1. docs

2. 设置sku_filter_dimension参数的默认值为option1

1. docs
2. 设置sku_filter_dimension参数的默认值为option1
tangwang
1 parent b1bafbbc
Showing 6 changed files with 855 additions and 135 deletions Show diff stats
api/models.py
docs/UA-站内全站埋点数据结构定义.md
docs/blog/语义搜索.md
docs/对话式智能导购设计.md
docs/搜索推荐数据.md
frontend/static/js/tenant_facets_config.js
@@ -154,7 +154,7 @@ class SearchRequest(BaseModel):
  
     # SKU筛选参数
     sku_filter_dimension: Optional[List[str]] = Field(
-        None,
+        ["option1"],
         description=(
             "子SKU筛选维度（店铺配置），为字符串列表。"
             "指定后，每个SPU下的SKU将按这些维度的组合进行分组，每个维度组合只保留一个SKU返回。"
@@ -1,105 +0,0 @@
-# UA 站内全站埋点数据结构定义（推荐/搜索/画像统一口径）
-
-本文档用于定义站内全量行为采集（基于“全站埋点采集”，可落地到神策 JS SDK 二次开发），覆盖推荐、搜索、画像、转化分析等核心场景。
-
-## 1. 目标与约束
-
-- **目标**：用一套统一事件模型覆盖全站行为（Pageview / Exposure / Click / View Product / Add to Cart / Purchase / Search&Filtering / Cart&Checkout）。
-- **约束**：事件需要能在“推荐/搜索请求”与“曝光-点击-加购”等链路上串联；同时需要能表达购物车/结账阶段的状态快照，用于搭配、互补、凑单、替代品推荐。
-
-## 2. 关键设计原则
-
-- **统一事件骨架**：所有事件共享同一套顶层字段（用户标识、时间、页面、trace、设备、扩展字段），业务差异放到 `event`（oneof）里。
-- **可串联**：用 `trace_id` 串联一次搜索/推荐请求与后续点击、加购、详情浏览等行为；用 `session_id` 串联同一次访问会话。
-- **可回放/可训练**：曝光事件尽量携带曝光商品列表、位置、模块；购物车/结账事件携带快照（items + 国家/币种/价格等）。
-- **停留时长口径一致**：对 `page_view`/`view_item` 统一给出 `dwell_time_ms` 的采集口径与上报方式。
-
-## 3. 顶层事件模型（概念）
-
-每条 UA 事件为一个 `UserActionEvent`，包含：
-
-- **identity**：tenant / user / anonymous / device / cookie
-- **time**：事件发生时间（毫秒时间戳）
-- **page**：页面类型、URL、来源、模块位置信息
-- **trace**：`trace_id`、`session_id`、实验信息
-- **device**：OS / UA / viewport 等
-- **event**：具体业务事件（page_view、exposure、click、view_item、search、filter、cart、checkout、purchase…）
-- **extra**：业务扩展 KV
-
-> proto 草案见 `docs/proto/user_action.proto`（本次补充文件）。
-
-## 4. 核心字段说明
-
-### 4.1 标识体系（强烈建议）
-
-- **tenant_id**：租户/店铺/商家维度的隔离主键。
-- **user_id**：登录用户 ID（未登录可为空）。
-- **anonymous_id**：匿名用户 ID（建议 Cookie 级别稳定，登录后可与 user_id 做归因合并）。
-- **device_id**：设备指纹（可选；Web 端更推荐 anonymous_id + cookie_id）。
-- **cookie_id**：首次访问生成的持久化 Cookie ID（与 anonymous_id 可以一致，也可分开）。
-
-### 4.2 trace_id（最重要）
-
-**定义**：串联一次“搜索/推荐请求（曝光）”与后续点击、详情、加购等行为的请求级会话 ID，同时用于串联内部技术模块（召回/排序/重排等子模块日志）。
-
-**规则建议**：
-
-- **新搜索/新推荐刷新**：生成新的 `trace_id`。
-- **搜索翻页**：沿用原 `trace_id`，用 `page_number` 区分页（见 `SearchEvent`）。
-- **曝光 → 点击/详情/加购**：沿用产生曝光的 `trace_id`，用于表达“该转化源自哪一次曝光/哪一次请求”。
-- **购买/支付**：如果链路被购物车长时间阻隔，串联成本高，可不强制要求延续 `trace_id`；但建议在 `PurchaseEvent.attribution_trace_id` 上尽力保留“主要来源”的 trace（若可得）。
-
-### 4.3 停留时长（dwell_time_ms）
-
-**适用事件**：
-
-- `PageViewEvent`：用户在该页面的停留时长
-- `ViewItemEvent`：用户在详情页/商品内容上的停留时长（可与 pageview 相同，也可更精细）
-
-**采集口径建议（Web）**：
-
-- 在 `pagehide` / `beforeunload` / SPA 路由切换时计算当前页面停留：`now - enter_time`。
