LLM Guide / 学习笔记 · 更新于 2026-09-23

从一段导购回复拆解工作流

从对话行为推演导购流程,区分产品观察和内部架构事实。

GitHub 初稿 ↗

一段保存下来的“京言”导购回复,把自身能力分成“购物助手”“美食发现官”“百科能手”和“导购小管家”。这些名称能说明回复在区分商品推荐、外卖、知识解释和需求澄清,但不能据此确认内部真的部署了四个独立 Agent。

模型对自身系统的描述可能是角色设定、输出模板,也可能包含猜测。下面把这段回复作为产品行为材料,讨论一个导购系统可以怎样实现,不把它当作京东内部架构的披露。

一次对话可能需要多种结果

用户问“空气炸锅和烤箱有什么区别,租房用哪个方便”,先需要容量、占地和使用方式的比较。此时直接给商品卡片,可能连用户是否准备购买都没确认。

接下来如果用户补充“预算三百,台面很小”,系统才获得搜索条件。知识解释与商品搜索可以出现在同一段对话里,但它们的证据来源不同:产品原理需要可靠资料,当前价格和库存则要查询商品数据。

把这两类结果分开,可以避免知识问答中夹带未经核实的商品推荐,也方便在商品接口不可用时仍然回答一般性问题。

路由结果要能落到工具输入

对“帮我找一个”的处理,至少要知道品类和已有约束。对“这个和刚才那个有什么区别”,还需要解析两个具体商品 ID。仅输出一个 shopping 标签,后续工具仍然不知道该查谁。

一个最小流程可以是:读取当前状态,判断知识解释、候选搜索或商品比较,再准备对应工具参数。缺少会明显影响结果的条件时才追问。外卖还可能涉及位置和营业时间,不能复用商品搜索的所有字段。

这些步骤可以由一个模型配合普通代码完成,也可以拆成多个模块。如何拆分,应看维护边界、延迟和错误传播,不能从界面上有几个角色名字反推系统一定采用多智能体架构。

商品卡片由谁生成

模型适合组织解释,商品卡片的数据应来自已校验的工具结果。应用拿到商品 ID、标题、价格、图片地址等字段后统一渲染,能让价格文本与卡片保持一致,也能拒绝不存在的 ID。

例如可以给生成器两类输入:answer_evidence 存知识证据,products 存本次查询的候选。模型只允许引用 products 中存在的 ID。输出后再检查引用是否越界、是否漏掉用户明确排除的候选。

卡片单独显示,是一种展示约定;它并不能保证内容真实。真正需要核对的是字段来源、更新时间,以及模型有没有在解释里添加接口未返回的卖点。

没有卡片时,先判断为什么

没有商品卡片可能是用户只在问原理,也可能是搜索为空、服务超时,或者地区不支持配送。不同原因对应的回复不一样。

情况 可以怎么处理
只问选购知识 回答区别和选择依据,无需强行带货
条件缺失 补问一个会影响筛选的问题
当前条件下无候选 说明没有匹配项,询问是否调整条件
数据接口失败 说明暂时无法核实价格或库存,允许稍后重试

“只要没有卡片就统一输出知识解答”会把这些失败原因藏起来。用户明明在查库存,却收到一段品类介绍,很难理解发生了什么。

多轮对话里容易出错的地方

用户切换品类时,预算可能继续有效,某些规格则需要重置。比如从耳机换到冰箱,“不要入耳式”显然应该丢掉;预算是否沿用则要结合用户表述,必要时确认。

比较任务还要保存候选引用。用户说“第二个贵在哪”,系统应知道上一轮展示顺序及对应 ID,而不是重新搜索一批商品后仍把其中第二项拿来回答。

如果涉及购买动作,推荐结果和执行授权要分开。表达兴趣、查看详情、确认购买是不同阶段,不能仅凭识别出“购物意图”就触发订单。

验证时看完整链路

可以构造几段短对话:只问知识、直接给完整条件、搜索无结果、查询超时、用户换话题、用户否定上一轮候选。逐轮记录状态、路由、工具参数、工具结果和最终卡片。

这样能看出错误发生在哪一步。把所有问题只归为“回复不够自然”,容易漏掉更早的状态或数据错误。至于原产品究竟如何部署、用了多少模型,仍然需要独立的官方技术资料才能确认。

实现细节可接着看 商品推荐 Agent 与 意图识别。

← 返回学习笔记