# 对话式智能导购设计（服饰鞋帽独立站）
  
  ## 1. 核心场景与用户旅程
  
  ### 1.1 典型对话流程示例
  
  **场景 A：新用户首次咨询（需要完善档案）**
  ```
  用户: "我想买一件适合夏天的T恤"
  导购: "好的，我来帮您找。请问您平时穿什么尺码？"
  用户: "M码"
  导购: "好的。您比较喜欢什么颜色？我们这里有白色、黑色、蓝色、灰色等"
  用户: "白色或浅色都可以"
  导购: "了解。您希望是休闲款还是运动款？"
  用户: "休闲的"
  导购: "好的，我为您找到了几款，价格在50-150元之间，您看看..."
  [展示结果]
  ```
  
  **场景 B：老用户（已有档案，快速推荐）**
  ```
  用户: "帮我找一条牛仔裤"
  导购: "好的，根据您的尺码偏好（30码），我为您推荐..."
  [直接展示结果，如不满意再细化]
  ```
  
  **场景 C：模糊需求逐步明确**
  ```
  用户: "我想买件外套"
  导购: "好的，请问是用于什么场合？日常通勤、运动、还是正式场合？"
  用户: "日常通勤"
  导购: "了解。您希望是薄款还是厚款？现在这个季节..."
  用户: "薄款就行"
  导购: "好的，我为您推荐几款适合通勤的薄外套..."
  ```
  
  ### 1.2 核心价值点
  
  - **降低搜索门槛**：用户用自然语言表达，无需熟悉筛选器
  - **个性化合身推荐**：通过尺码/合身偏好，减少退货率
  - **提升转化**：多轮对话收集偏好，推荐更精准
  - **完善用户档案**：每次对话积累偏好，后续推荐更准
  
  ---
  
  ## 2. 技术架构
  
  ### 2.1 整体架构（LLM + 商品检索 + 推荐引擎 + 用户档案）
  
  ```
  ┌─────────────────────────────────────────────────────────┐
  │                    前端对话界面                          │
  │  (Web Chat Widget / 小程序 / H5)                        │
  └────────────────────┬────────────────────────────────────┘
                       │
                       ▼
  ┌─────────────────────────────────────────────────────────┐
  │              对话式导购服务层 (Conversational Service)  │
  │  ┌──────────────────────────────────────────────────┐   │
  │  │  对话状态管理 (Dialogue State Tracker, DST)      │   │
  │  │  - 当前意图 (intent)                              │   │
  │  │  - 已收集的偏好 (collected_preferences)          │   │
  │  │  - 待确认信息 (pending_confirmation)             │   │
  │  │  - 对话历史 (dialogue_history)                   │   │
  │  └──────────────────────────────────────────────────┘   │
  │  ┌──────────────────────────────────────────────────┐   │
  │  │  LLM 对话引擎 (核心)                              │   │
  │  │  - 意图理解 (NLU)                                 │   │
  │  │  - 实体抽取 (NER: 类目/颜色/尺码/价格/风格...)    │   │
  │  │  - 回复生成 (NLG)                                 │   │
  │  │  - 策略决策 (何时问问题/何时展示结果)             │   │
  │  └──────────────────────────────────────────────────┘   │
  │  ┌──────────────────────────────────────────────────┐   │
  │  │  商品检索与推荐引擎                               │   │
  │  │  - 基于偏好生成 filters/range_filters            │   │
  │  │  - 调用搜索 API (复用现有 /search/)              │   │
  │  │  - 结果排序与多样性控制                           │   │
  │  └──────────────────────────────────────────────────┘   │
  │  ┌──────────────────────────────────────────────────┐   │
  │  │  用户档案管理 (User Profile)                      │   │
  │  │  - 尺码偏好 (size_preferences)                    │   │
  │  │  - 风格偏好 (style_preferences)                   │   │
  │  │  - 价格偏好 (price_range)                         │   │
  │  │  - 历史购买/浏览                                  │   │
  │  └──────────────────────────────────────────────────┘   │
  └────────────────────┬────────────────────────────────────┘
                       │
          ┌────────────┼────────────┐
          ▼            ▼            ▼
  ┌─────────────┐ ┌──────────┐ ┌──────────────┐
  │  搜索 API   │ │ 商品库    │ │ 用户行为库   │
  │  (现有)     │ │ (ES/DB)   │ │ (埋点数据)   │
  └─────────────┘ └──────────┘ └──────────────┘
  ```
  