-- 若页面进入后立即产生 `page_view`，则可在离开页面时补发一条 `page_view_end`（或在同一条事件里填充 `dwell_time_ms`，需要延迟上报）。
-- 对详情页：可按“进入详情页到离开详情页”计算；若停留时长无法计算，允许不上报或置 0，但需要在文档/ETL 中区分“缺失 vs 真实 0”。
-
-## 5. 必须覆盖的事件清单（推荐）
-
-- **Pageview**
-  - 分类页、活动页、列表页、首页、店铺页、购物车页、结账页等
-  - *最好携带该页面曝光的商品列表*（见 `ExposureEvent`，或在 `PageViewEvent.exposed_items` 携带“本页首屏/本次渲染”曝光）
-- **Exposure / Click**
-  - 列表/推荐位曝光与点击（必须包含 position / module_id / item）
-- **View product（详情页浏览）**
-  - 包含 `dwell_time_ms`
-- **Add to cart**
-  - 商品信息 + 数量 + 价格（若可得）+ 当前 cart 快照（若可得）
-- **Purchase**
-  - 订单信息（order_id / currency / total）+ 购买 items
-- **On-site Search & Filtering**
-  - 搜索词、建议词、排序、筛选条件（结构化，避免仅 JSON 字符串）
-  - 搜索结果曝光/点击建议归入 Exposure/Click，但必须携带 `search_context`
-- **Cart Logic / Checkout 状态**
-  - `cart_snapshot`：购物车当前 items 及属性（qty、price、category、brand…）
-  - `checkout`：shipping_country、step、payment_method（如可得）
-
-## 6. 落地建议（神策 JS SDK 二次开发）
-
-- **事件名**：建议统一用一个事件名（如 `ua_event`），将 `action_type`（主类型）+ `event_id`（子类型，可选）作为属性；或按神策习惯拆分事件名，但必须保证字段一致。
-- **批量上报**：曝光事件可批量（一屏/一次渲染一次上报）以降低量级；点击/加购/购买等强转化事件单条实时上报。
-- **字段扩展**：放入 `extra.debug_info`，严禁在顶层无限加字段造成版本失控。
-
-## 7. proto 草案
-
-见 `docs/proto/user_action.proto`。
-
-### 7.1 枚举命名说明（避免 proto 枚举值冲突）
-
-为兼容较旧版本 `protoc`（枚举值采用 package 级作用域），本 proto 中枚举值都带前缀：
-
-- **ActionType**：`ACTION_TYPE_*`（如 `ACTION_TYPE_PAGEVIEW`）
-- **EventId**：`EVENT_ID_*`（如 `EVENT_ID_ADD_TO_CART`）
-- **PageType**：`PAGE_TYPE_*`
-- **SortType**：`SORT_TYPE_*`
-- **CheckoutStep**：`CHECKOUT_STEP_*`
-
-
@@ -41,7 +41,7 @@
    搜索“sports shoes”时，系统自动识别并强化关键购买决策维度：“运动类型（跑步/篮球）”、“适用场地（户外/室内）”、“减震技术”等，使结果更聚焦于用户真实意图。
  
 3. **跨语言自适应能力**
-   采用先进的跨语言对齐模型，基于英语训练的系统无需重新训练即可理解泰语、越南语、西班牙语等查询，实测跨语言召回率提升40%，真正实现“一次训练，全球适用”。
+   商家上传的商品可以是任何一种语言，用户可以用英语、中文、法语、意大利语、波兰语、西班牙语等30多种语言进行查询。
  
 **阶段二：语义重排——让业务目标融入排序决策**
  
@@ -69,16 +69,3 @@
  
 ### 3. 混合查询精准解析：拥抱语言多样性
 针对东南亚、拉美等市场的混合语言查询，系统不再依赖简单的词典翻译，而是理解语言混合背后的完整意图。搜索“裙 kasual wanita”能够准确理解这是“女士休闲裙”的需求，即使查询中包含本地语言词汇。
-
-## 实测效果：数据驱动的价值证明
-
-采用语义搜索技术的独立站客户已观察到显著改善：
-
-- **搜索转化率提升**：平均提升35%，长尾查询提升尤为明显
-- **零结果率下降**：从行业平均12%降至2%以下
-- **运营效率飞跃**：同义词维护工作量减少80%，可专注于更高价值的优化
-- **跨语言覆盖扩展**：支持语言从5种扩展到30+种，无需为每种语言单独训练模型
-- **新品曝光加速**：新上架商品在首周获得搜索曝光的概率提升3倍
-
----
-
@@ -0,0 +1,464 @@
+# 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
@@ -0,0 +1,353 @@
+
+## 1）BI 怎么设计（对标 Shopify/独立站“搜索/推荐”常见报表）
+Shopify 的 Search & Discovery/行为报表里，搜索常看的就是 **query、no results、no clicks、click rate、purchase rate**（会话口径漏斗）。推荐系统的看板更强调 **曝光→点击→加购→购买→收入**，并按**推荐位/算法/实验**拆解。
+
+### 1.1 搜索 BI（核心看板）
+- **搜索总览（KPI + 漏斗）**
+  - **搜索 PV/UV**：search request 次数 / 搜索用户数
+  - **Click rate（会话口径，Shopify 常用）**：有点击的搜索会话 / 搜索会话
+  - **ATC rate**：有加购的搜索会话 / 搜索会话
+  - **Purchase rate（会话口径，Shopify 常用）**：有购买的搜索会话 / 搜索会话
