导读 1688 AI 原生应用的创新探索与实践,分享主要围绕导购助手、找挑一体化展开。
*主要内容包括以下几个部分:*
-
AI 在电商场景的应用
-
电商平台体验存在的痛点
-
以买家为中心重新定义找挑
-
ReACT 模式下的找挑优化
-
当时的能力与问题
-
AI 导购智能体框架
-
AI 导购助手整个请求过程
-
AI 导购助手落地带来的一些问题
-
模型到产品的三层策略
-
未来 AI 应用的方向
-
1688 AI 原生应用的体验地址
-
问答环节
分享嘉宾|张进 阿里巴巴 高级算法专家
编辑整理|曾晓辉
内容校对|李瑶
出品社区|DataFun
01
AI在电商场景的应用
1688 作为整合批发与零售业务的在线电商平台,其完整的电商链路涵盖从商品发现到履约交付的众多关键场景。随着人工智能技术的快速发展,电商行业的各个业务环节正经历智能化重构。在电商运营体系中,核心价值始终在于通过精准匹配客户需求与供应链资源,最大化供需决策效率——这正是 AI 技术能够创造最大价值的关键领域。
02
电商平台体验存在的痛点
在电商购物中,用户寻找和挑选商品的效率仍然较低,体验不够流畅。用户更希望平台能真正理解他们的需求,而不是在搜索框的限制下反复尝试。当前电商购物存在三方面核心痛点:
- 需求理解困境:用户的真实需求难以被精准捕捉。现有电商平台仍停留在"用户适配系统"的被动模式,要求消费者通过多级筛选、复杂操作拆解需求,甚至配合系统短板完成购物。这种"人适应机器"的交互方式让用户感到平台不够人性化。
- 技术瓶颈制约体验:核心问题根源在于技术能力的局限性。传统搜索依赖倒排索引和固定规则的检索逻辑,无法自然理解用户语言、把握需求上下文或挖掘隐性需求。这种技术上限决定了平台体验的天花板,迫使技术团队长期采取技术妥协方案。
- 找挑链路割裂:从搜索到决策的完整链路存在明显断层。用户需要通过检索缩小商品范围,再逐个跳转至商品详情页查看参数、评论、价格等信息,经过多次跳转比对才能完成决策,整个过程虽然能解决问题,但体验非常碎片化。
随着 AI 技术的突破性发展,自然语言处理、意图识别和个性化推荐等能力为电商体验革新提供了新可能。通过构建能主动理解需求、智能整合信息、无缝衔接找挑链路的 AI 原生应用,未来或将实现真正以用户为中心的购物体验跃升。
03
以买家为中心重新定义找挑
人工智能技术的革新正深刻重构电商消费链路。1688 以 AI 原生为核心理念,通过产品设计与技术方案的深度融合,打造全链路一体化服务,使用户感受到系统如同专属服务般贴心。这种以技术赋能用户体验的一体化解决方案,正是其AI原生应用的初衷与核心价值。
在电商领域,用户“寻找与挑选”商品的传统模式长期受困于既有范式。传统电商场景中,关键词检索与协同过滤等规则共同构建了产品筛选的基础逻辑,用户需要通过静态页面逐项查找产品详情以获取关键信息。这种模式使用户逐步形成了依赖页面浏览的导购习惯,却难以突破信息检索与个性化需求之间的鸿沟。
随着人工智能技术的突破,新型导购交互模式正在重塑消费场景。基于大模型的多轮对话系统能够通过自然语言和视觉交互深度理解用户需求,结合推理能力精准捕捉真实偏好。系统可主动提炼关键信息进行对比分析,以结构化摘要形式直观呈现个性化推荐结果,彻底改变过去依赖手动筛选的低效体验,使交互过程具备更智能的反馈机制。
针对电商“找与挑”场景的痛点,我们于 2024 年 3 月创新性地构建了找挑一体化解决方案。该方案突破传统检索与推荐系统的割裂架构,通过 ReACT 框架的智能体(Agent)模式实现双重功能的有机整合:既能精准执行多维度商品检索,又能基于协同过滤强化的动态排序模型进行智能推荐。这种"检索-推理-决策"的闭环架构,首次将用户需求理解、商品特征解析与个性化匹配全流程纳入统一技术框架,标志着电商导购交互进入认知智能新阶段。
04
ReACT模式下的找挑优化
