vivo官网AI导购功能实现与落地应用详解

首页

AI资讯

热心网友

转载

2026-05-28

电商领域的用户与商品连接方式正迎来一场深刻变革。传统的商品发现路径，如浏览首页资源位、在分类页筛选或直接搜索，都依赖于用户的主动探索行为。如今，随着大语言模型技术的成熟，一种更自然、更具互动性的“AI导购”模式应运而生。这种智能导购能够理解用户的自然语言，像一位专业顾问一样进行多轮对话，精准推荐商品或解答疑问。本文将深入解析vivo官网APP中AI导购系统的完整落地实践，从能力定义、技术选型到架构设计与效果评估，为你呈现一套可复用的“小而精”垂直领域AI应用解决方案。

01 前言：AI导购的兴起与价值

当前，以京东京言、淘宝问问为代表的AI购物助手已崭露头角，它们证明了在垂直的购物领域，大语言模型能够有效理解用户意图并提供精准服务。基于此，我们在vivo官网探索并落地了AI导购应用。

与传统的浏览、搜索路径不同，AI导购的核心价值在于“对话式交互”。它被设计为一个具备明确边界的智能体，主要聚焦于两大核心能力：一是根据用户描述，为其推荐匹配的vivo或iQOO品牌手机；二是解答用户关于这些手机的具体参数、功能等问题。

以一个典型场景为例：用户输入“喜欢拍照，爱记录分享生活，给我推荐一个最新的旗舰手机”。AI导购的工作流程可以抽象为以下几个关键步骤：

意图识别： 判断用户需求属于“手机推荐”。
语义理解： 解析出“拍照好”、“记录生活”、“最新旗舰”等关键要素。
信息处理： 通过RAG工具检索相关知识，结合预设的Prompt引导词，组成信息集合。
模型推理： 将信息集输入大语言模型进行处理与生成。
工程化整合： 结合模型输出，调用商品接口、社区帖子接口等获取结构化数据。
结构化输出： 将最终内容以流式形式呈现给用户，包含文本、商品卡片等丰富元素。

02 技术选型：构建AI导购的路径抉择

在构建方案之前，技术路线的选择至关重要。我们对比了三种主流方案：

大模型微调

技术栈涉及LLM Fine-tuning与Prompt Engineering。其优势在于模型具备较强的泛化能力和知识迁移性，能处理开放式问题。但劣势同样明显：需要大量标注数据，成本高昂；存在“用大炮打蚊子”的资源浪费问题；并且在追求泛化能力的同时，可能牺牲垂直领域的专业精度，还存在灾难性遗忘的风险。

专用模型构建

即从零开始，使用专业手机语料训练一个专属的问答模型。这条路线的挑战在于开发成本极高，需要海量高质量的标注数据，且模型的泛化能力会受限，难以应对用户千变万化的提问方式。

Agent工作流

该方案不依赖重训练，而是通过“信息接口工程 + Prompt工程 + 知识库与RAG检索 + 大语言模型”的组合拳来完成任务。其核心思想是将专业能力拆解，由最合适的组件负责：工程系统负责获取实时、准确的结构化数据（商品信息、客服问答），知识库提供背景知识，Prompt用于引导和约束大模型，最终由大模型进行理解和生成。

最终决策： 我们选择了Agent工作流方案。理由很明确：

成本效益最优： 避免了昂贵的数据标注和模型训练。
技术风险可控： 不依赖单一模型的完美表现，各组件可独立迭代。
业务适配性强： 知识库和Prompt可以快速更新，以响应新品上市或营销策略变化。
维护成本低： 系统更新更像是在维护一个知识库和一套规则，而非重新训练一个模型。

03 整体架构：分层设计与清晰边界

能力边界

任何成功的AI应用，首要任务是明确其能力边界。我们追求的不是“大而全”的通用机器人，而是“小而精”的垂直领域专家。因此，AI导购被严格限定在以下范围内：

仅推荐vivo和iQOO品牌在售的手机。
仅回答与上述品牌手机相关的问题。
具备多轮对话能力，能维持上下文连贯性。
对于超出边界的问题，会明确提示并引导用户咨询其他渠道。