+  - **结果曝光 CTR（结果口径）**：点击次数 / 结果曝光次数（更适合诊断排序/样式）
+  - **延迟&稳定性**：P50/P95 搜索耗时、错误率、空响应率
+
+- **Query 分析（运营/选品/词库最常用）**
+  - **高热搜索词**：按搜索 UV、曝光 UV、点击 UV、购买 UV 排序
+  - **飙升词/新词**：与过去 \(7/14/28\) 天对比的增速
+  - **无结果 query**（no results）
+  - **有结果但无点击 query**（no clicks）——强信号：相关性差/图片价位不吸引/首屏无货等
+  - **建议词（suggestion）**：suggest 点击发起的搜索占比、suggest→点击/购买转化
+
+- **结果质量诊断（给算法/工程用）**
+  - **点击位置分布**：position=1/2/3… 的点击占比（反推排序质量）
+  - **类目/品牌/价格带分布**：哪些 query 对哪些类目贡献转化
+  - **筛选/排序使用率**：filter 使用率、排序切换率、filter 后的 CTR/CVR 变化
+
+- **用户与渠道拆解（增长/产品用）**
+  - **新/老客**、地域、语言、设备、来源（自然/广告/社媒）
+  - **页面维度**：首页搜索框 / 搜索页 / 分类页搜索 / 详情页内搜索等
+
+- **Session/链路回放（你提到的 track_id/trace_id）**
+  - 单用户或单 trace：**搜索→换词→曝光→点击→详情→加购→支付**
+  - 支持按 **trace_id** 串联一次“搜索请求”与后续行为（你们文档也强调这一点）
+
+> 参考：Shopify 官方对搜索分析的核心指标包括 click rate、purchase rate、queries、no results、no clicks（见 [Shopify Search & Discovery analytics](https://help.shopify.com/en/manual/online-store/storefront-search/search-and-discovery-analytics)）。
+
+### 1.2 推荐 BI（核心看板）
+- **推荐位总览（按 placement/module）**
+  - **Impressions/Clicks/CTR**
+  - **ATC、Purchase、Revenue**
+  - **Revenue per impression / per click**
+  - **AOV（推荐归因订单）**
+  - **覆盖与多样性**：覆盖商品数、长尾曝光占比、重复率（避免“只推爆款”）
+
+- **按算法/实验拆解**
+  - 算法版本（model_version/strategy_id）
+  - 实验（experiment_id/variant_id）
+  - **Lift（增量）**：相对对照组的 CTR/CVR/Revenue uplift（最好有 holdout）
+
+- **健康度与风控**
+  - 缺货/下架命中率、被过滤原因分布（无库存/不可售/地域不发货）
+  - 冷启动占比（新用户/新商品）与表现
+
+---
+
+## 2）数据层面的设计（埋点→数仓→指标→推荐特征）
+你们已有统一事件骨架的方向（`tenant_id / session_id / trace_id / event(oneof)`）。建议在数据层分成 **ODS（原始）→DWD（清洗明细）→DWS（汇总）→ADS（看板语义层）**，同时给推荐做 **离线+在线特征库**。
+
+### 2.1 关键 ID 设计（决定 BI/推荐能否串起来）
+- **tenant_id**：多租户隔离必备（所有表分区/主键都带）
+- **user_key**：归一后的用户主键（优先 login/user_id；否则 anonymous_id/cookie_id）
+- **session_id**：会话（SDK 产生或用 30min inactivity 规则补齐）
+- **trace_id（最重要）**：一次搜索/一次推荐刷新生成一个，后续点击/详情/加购尽量继承
+- **request_id**：后端请求日志关联（用于延迟、错误、召回/排序 debug）
+- **order_id/cart_id/item_id(sku/spu)**：交易与商品归因
+
+### 2.2 ODS：原始事件（“可回放、可重放”）
+- `ods_ua_event_raw`
+  - tenant_id, event_time, received_time
+  - identities（原始字段：distinct_id/login_id/anonymous_id/cookie_id…）
+  - page/device/geo/referrer
+  - trace_id, session_id, experiment 信息
+  - event_name + properties（原始 JSON，保留全量）
+
+> 你现在的 `$pageview/$WebClick` 自动采集能覆盖点击和页面，但 **推荐/搜索“曝光”必须补埋点**（否则 CTR、归因、训练样本都会缺）。
+
+### 2.3 DWD：清洗后的事实表（BI/训练统一口径）
+建议把“强分析对象”拆成事实表（便于 join、去重、做漏斗）：
+
+- **搜索域**
+  - `dwd_search_request`：一次“搜索结果刷新/请求”的主表（强烈建议：**每次请求一个 request_id，同时每次请求一个 trace_id**）
+    - **用途**：search PV/UV、零结果、延迟、query 聚合、会话口径漏斗分母（search_session）
+    - **主键建议**：`(tenant_id, request_id)`
+    - **核心索引建议**：
+      - `(tenant_id, created_at)`