ReCAT 模式采用闭环优化机制实现需求与搜索表达的精准匹配:用户输入需求后,AI 系统依托多步骤推理机制将自然语言需求转换为搜索引擎可识别的标准化品类关键词;搜索引擎基于该表达式返回检索结果后,系统通过语义分析模型对结果的相关性进行精准度评估,若匹配度不足则启动迭代优化流程,对初始查询词进行语义扩展或结构调整,重复此映射-检索-评估循环 3-4 次;最终输出经多轮验证的最优结果集。该模式通过整合搜索与筛选功能形成端到端解决方案,在用户侧实现"输入-等待-获取"的极简交互体验,能够有效满足需求挖掘与结果筛选的双重诉求。
05
当时的能力与问题
当时产品推荐闭环方案在实施过程中存在以下关键问题,需系统性优化:
- 当时 GPT-4 能满足自主规划需求,但调用成本高一演示即花费约 10 元;
- 搜索引擎能力成为整体方案的上限,数据碎片化影响整合效果;
- 当时方案效果未达预期,智能生成效率受限,预判 AI 成本未来将逐步下降;
- 朝着未来,找挑一体的方案去走,但是当下必须跑起来。
06
AI导购智能体框架
当时在确定发展方向时,我们首先将整套方案快速落地。基于此,团队决定开发 AI 导购助手的智能框架,该框架采用 Agent 与工作流编排结合的标准化结构,与当前市场主流方案完全一致。
在 AI 技术应用路径上,存在两种典型模式:原生开发与兼容性改造。理想的原生 AI 应用如同特斯拉纯电平台,从底层架构开始适配 AI 特性;而受限于现有技术成熟度与平台兼容性需求,当时更现实的方案类似于宝马 X3 的"油改电"策略——保留传统架构主体(如内燃机车舱布局),通过替换核心动力模块(如将传统算法替换为 AI 驱动引擎),在非原生平台上实现智能化升级。这种渐进式改造方案虽非最优解,但能在技术过渡期平衡创新突破与系统兼容性需求。
07
AI导购助手整个请求过程
该设计理念的核心在于通过多轮对话保持意图理解的一致性。系统通过持续追踪用户在交互过程中的意图脉络,将分散的对话片段串联为连贯的意图链路,从而实现"找货-推荐"的全流程闭环。具体而言,系统通过两到三次的用户意图交互,即可构建完整的购物需求画像,最终形成自然流畅的对话引导式购物体验。这种设计框架有效解决了传统电商场景中需求碎片化的问题,实现了需求理解与服务响应的有机统一。
该系统的核心竞争力源于其 AI 驱动的导购助手模块,其中意图判定作为决定用户体验的关键技术难点,直接决定了系统的基础性能和交互质量。为突破这一瓶颈,团队通过工程架构优化、产品逻辑设计与 AI 算法迭代的多维协同,构建起精准的意图识别机制,最终实现 90% 以上的判定准确率,为智能导购奠定了技术基础。
在核心模块突破后,系统进一步整合了多源数据接口与业务流程引擎,形成完整的对话式导购解决方案。该系统于 2024 年 5 月正式上线"找挑助手"功能,通过精准意图理解与智能推荐算法的深度融合,显著提升了用户在商品筛选与决策场景中的交互效率与体验质量。
用户提出"晚上约会穿连衣裙搭配"需求时,系统通过自然语言处理快速解析场景意图,同步完成需求翻译、商品检索及智能推荐。关键突破在于将"搜索-筛选-推荐"流程无缝衔接:通过对话交互明确用户风格偏好(如优雅/甜美元素),结合约会场景的光线、社交属性,精准匹配商品库中的长款丝质连衣裙、露肩设计等选项。最终推荐时,系统需提炼每款商品的核心优势(如垂感面料显瘦、V 领设计显脸小),通过结构化对比强化购买决策依据,实现从需求理解到场景化解决方案的闭环。
08
AI导购助手落地带来的一些问题
核心问题:
- 用户理解局限:系统依赖用户精准表达,缺乏细颗粒度画像与行为数据,导致仅能实现“猜你喜欢”,无法深度挖掘真实需求。
- 供给信息割裂:商品属性与用户语言存在语义鸿沟(如“新生儿奶瓶”与“60ml奶瓶”未关联),且多模态数据(图片/详情页)未被结构化利用。
- 匹配效率低下:依赖关键词检索,未实现用户意图与商品信息的语义级对齐,无法处理复杂需求。
优化方向:
- 构建智能用户画像:整合多维度数据,提升需求理解精准度;
- 多模态内容解析:结构化商品图文信息,弥合供需语义鸿沟;
- 打造端到端智能引擎:通过语义建模实现需求与商品的高效匹配,替代传统倒排索引逻辑。
目标:通过以上改造,系统从“被动响应”升级为“主动理解”,提升用户购物体验。
1.智能用户画像,从猜你所想到懂你所需
用户画像推理链路通过…