、指定接口,可以作为明确的过滤条件。“安静”“手感好”更接近偏好,需要对应可查询的属性或评价证据。如果库里没有噪声测量,就不能把“静音轴”包装成某个确切分贝数。
一份需求状态可以这样存:
{
"category": "keyboard",
"hard_filters": {"price_max": 500, "currency": "CNY"},
"preferences": ["宿舍夜间使用", "声音较轻"],
"unknown": ["布局", "是否需要无线"],
"excluded_product_ids": []
}
把未知项明确记下来,后面才能判断该追问还是继续搜索。用户说“不要刚才那个”,则应该把具体 ID 加入排除列表,而不是只往聊天摘要里写一句“用户不喜欢”。
先做有限工作流
一个可检查的起点是:读取需求、搜索候选、校验硬条件、给出少量推荐;结果不合适时再澄清。第一版可以用确定的状态机串起来,不必让模型无限循环决定下一步。
工具边界保持小一点,例如 search_products(filters, query) 返回候选 ID 和关键字段,get_product_details(ids) 获取进一步规格。价格和库存应带查询时间,以结构化结果为准。模型可以解释筛选理由,但不应自行生成一个不存在的商品 ID。
搜索为空时,可以告诉用户哪个条件造成了约束,并询问是否放宽。不能悄悄把 500 元上限改成 800 元,再把超预算商品当作“更适合”的答案。
把硬过滤留在代码里
下面只演示候选过滤,软排序暂时保持搜索返回顺序。用整数分记录价格,避免金额计算中的二进制浮点误差;跨币种价格也不能直接比较。
def eligible_products(products, budget_cents, excluded=(), currency="CNY"):
excluded = set(excluded)
selected, seen = [], set()
for p in products:
product_id = p.get("id")
price = p.get("price_cents")
stock = p.get("stock")
if not isinstance(product_id, str) or not product_id:
continue
if product_id in excluded or product_id in seen:
continue
if type(price) is not int or price < 0 or price > budget_cents:
continue
if type(stock) is not int or stock <= 0 or p.get("currency") != currency:
continue
seen.add(product_id)
selected.append(p)
return selected
products = [
{"id": "demo-a", "price_cents": 39900, "currency": "CNY", "stock": 8},
{"id": "demo-b", "price_cents": 59900, "currency": "CNY", "stock": 3},
{"id": "demo-c", "price_cents": 29900, "currency": "CNY", "stock": 0},
]
assert [p["id"] for p in eligible_products(products, 50000)] == ["demo-a"]
真实排序还可以结合规格匹配、证据完整度、价格与多样性,但每项分数的含义需要明确。评价数量多不等于适合当前用户,低价也不等于最佳选择。缺少关键属性的候选,可以标为待核实,或先排除。
推荐理由要能落回字段
一条有用的解释应该指出为什么匹配、还有什么取舍。例如:“A 符合 500 元预算,规格表写明使用静音轴;但没有独立噪声数据,不能保证适合所有宿舍环境。”如果另一款无线更方便但重量更大,也可以把这项差异摆出来。
商品卡片由应用用校验后的 ID 渲染。文本中的价格、规格和卡片应来自同一份查询结果,避免一边写 399 元,另一边显示 459 元。库存是查询时的快照,到实际下单前还要重新确认。
购买、支付、改地址等动作需要单独的明确确认。推荐工具只读时,可以少承担很多状态回滚和重复执行的问题。
给循环和失败设个出口
如果模型可以再次搜索,应限制工具调用次数、重复参数和总耗时。相同条件连续返回空结果,就进入澄清;检索服务超时,则说明暂时无法核实商品,不用语言模型补出一份看似完整的清单。
评估时,先看推荐是否违反预算、是否引用不存在的 ID、是否重复已排除商品,以及修改需求后能否正确更新结果。再看用户选择、推荐多样性和响应时间。点击率可以作为反馈,但用户也可能因为标题夸张才点开,不能单独说明推荐质量。
继续阅读:意图与槽位如何更新、如何把检索证据交给模型。