+      - `(tenant_id, user_key, created_at)`
+      - `(tenant_id, query_normalized, created_at)`
+      - `(tenant_id, trace_id)`（用于 join 曝光/点击）
+      - `(tenant_id, search_session_id, created_at)`
+    - **字段建议（MySQL 参考类型，可按你们存储调整）**
+      - `tenant_id` VARCHAR(64) NOT NULL：店铺/租户
+      - `request_id` VARCHAR(64) NOT NULL：该次搜索请求唯一 ID（前端生成或后端返回）
+      - `trace_id` VARCHAR(64) NOT NULL：该次搜索链路 ID（一次结果集 = 一个 trace）
+      - `session_id` VARCHAR(64) NULL：访问会话（30min inactivity）
+      - `search_session_id` VARCHAR(64) NULL：搜索会话（一次“找东西”的连续过程）
+      - `user_id` VARCHAR(64) NULL：登录用户 ID
+      - `anonymous_id` VARCHAR(64) NULL：匿名用户（cookie 级稳定）
+      - `user_key` VARCHAR(64) NOT NULL：归一用户主键（ETL 生成）
+      - `query` TEXT NOT NULL：原始 query
+      - `query_normalized` VARCHAR(512) NOT NULL：归一化 query（聚合用）
+      - `is_suggestion` TINYINT NOT NULL DEFAULT 0：是否由 suggestion 触发
+      - `suggestion_text` VARCHAR(512) NULL：命中的 suggestion（如有）
+      - `page_number` INT NOT NULL DEFAULT 1：翻页页码（1-based）
+      - `sort` VARCHAR(64) NULL：排序方式（如 relevance/price_asc/…）
+      - `filters_json` JSON NULL：结构化筛选条件（原子字段更好；JSON 为起步方案）
+      - `filters_hash` CHAR(32) NULL：filters 归一化后的 hash（便于聚合/去重）
+      - `results_count` INT NOT NULL DEFAULT 0：总命中数
+      - `returned_count` INT NULL：本页返回数量（page size）
+      - `latency_ms` INT NULL：搜索耗时
+      - `is_zero_result` TINYINT NOT NULL DEFAULT 0：是否零结果（可由 results_count=0 派生）
+      - `is_error` TINYINT NOT NULL DEFAULT 0：是否错误
+      - `error_code` VARCHAR(64) NULL：错误码（如超时/限流等）
+      - `page_type` VARCHAR(64) NULL：发生搜索的页面（home/search/pdp/collection…）
+      - `referrer` TEXT NULL：来源页
+      - `device_type` VARCHAR(32) NULL：pc/mobile（可从 UA 解析）
+      - `country` VARCHAR(8) NULL：国家（建议由 IP->Geo 派生；避免落全量 IP）
+      - `created_at` DATETIME(3) NOT NULL：事件时间（毫秒级可选）
+
+  - `dwd_search_impression_item`：搜索结果“曝光明细”（**必须补**，否则无法算 position CTR、训练负样本）
+    - **用途**：曝光 PV/UV、位置 CTR、召回/排序诊断、训练样本（曝光未点为负样本）
+    - **主键建议**：`(tenant_id, trace_id, item_id, position)`（或 `(tenant_id, request_id, item_id, position)`，二选一但全局统一）
+    - **核心索引建议**：
+      - `(tenant_id, trace_id)`
+      - `(tenant_id, request_id)`
+      - `(tenant_id, item_id, exposed_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `request_id` VARCHAR(64) NOT NULL
+      - `trace_id` VARCHAR(64) NOT NULL
+      - `search_session_id` VARCHAR(64) NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `query_normalized` VARCHAR(512) NOT NULL
+      - `item_id` VARCHAR(64) NOT NULL：spu 或 sku，需统一
+      - `position` INT NOT NULL：在搜索结果中的排名（1-based）
+      - `score` DOUBLE NULL：排序分（如 ES score/learning-to-rank score）
+      - `price` DECIMAL(18,2) NULL：曝光时价格快照（可选但强烈建议）
