企业官网建设流程全解析

商品推荐最容易做成两种极端：要么纯规则（if预算<500推A，僵化），要么纯大模型（让模型直接"推荐一款耳机"，模型可能编造不存在的产品）。可靠的智能推荐是三层结构：大模型负责理解和表达，规则系统负责约束正确性，各干各擅长的事。

一、第一层：约束提取——把自然语言变成结构化条件

用户说"想找个跑步戴的、500块以内、续航长点的耳机"，大模型用函数调用（Function Calling）输出结构化约束：使用场景=运动、价格上限=500、偏好权重={续航:高}。

约束分两类：硬约束（必须满足：价格≤500、运动场景适用）和软约束（尽量满足：续航越长越好、偏好黑色）。这个区分决定后两层的处理方式——硬约束用于过滤，软约束用于排序。约束提取允许跨轮累积：用户第一轮只说"跑步用"，第二轮补"预算500内"，程序合并两轮约束而不是重新开始。

二、第二层：过滤与排序——规则保证正确性

过滤阶段用硬约束在商品库做确定性筛选：价格区间、类目、规格有货。这一层绝不让大模型参与——产品价格库存是硬事实，模型"推荐"一个499元实际卖699元的产品就是事故。过滤后的候选集通常有5-20个。

排序阶段对候选集按软约束打分：续航权重0.4、品牌匹配0.3、用户历史偏好0.3，加权算分取Top3。打分函数是确定性的，大模型不参与——保证同一用户同一条件每次推荐结果一致，不会出现"上午问和下午问推荐不同"的诡异体验。

三、第三层：推荐解释——大模型只做表达

Top3产品确定后，大模型才介入：根据用户画像和约束权重，为每个推荐生成"为什么适合你"的解释。解释不是复述参数表，是把参数翻译成用户价值——"续航40小时"翻译成"一周跑5次不用充电"。

解释生成的输入是结构化的推荐结果（产品+分数+命中的用户偏好），输出严格基于这些事实。模型不允许添加产品库以外的信息——这是防止幻觉的边界。

三层架构对照

三层推荐实现

TOOLS = [{ "name": "submit_constraints", "description": "提交用户的选购条件", "parameters": { "type": "object", "properties": { "hard": {"type": "object", "description": "必须满足的条件：预算/类目/规格"}, "soft": {"type": "object", "description": "偏好权重：续航/外观/品牌等"} }, "required": ["hard"] } }] class ProductRecommender: def extract(self, dialog_history): """第一层：跨轮累积的约束提取""" result = llm_function_call( messages=dialog_history, tools=TOOLS) new_constraints = result.arguments # 与历史约束合并，而非覆盖 merged = merge_constraints( self.saved_constraints, new_constraints) self.saved_constraints = merged return merged def filter_and_rank(self, constraints): """第二层：确定性过滤+打分""" # 硬约束过滤 candidates = db.query_sql(""" SELECT * FROM products WHERE category = ? AND price <= ? AND stock > 0""", [constraints["hard"]["category"], constraints["hard"]["budget"]]) # 软约束加权排序 for p in candidates: p["score"] = ( 0.4 * self.score_battery(p, constraints["soft"]) + 0.3 * self.score_brand(p, constraints["soft"]) + 0.3 * self.score_pref(p, self.user_history)) return sorted(candidates, key=lambda x: x["score"], reverse=True)[:3] def explain(self, top3, constraints, profile): """第三层：基于事实生成解释，禁止添加库外信息""" facts = [{"name": p["name"], "price": p["price"], "specs": p["specs"], "matched": self.matched_prefs(p, constraints)} for p in top3] return llm_chat( system="根据以下推荐结果数据解释为什么适合该用户，" "只能使用数据中存在的参数，不得编造功能或价格", user=f"用户偏好：{constraints['soft']}，" f"画像：{profile}，推荐数据：{json.dumps(facts)}") def recommend(self, wxid, dialog): c = self.extract(dialog) # 硬约束不全→追问，不硬推荐 if not self.hard_complete(c): return self.ask_missing(c) top3 = self.filter_and_rank(c) if not top3: return self.nearest_alternative(c) # 无货时推荐替代 return self.explain(top3, c, self.profile(wxid))

落地建议

三层架构的核心原则是"事实归规则，表达归模型"——过滤和排序绝不让模型碰，模型只在首尾做理解和表达，幻觉风险就被关在笼子里。约束跨轮累积是体验关键，用户分几次说出的条件要能合并。硬约束不完整时宁可追问也不要放宽条件硬推——推荐了不满足预算的产品比不推荐更伤信任。商品库数据通过电商系统API同步，微信侧的对话收发基于Eyun这类个人微信API接口实现，两端打通就是完整的智能导购闭环。