  ### 2.2 核心组件说明
  
  #### 2.2.1 对话状态管理 (DST)
  - **存储位置**：Redis（key: `dialogue:{tenant_id}:{user_key}:{session_id}`）
  - **状态结构**：
    ```json
    {
      "intent": "find_product|refine_search|ask_question|...",
      "collected_preferences": {
        "category": "T恤",
        "size": "M",
        "color": ["白色", "浅色"],
        "style": "休闲",
        "price_range": {"min": 50, "max": 150},
        "occasion": "日常",
        "season": "夏季"
      },
      "pending_confirmation": ["size", "color"],
      "dialogue_history": [
        {"role": "user", "content": "..."},
        {"role": "assistant", "content": "..."}
      ],
      "current_results": [...],  // 当前推荐结果（如有）
      "turn_count": 3
    }
    ```
  
  #### 2.2.2 LLM 对话引擎
  - **输入**：用户消息 + 对话状态 + 商品库元信息（可选：类目列表、颜色列表、尺码列表）
  - **输出**：
    - **结构化输出**（必须）：`intent`、`extracted_entities`、`action`（ask_question|show_results|clarify）
    - **自然语言回复**（用于前端展示）
  - **LLM 选择**：
    - **推荐**：GPT-4o / Claude 3.5 Sonnet（强推理、结构化输出）
    - **成本优化**：GPT-4o-mini / Claude Haiku（简单场景）
    - **私有化**：Qwen2.5 / GLM-4（如需要）
  
  #### 2.2.3 商品检索与推荐引擎
  - **输入**：对话状态中的 `collected_preferences`
  - **处理**：
    1. 将偏好转换为搜索 API 的 `filters` / `range_filters`
    2. 调用现有 `/search/` API
    3. 结果排序（可结合用户历史、商品热度、多样性）
  - **输出**：商品列表（含图片/标题/价格/链接）
  
  #### 2.2.4 用户档案管理
  - **存储位置**：MySQL/Redis（key: `user_profile:{tenant_id}:{user_key}`）
  - **字段结构**：
    ```json
    {
      "size_preferences": {
        "tops": "M",
        "bottoms": "30",
        "shoes": "42"
      },
      "style_preferences": ["休闲", "简约"],
      "color_preferences": ["白色", "黑色", "灰色"],
      "price_range": {"min": 50, "max": 300},
      "brand_preferences": ["品牌A", "品牌B"],
      "last_updated": "2026-01-21T10:00:00Z"
    }
    ```
  
  ---
  
  ## 3. 主要能力清单
  
  ### 3.1 核心能力（MVP 必须）
  
  #### A. 意图理解与实体抽取 (NLU)
  - **能力**：从用户自然语言中提取：
    - **类目**：T恤、牛仔裤、运动鞋、外套...
    - **属性**：颜色、尺码、材质、风格（休闲/正式/运动）
    - **价格**：价格区间、预算
    - **场合**：日常、通勤、运动、正式
    - **季节**：春夏秋冬
    - **其他**：品牌、折扣、新品等
  - **实现**：LLM 做 NER（命名实体识别）+ 规则后处理（映射到商品库的 specifications）
  
  #### B. 偏好收集与确认
  - **能力**：
    - 识别用户已表达的偏好
    - 判断哪些关键信息缺失（如尺码、颜色）
    - 生成追问问题（基于店铺商品库的可用选项）
  - **实现**：
    - LLM 判断缺失项
    - 从商品库分面（facets）获取可用选项（如"我们这里有白色、黑色、蓝色..."）
    - 生成自然语言问题
  
  #### C. 商品检索与筛选
  - **能力**：
    - 将对话偏好转换为搜索 API 的 `filters` / `range_filters`
    - 调用搜索 API 获取候选
    - 结果排序（相关性 + 个性化 + 多样性）
  - **实现**：
    - 偏好 → filters 映射规则（可配置）
    - 复用现有 `/search/` API
    - 排序可结合用户档案（如优先推荐用户偏好的品牌/价格带）
  
  #### D. 结果展示与解释
  - **能力**：
    - 生成推荐理由（"根据您的尺码偏好和风格，我为您推荐..."）
    - 展示商品卡片（图片/标题/价格/链接）
    - 支持继续对话（"不满意？告诉我您想要什么样的"）
  - **实现**：LLM 生成回复 + 前端渲染商品卡片
  
  #### E. 用户档案管理
  - **能力**：
    - 从对话中提取并持久化偏好（尺码/风格/价格/品牌）
    - 后续对话自动使用档案（减少重复询问）
    - 档案更新（用户纠正/新偏好）
  - **实现**：
    - 对话结束后更新 `user_profile`
    - 下次对话时作为上下文输入 LLM
  