+      - `currency` VARCHAR(8) NULL
+      - `in_stock` TINYINT NULL：曝光时库存可售快照（可选但强烈建议）
+      - `exposed_at` DATETIME(3) NOT NULL：曝光时间
+
+  - `dwd_search_click_item`：搜索结果点击明细（点击必须能回链到曝光/请求）
+    - **用途**：click UV、CTR（曝光口径/会话口径）、位置点击分布、归因触点
+    - **主键建议**：`(tenant_id, click_id)`（若无 click_id，可用 `(tenant_id, trace_id, item_id, clicked_at)` 近似）
+    - **核心索引建议**：
+      - `(tenant_id, trace_id)`
+      - `(tenant_id, request_id)`
+      - `(tenant_id, item_id, clicked_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `click_id` VARCHAR(64) NULL：点击事件唯一 ID（推荐补）
+      - `request_id` VARCHAR(64) NOT NULL
+      - `trace_id` VARCHAR(64) NOT NULL
+      - `search_session_id` VARCHAR(64) NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `query_normalized` VARCHAR(512) NOT NULL
+      - `item_id` VARCHAR(64) NOT NULL
+      - `position` INT NULL：点击时该商品所在排名（无法取到则置空）
+      - `clicked_at` DATETIME(3) NOT NULL
+      - `target_url` TEXT NULL：点击跳转 URL（可选）
+
+- **推荐域**
+  - `dwd_rec_request`：一次推荐请求/刷新主表（一次刷新 = 一个 trace_id）
+    - **用途**：推荐 PV/UV、分推荐位指标、实验/版本拆解、延迟与稳定性
+    - **主键建议**：`(tenant_id, request_id)`
+    - **核心索引建议**：
+      - `(tenant_id, created_at)`
+      - `(tenant_id, placement, created_at)`
+      - `(tenant_id, trace_id)`
+      - `(tenant_id, algo_id, model_version, created_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `request_id` VARCHAR(64) NOT NULL
+      - `trace_id` VARCHAR(64) NOT NULL
+      - `session_id` VARCHAR(64) NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `placement` VARCHAR(64) NOT NULL：推荐位（home/pdp/cart/checkout/search…）
+      - `module_id` VARCHAR(128) NULL：页面内模块标识（一个页面多个推荐模块）
+      - `trigger_item_id` VARCHAR(64) NULL：触发商品（PDP/Cart 场景常用）
+      - `candidates_count` INT NULL：候选数量
+      - `returned_count` INT NULL：返回条数
+      - `algo_id` VARCHAR(64) NULL：策略/算法标识（rule/i2i/embedding/…）
+      - `model_version` VARCHAR(64) NULL：模型版本
+      - `experiment_id` VARCHAR(64) NULL：实验 ID（如有）
+      - `variant_id` VARCHAR(64) NULL：分桶/分组（如有）
+      - `latency_ms` INT NULL
+      - `is_error` TINYINT NOT NULL DEFAULT 0
+      - `error_code` VARCHAR(64) NULL
+      - `created_at` DATETIME(3) NOT NULL
+
+  - `dwd_rec_impression_item`：推荐曝光明细
+    - **主键建议**：`(tenant_id, trace_id, item_id, position)`
+    - **核心索引建议**：`(tenant_id, trace_id)`、`(tenant_id, item_id, exposed_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `request_id` VARCHAR(64) NOT NULL
+      - `trace_id` VARCHAR(64) NOT NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `placement` VARCHAR(64) NOT NULL
+      - `module_id` VARCHAR(128) NULL
+      - `trigger_item_id` VARCHAR(64) NULL
+      - `item_id` VARCHAR(64) NOT NULL