AI导购分层结构

基于清晰的边界，我们设计了四层架构，每层职责分明：

应用层： 直接面向用户，提供对话界面，负责流式输出答案、渲染商品卡片和社区帖子。
策略层： 作为“大脑”，进行意图识别和策略分发，并协调调用商品接口、客服问答接口等，组装信息集。
九问层： 一个智能体平台，提供知识库管理、RAG检索、Prompt组合、对话管理等基础能力。
玄机层： 提供底层的大模型算力支持、QPS分配，并执行严格的输入输出安全审核。

AI导购交互流程图

用户的一次完整咨询，将经历以下流程：

用户输入： 用户提出自然语言问题。
意图改写： 结合对话历史，补全可能缺失的主语，重组问题使其更清晰。
意图识别： 通过轻量级分类模型（如FastText）快速判断问题属于“参数解读”还是“商品推荐”。
策略分发： 根据意图，将问题路由到对应的处理策略。
智能体处理： 在九问平台中，对应的智能体结合知识库、RAG检索和Prompt进行深度处理。
玄机调用与审核： 处理后的信息送入大模型生成答案，并经安全审核后返回给用户。

04 详细方案：核心模块深度解析

意图识别小模型

为了在响应速度和准确性之间取得平衡，我们没有直接使用大模型进行意图识别，而是选择训练一个轻量级的FastText文本分类模型。原因在于用户查询多为短文本，小模型对此类任务胜任且成本低、推理快（约10ms）。

模型训练流程的核心在于数据合成。我们采集了历史客服对话数据，通过大模型工作流进行清洗和自动打标。例如，将“iQOO12对比X100怎么样？”打标为“_label_compare”。打标工作流确保了训练数据的质量和规模。

模型训练采用了经过调优的超参数，如设置`wordNgrams=3`以捕捉词语组合特征，最终部署在CPU上，性能表现优异。

智能体设计

意图识别后，问题会被分发到两个专门的智能体：手机参数解读智能体和手机商品推荐智能体。

手机参数解读智能体

该智能体负责回答诸如“X300手机的电池容量是多少？”这类具体问题。其关键在于：准确识别手机型号、理解问题所指的参数模块，并从后台语料库中提取对应信息。

后台为每个机型维护了结构化的语料库，涵盖功能特色、主要参数、电池信息等模块。Prompt设计则定义了AI的角色（专业导购）、任务边界（仅回答特定品牌）和输出格式。

如图所示，智能体将用户问题、匹配的手机信息，与知识库检索内容、智能客服官方回答相结合，最终通过大模型生成准确、规范的解答。

手机商品推荐智能体

推荐场景更为开放，例如用户说“喜欢拍照，预算4000元左右”。传统方法需要复杂的标签体系和匹配规则。我们的思路是：将所有在售手机的详细信息（卖点、参数、价格等）整理成一个“手机推荐列表”，与精心设计的Prompt一同交给大模型。

Prompt会严格要求模型从给定的列表中选择，并按照“推荐机型-阐述优点-总结”的结构化格式输出。这种方式将复杂的匹配逻辑交给了理解能力更强的大模型，我们只需维护好手机信息列表，扩展性和维护性都大大提升。

知识库及RAG搜索

高质量的知识库是答案准确性的基石。我们建设了两个知识库：

商品推荐知识库： 以手机为单位，整理核心卖点和专业评测摘要。
商品评测知识库： 同样以手机为单位，但内容更偏向拟人化的体验描述。

知识库内容涵盖手机评测、参数、卖点和对比分析。每个文档内容尽量聚焦，形成一个独立的语义片段（segment），便于RAG检索。

RAG（检索增强生成）工具负责根据用户问题，从知识库中检索最相关的几个片段。其过程包括将问题和知识片段向量化，计算相似度并排序，选取Top-K片段作为上下文提供给大模型，从而增强生成答案的相关性和准确性。

结构化输出

最终呈现给用户的并非单一文本，而是一个丰富的结构化信息组合：

商品卡片： 包含商品图、名称、价格、用户评价等。在“参数解读”场景，可直接根据已知机型获取；在“推荐”场景，则需先解析大模型输出的首句推荐机型，再动态查询接口获取。
大模型流式输出： 以打字机效果逐字输出答案。前端通过SSE接口接收，并采用缓存队列平滑渲染，同时需处理模型中途停止、用户连续提问等异常情况。
相关社区帖子： 根据问题和大模型答案，搜索匹配度最高的社区帖子进行展示，帮助用户拓展信息维度。