  ### 3.2 进阶能力（后续迭代）
  
  #### F. 合身推荐（Size Fit）
  - **能力**：
    - 基于用户历史购买/浏览，学习"合身偏好"（如"这个品牌M码偏大，建议选S"）
    - 跨品牌尺码映射（如"您平时穿Nike 42码，这个品牌建议选41码"）
  - **实现**：
    - 需要用户历史数据（购买/退货/评价）
    - 可做简单的"品牌-尺码映射表"（运营配置）
    - 或训练轻量模型（用户尺码偏好 → 商品推荐尺码）
  
  #### G. 搭配推荐（Outfit Recommendation）
  - **能力**：
    - 用户选中一件商品后，推荐搭配（如"这件T恤可以搭配这条牛仔裤"）
    - 基于商品属性相似度 + 历史共购数据
  - **实现**：
    - 商品 embedding（文本/图片）
    - 共购规则（FBT）
    - LLM 生成搭配理由
  
  #### H. 多轮对话策略优化
  - **能力**：
    - 智能判断"何时该问问题" vs "何时该展示结果"
    - 避免过度询问（用户流失）
  - **实现**：
    - 规则：关键信息（尺码/类目）缺失时必问；可选信息（颜色/风格）有足够候选时可不问
    - 或训练策略模型（RL/bandit）
  
  #### I. 上下文记忆与纠错
  - **能力**：
    - 记住对话中提到的商品（"刚才那件白色的"）
    - 支持用户纠正（"不对，我要的是黑色"）
  - **实现**：
    - 对话状态中维护 `mentioned_items`
    - LLM 理解指代消解（coreference resolution）
  
  ---
  
  ## 4. 数据层需求
  
  ### 4.1 对话事件表（DWD 层）
  
  - `dwd_conversation_turn`：每次对话轮次
    - `tenant_id`, `user_key`, `session_id`, `conversation_id`
    - `turn_number`, `role` (user/assistant), `content`
    - `intent`, `extracted_entities_json`
    - `action` (ask_question|show_results|clarify)
    - `created_at`
  
  - `dwd_conversation_result`：对话产生的推荐结果
    - `tenant_id`, `conversation_id`, `turn_number`
    - `item_id`, `position`, `clicked` (是否被点击)
    - `exposed_at`
  
  ### 4.2 用户档案表（DIM 层）
  
  - `dim_user_profile`：用户偏好档案
    - `tenant_id`, `user_key`
    - `size_preferences_json`
    - `style_preferences_json`
    - `color_preferences_json`
    - `price_range_json`
    - `brand_preferences_json`
    - `last_updated`, `created_at`
  
  ### 4.3 商品库元信息（用于 LLM 上下文）
  
  - **类目列表**：从商品库聚合 `category1_name`, `category2_name`, `category3_name`
  - **颜色列表**：从 `specifications` 聚合 `name="color"` 的所有 `value`
  - **尺码列表**：从 `specifications` 聚合 `name="size"` 的所有 `value`
  - **风格标签**：从 `tags` 或自定义字段聚合
  
  > **注意**：这些元信息需要定期更新（如每天），作为 LLM 的"知识库"输入，确保推荐的商品确实存在。
  
  ---
  
  ## 5. 技术实现要点
  
  ### 5.1 LLM Prompt 设计（关键）
  
  **系统提示词模板**：
  ```
  你是一个专业的服饰导购助手，帮助用户在店铺中找到合适的商品。
  
  店铺信息：
  - 类目：{category_list}
  - 颜色：{color_list}
  - 尺码：{size_list}
  - 风格：{style_list}
  
  用户档案（如有）：
  {user_profile_json}
  
  当前对话状态：
  {conversation_state_json}
  
  任务：
  1. 理解用户意图
  2. 提取商品偏好（类目/颜色/尺码/价格/风格/场合等）
  3. 判断缺失的关键信息
  4. 生成自然语言回复
  
  输出格式（JSON）：
  {
    "intent": "find_product|refine_search|ask_question|...",
    "extracted_entities": {
      "category": "...",
      "color": [...],
      "size": "...",
      "price_range": {"min": ..., "max": ...},
      "style": "...",
      "occasion": "..."
    },
    "action": "ask_question|show_results|clarify",
    "missing_info": ["size", "color"],  // 缺失的关键信息
    "reply": "自然语言回复"
  }
  ```
  