+      - `position` INT NOT NULL
+      - `score` DOUBLE NULL
+      - `price` DECIMAL(18,2) NULL
+      - `currency` VARCHAR(8) NULL
+      - `in_stock` TINYINT NULL
+      - `exposed_at` DATETIME(3) NOT NULL
+
+  - `dwd_rec_click_item`：推荐点击明细
+    - **主键建议**：`(tenant_id, click_id)`（或 `(tenant_id, trace_id, item_id, clicked_at)`）
+    - **核心索引建议**：`(tenant_id, trace_id)`、`(tenant_id, item_id, clicked_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `click_id` VARCHAR(64) NULL
+      - `request_id` VARCHAR(64) NOT NULL
+      - `trace_id` VARCHAR(64) NOT NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `placement` VARCHAR(64) NOT NULL
+      - `module_id` VARCHAR(128) NULL
+      - `trigger_item_id` VARCHAR(64) NULL
+      - `item_id` VARCHAR(64) NOT NULL
+      - `position` INT NULL
+      - `clicked_at` DATETIME(3) NOT NULL
+
+- **转化域（全站通用）**
+  - `dwd_view_item`：商品详情页浏览（可承接 search/rec 的 trace，用于链路与兴趣序列）
+    - **主键建议**：`(tenant_id, view_id)`（或 `(tenant_id, user_key, item_id, viewed_at)`）
+    - **核心索引建议**：`(tenant_id, user_key, viewed_at)`、`(tenant_id, item_id, viewed_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `view_id` VARCHAR(64) NULL
+      - `session_id` VARCHAR(64) NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `item_id` VARCHAR(64) NOT NULL
+      - `source_type` VARCHAR(32) NULL：来源（search/rec/direct/ads/…）
+      - `source_trace_id` VARCHAR(64) NULL：来源 trace（若来自 search/rec）
+      - `dwell_time_ms` INT NULL
+      - `viewed_at` DATETIME(3) NOT NULL
+
+  - `dwd_add_to_cart`：加购事实表（全站统一）
+    - **主键建议**：`(tenant_id, atc_id)`（或 `(tenant_id, user_key, item_id, added_at)`）
+    - **核心索引建议**：`(tenant_id, user_key, added_at)`、`(tenant_id, item_id, added_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `atc_id` VARCHAR(64) NULL
+      - `session_id` VARCHAR(64) NULL
+      - `cart_id` VARCHAR(64) NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `item_id` VARCHAR(64) NOT NULL
+      - `quantity` INT NOT NULL DEFAULT 1
+      - `price` DECIMAL(18,2) NULL
+      - `currency` VARCHAR(8) NULL
+      - `source_type` VARCHAR(32) NULL：来源（search/rec/direct/…）
+      - `source_trace_id` VARCHAR(64) NULL：来源 trace（若来自 search/rec）
+      - `added_at` DATETIME(3) NOT NULL
+      - `cart_snapshot_json` JSON NULL：购物车快照（可选，体积大时可下沉到独立表）
+
+  - `dwd_purchase`：订单事实表（全站统一）
+    - **主键建议**：`(tenant_id, order_id)`
+    - **核心索引建议**：`(tenant_id, user_key, paid_at)`、`(tenant_id, paid_at)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `order_id` VARCHAR(64) NOT NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `currency` VARCHAR(8) NULL
+      - `total_amount` DECIMAL(18,2) NULL
