AI 导购在 vivo 官网的落地实践¶

📊 Level ⭐⭐ | 5.2KB

-> 原文存档

vivo AI 导购落地实践¶

vivo 团队在官网 APP 落地 AI 导购 agent：FastText 小模型做意图分类（10ms）+ RAG 知识库 + 双智能体（参数解读/商品推荐）+ 结构化输出，首字符 2.5s 内。

FastText + RAG + 结构化输出 = 垂直电商 AI 导购 agent 的生产级工程实现。

vivo AI 导购项目的核心工程价值在于小模型 + 大模型协同的分层架构设计。FastText 作为轻量级意图分类器（10ms CPU 推理）解决了电商场景中用户Query的快速分发问题，相比直接让大模型判断意图，大幅降低了推理延迟和成本。

意图分类器的选型思考：FastText 的优势在于速度快、资源占用低，适合对延迟敏感的电商场景。但其局限在于仅能做两分类（参数解读/商品推荐），无法处理更复杂的意图。这暗示在实际系统中，意图分类只需做到"足够好"即可驱动下游路由，真正的理解仍交给大模型。

商品推荐策略的创新点：传统电商推荐依赖人工规则或标签体系，而 vivo 选择将手机列表直接作为 Prompt 上下文输入给大模型。这一设计利用了大模型的理解和推理能力，使其能够根据用户问题动态匹配商品，而非依赖预设的标签关联。这种"模型自己找答案"的思路在开放性用户问题上有明显优势。

结构化输出的工程链路：推荐场景要求模型第一句话直接输出手机名称，这是关键的前置约束——只有拿到商品名才能调用商品接口获取价格、图片等信息。这体现了 AI 应用开发中的"接口驱动设计"思维：先确定需要调用的外部接口，再以此约束模型的输出格式。

安全架构的三层防护：模型控制层 + 边界关键字转人工 + 蓝心运营平台内容审核，形成纵深防御。1.6W 条安全测试语料说明安全投入的规模，这对生产系统非常重要。