  ### 5.2 偏好 → 搜索 Filters 映射规则
  
  ```python
  def preferences_to_filters(collected_preferences, user_profile):
      filters = {}
      range_filters = {}
      
      # 类目
      if collected_preferences.get("category"):
          filters["category_name"] = collected_preferences["category"]
      
      # 颜色（specifications）
      if collected_preferences.get("color"):
          filters["specifications"] = [
              {"name": "color", "value": c} 
              for c in collected_preferences["color"]
          ]
      
      # 尺码（specifications）
      if collected_preferences.get("size"):
          # 优先用对话中的，否则用用户档案
          size = collected_preferences.get("size") or user_profile.get("size_preferences", {}).get("tops")
          if size:
              filters.setdefault("specifications", []).append({"name": "size", "value": size})
      
      # 价格区间
      if collected_preferences.get("price_range"):
          pr = collected_preferences["price_range"]
          range_filters["min_price"] = {"gte": pr.get("min", 0), "lte": pr.get("max", 9999)}
      
      # 风格（tags 或自定义字段）
      if collected_preferences.get("style"):
          filters["tags"] = collected_preferences["style"]
      
      return filters, range_filters
  ```
  
  ### 5.3 对话流程控制（状态机）
  
  ```
  初始状态: waiting_for_intent
    ↓ 用户输入
  意图理解: extract_intent_and_entities
    ↓
  判断缺失信息:
    - 关键信息缺失（如尺码）→ ask_question
    - 有足够信息 → show_results
    ↓
  展示结果后:
    - 用户满意 → end_conversation
    - 用户不满意/继续提问 → refine_search (更新偏好，重新检索)
  ```
  
  ---
  
  ## 6. 产品形态建议
  
  ### 6.1 前端交互方式
  
  - **Web Chat Widget**：右下角悬浮聊天框（类似客服）
  - **全屏对话页**：独立页面，适合移动端
  - **搜索结果页集成**：在搜索结果页提供"智能导购"入口
  
  ### 6.2 回复展示格式
  
  - **纯文本回复**：LLM 生成的自然语言
  - **商品卡片**：展示推荐结果（图片/标题/价格/加购按钮）
  - **选项按钮**：快速选择（如"白色"、"黑色"、"蓝色"）
  - **追问输入框**：用户继续输入
  
  ---
  
  ## 7. 评估指标
  
  ### 7.1 对话质量
  - **平均对话轮次**：完成一次推荐的平均轮次（越少越好，但需平衡信息收集）
  - **用户满意度**：对话结束后的反馈（如"有用"/"无用"）
  - **推荐点击率**：对话推荐的商品被点击的比例
  
  ### 7.2 业务指标
  - **转化率**：对话用户 → 加购/购买的转化
  - **AOV 提升**：对话用户的平均订单价值 vs 非对话用户
  - **档案完善率**：用户档案被更新的比例
  
  ---
  
  ## 8. 实施优先级
  
  ### Phase 1 (MVP - 2-3个月)
  - ✅ 基础对话能力（LLM + 意图理解 + 实体抽取）
  - ✅ 偏好收集（尺码/颜色/类目/价格）
  - ✅ 商品检索（偏好 → filters → 搜索 API）
  - ✅ 结果展示（商品卡片）
  - ✅ 用户档案（基础字段：尺码/颜色/价格）
  
  ### Phase 2 (增强 - 3-4个月)
  - ✅ 合身推荐（尺码映射）
  - ✅ 搭配推荐
  - ✅ 多轮对话策略优化
  - ✅ 上下文记忆
  
  ### Phase 3 (优化 - 持续)
  - ✅ 个性化排序（结合用户历史）
  - ✅ A/B 测试（不同 prompt/策略）
  - ✅ 跨租户知识共享（可选）
  
  ---
  
  ## 9. 技术栈建议
  
  - **LLM 服务**：OpenAI API / Anthropic API / 私有化部署（Qwen/GLM）
  - **对话状态存储**：Redis
  - **用户档案存储**：MySQL + Redis（缓存）
  - **商品检索**：复用现有搜索 API
  - **后端框架**：Python FastAPI（与现有 API 保持一致）
  - **前端**：React/Vue + WebSocket（实时对话）
  
  ---
  
  ## 10. 注意事项
  
  1. **成本控制**：LLM API 调用成本（每次对话可能 3-10 轮），建议：
     - 简单场景用轻量模型（GPT-4o-mini）
     - 复杂场景用强模型（GPT-4o）
     - 缓存常见问题回复
  
  2. **延迟**：LLM 生成回复通常 1-3 秒，需要：
     - 前端显示"正在思考..."
     - 考虑流式输出（streaming）
  
  3. **商品库同步**：确保 LLM 的"知识库"（类目/颜色/尺码列表）与商品库实时同步
  
  4. **多语言**：如店铺支持多语言，LLM 需要支持对应语言
  
  5. **隐私合规**：用户档案数据需符合 GDPR/CCPA 等要求