graphRAG在商品搜索中如何使用？我想将他用于，对商品的模糊查询。
  离线输出处理端：
  我们的商品没有格式化的类别标签等字段，可以用大模型进行提取 风格 类别 标签 材质 功能特性 等，但是问题是：他们表达形式各异，如果要做成一个体系、做归一化，成本较高。
  在线端：用户的搜索可能是模糊搜索，比如，给我找找清新风格的裙子，那么通过关键词搜索是比较差的，基于graphrag的思想如果能够得到“清新”分隔的商品集合的一个概览，就很好，直到当前店铺的“清新”风格有哪些可供选择，有哪些重要的考虑点，再进一步匹配看有哪些适合我的。
  
  
  
  
  1. 现在，对于图片分析的分析，是通过工具调用（analyze_image_style），将工具说明注入了提示词，大模型根据是否有图片判断是否要调用工具，我希望简化提示词，当有图片的时候，主动调用analyze_image_style，将图片的说明（多模态大模型返回的结果），作为工具结果追加到对话，起到和工具调用一样的效果，但是相对当前的方式，不用每次都把analyze_image_style这个工具的说明写到提示词里面。
  
  图片分析结果，要和以前工具调用结果一样，工具调用的结果是怎么插入进去的，那么现在也要一样。
  
  
  2. 我希望参考analyze_image_style加上一个动态的图片分析，调用两轮大模型，第一轮的目的是让大模型根据对话历史分析要提取哪些信息，加载背景（时尚购物），加载对话历史，调用语言大模型，要求根据对话意图了解需要从图片中了解哪些信息，注意，图片中的具体内容、具体的产品、颜色、分隔、主要特性等等时尚领域的描述都要加上，根据对话上下文在这些通用的提取内容上加上特别要关注的内容，第二轮则是根据这些提取的需求调用多模态大模型。可以配置化，对于图片内容的分析调用analyze_image_style还是动态的分析，暂时使用analyze_image_style。

  
  
  
  
  
  
  
  
  
  
  
  系统提示词，要指导，根据搜索结果判断可以直接引用搜索结果呈现给用户还是需要修改query重新规划搜索。搜索也应该是一整套方案，可以发起多个query。
  搜索工具层面，对于搜索结果要调用LLM判断，分析top20条结果，为每条结果打标签，分三种层级：完美匹配、部分匹配、不相关，最后给出top20的一个总体的判断。
  彻底替代 extract_products_from_response，引入结果仓库（Result Registry），用于存储SearchResult，为可呈现的“引用包/搜索结果块”。
  引用应该是嵌套在文本中，比如：我为你挑选了xxx（引用的搜索结果块 页面上将呈现query和结果列表），考虑到xxx，也挑选了（引用的搜索结果块2），接下来你可以：xxx
  
  以上纯属示例，表示搜索结果块是可以在输出文本中被引用的。并且，提示词也要通用，不要为我的个例所影响，要考虑如何做到通用，适合各种电商品类。
  
  请深度思考如何让 最终 AI 消息 可以引用某次搜索的结果，而不是重新复述，并且废除extract_products_from_response这种方法。要规划一套健全的商品搜索结果的管理、和引用的方法。