+      - `paid_at` DATETIME(3) NOT NULL
+
+  - `dwd_purchase_item`：订单明细事实表（全站统一）
+    - **主键建议**：`(tenant_id, order_id, item_id)`（若一单同商品可多行，则增加 `line_id`）
+    - **核心索引建议**：`(tenant_id, item_id, paid_at)`、`(tenant_id, order_id)`
+    - **字段建议**
+      - `tenant_id` VARCHAR(64) NOT NULL
+      - `order_id` VARCHAR(64) NOT NULL
+      - `line_id` VARCHAR(64) NULL
+      - `user_key` VARCHAR(64) NOT NULL
+      - `item_id` VARCHAR(64) NOT NULL
+      - `quantity` INT NOT NULL DEFAULT 1
+      - `price` DECIMAL(18,2) NULL
+      - `paid_at` DATETIME(3) NOT NULL
+
+  - **落库/分区建议（MySQL）**
+    - 量小：按 `tenant_id` + `created_at` 索引即可
+    - 量大：建议按月分表/分区（`*_202601`），或落到 ClickHouse/ES/湖仓；DWD 保持明细可追溯，DWS/ADS 做聚合提速
+
+- **归因桥（可选但强烈建议）**
+  - `dwd_attribution_touch`
+    - order_id, item_id, last_touch_trace_id, touch_type(search/rec), touch_time, window（如 7d click/1d view）
+  - 这样 BI 里的“搜索带来收入/推荐带来收入”不会口径混乱。
+
+### 2.4 DWS/ADS：面向看板的汇总层（高性能）
+- `dws_search_kpi_daily`（tenant_id, date, page_type/device/geo/new_vs_returning…）
+  - search_pv, search_uv, sessions_with_click, sessions_with_atc, sessions_with_purchase
+  - click_rate_session, purchase_rate_session, zero_result_rate, no_click_rate, p95_latency
+- `dws_query_daily`（tenant_id, date, normalized_query）
+  - searches, exposure_uv, click_uv, purchase_uv, zero_cnt, no_click_cnt
+- `dws_rec_kpi_daily`（tenant_id, date, placement, algo_id/model_version）
+  - impressions, clicks, ctr, atc, purchases, revenue, rpi（revenue per impression）
+- `dws_item_daily`（tenant_id, date, item_id）
+  - search_impr/click/atc/purchase、rec_impr/click/…（用于“商品天级统计特征”与运营）
+
+---
+
+## 3）推荐系统依赖的数据（“能训练、能实时、能解释”）
+把特征分成 **用户/商品/上下文**，再分 **静态/快照/统计/序列（实时）**。
+
+### 3.1 用户基础信息（dim）
+- `dim_user`：user_key、注册时间、是否会员、国家/语言、获客渠道（如可得）、新老客标签
+- 合规：只存业务需要的最小信息，敏感字段做脱敏/哈希
+
+### 3.2 用户实时特征（在线序列 + 聚合）
+在线（Redis/Key-Value）建议保留：
+- **最近 N 次行为序列**（按时间衰减）
+  - view_item_seq（最近浏览商品）
+  - search_query_seq（最近搜索词/类目）
+  - click_seq（点击的商品，区分来自 search/rec）
+  - cart_seq、purchase_seq
+- **实时聚合**
+  - 最近 1h/24h 搜索次数、点击次数、加购次数
+  - 最近一次偏好类目/品牌/价格带（从序列实时计算）
+
+离线（天/小时级）输出：
+- RFM、长期偏好向量（类目/品牌 embedding）、价格敏感度、复购周期等
+
+### 3.3 商品基础特征（静态）
+- `dim_item`（sku/spu）
+  - 类目、品牌、属性（颜色/尺码/材质…）、标题/描述、价格、币种、图片
+  - 文本/图片 embedding（你们已有 embeddings 模块可复用）
+
+### 3.4 商品快照（强业务约束，必须可回溯）
+- `item_snapshot`（tenant_id, item_id, snapshot_time）
+  - 库存/可售、折扣、上新、发货国家限制、活动标签
+- 推荐/搜索曝光明细里最好**写入当时的关键快照字段**（至少 in_stock、price），避免事后回算失真。
+
+### 3.5 商品天级统计特征（训练/排序最常用）
+- 由 `dws_item_daily` 派生：
+  - 1d/7d/28d：search_ctr、search_cvr、rec_ctr、rec_cvr、atc_rate、purchase_rate
+  - 热度、趋势（环比/同比）、退货/取消（如可得）
+  - 分 placement 的表现（同一商品在“购物车推荐”与“首页推荐”差异巨大）
+
+### 3.6 标签（Label）与训练样本（建议一开始就定口径）
+- **曝光→点击**（CTR）标签：以 `impression_item` 为样本
+- **点击→加购/购买**（CVR/GMV）标签：以 click 或 impression 为样本，设定归因窗口
+- 负样本：同一 trace_id 下未被点击的曝光 item（更稳定）
+
+---
+
+## 4）你提到的两项“未完成工作”，数据层如何补齐
+- **商品曝光（搜索/推荐）**：必须新增 `ExposureEvent`（建议一屏/一次渲染批量上报 item 列表 + position + module/placement + trace_id）
+- **链路跟踪**：以 `trace_id` 为主串联；若购买跨会话严重，可在 purchase 上补 `attribution_trace_id` 或单独落 `attribution_touch` 表做归因
+
+---
+
+如果你愿意，我可以基于你们现有 `proto`/事件骨架，把“搜索请求/曝光/点击/加购/购买/推荐请求”这几类事件的**最小必填字段清单**列成一张表（直接给前端埋点和后端 ETL 用），并给出每个指标（CTR/CVR/zero/no-click）的**精确定义与 SQL 计算口径**。
 \ No newline at end of file
@@ -33,32 +33,53 @@ const TENANT_FACETS_CONFIG = {
     // tenant_id=170: 使用首字母大写的规格名称（Color, Size），没有material
     "170": {
         specificationFields: [
-            { 
-                field: "specifications.Color", 
+            {
+                field: "specifications.Color",
                 label: "Color",
                 containerId: "colorTags",
-                size: 20, 
-                type: "terms", 
-                disjunctive: true 
+                size: 20,
+                type: "terms",
+                disjunctive: true
             },
-            { 
-                field: "specifications.Size", 
+            {
+                field: "specifications.Size",
                 label: "Size",
                 containerId: "sizeTags",
-                size: 15, 
-                type: "terms", 
-                disjunctive: true 
+                size: 15,
+                type: "terms",
+                disjunctive: true
             }
             // 示例：如果170还有其他规格，可以这样添加：
-            // { 
-            //     field: "specifications.Weight", 
+            // {
+            //     field: "specifications.Weight",
             //     label: "Weight",
             //     containerId: "weightTags",
-            //     size: 15, 
-            //     type: "terms", 
-            //     disjunctive: true 
+            //     size: 15,
+            //     type: "terms",
+            //     disjunctive: true
             // }
         ]
+    },
+    // tenant_id=171: 与170配置相同
+    "171": {
+        specificationFields: [
+            {
+                field: "specifications.Color",
+                label: "Color",
+                containerId: "colorTags",
+                size: 20,
+                type: "terms",
+                disjunctive: true
+            },
+            {
+                field: "specifications.Size",
+                label: "Size",
+                containerId: "sizeTags",
+                size: 15,
+                type: "terms",
+                disjunctive: true
+            }
+        ]
     }
 };