在电商与产品导购场景中，用户面临海量商品信息过载、搜索意图不明确、决策成本高等痛点。传统搜索引擎依赖关键词匹配，难以理解用户深层需求；而通用大模型缺乏商品知识库支撑，存在幻觉问题。本项目的立项原因是：为电商平台/产品供应商构建一套智能化导购系统，通过RAG技术将大模型与商品知识库结合，实现精准的语义搜索与个性化推荐，解决“用户不知道搜什么”和“搜到了不知道选哪个”两个核心问题。
行业场景上，系统主要服务于B2C电商导购和B2B产品选型两类场景：前端面向消费者提供智能搜索与导购问答，后端面向销售团队提供客户智能推荐，提升转化效率。
本系统包含以下核心功能模块：
1. 智能搜索引擎模块：基于向量检索与全文检索的混合搜索架构，支持语义理解与关键词匹配双路召回。用户输入自然语言查询（如“适合户外露营的便携充电设备”），系统通过Embedding模型将查询向量化，与商品向量库进行相似度计算，实现意图理解而非简单关键词匹配。
2. RAG智能导购模块：构建商品知识图谱与向量数据库，当用户发起导购咨询时，系统先从知识库中检索相关商品信息，再构建Prompt调用大模型生成个性化导购回复，实现“知识检索+LLM生成”的RAG架构，有效解决大模型幻觉问题。
3. 客户智能推荐模块：分析销售人员的客户画像、预算范围、使用场景等需求维度，结合商品知识图谱进行多维度匹配，为销售人员提供精准的商品推荐列表与话术建议。
4. 数据治理与融合模块：爬取多源异构信息（产品参数、用户评价、价格走势等），进行清洗、融合与标准化，为上层搜索与推荐提供高质量数据底座。
我负责的具体任务：
参与RAG导购模块的核心研发，基于Qwen大模型与商品手册文档，采用LangChain框架构建知识库与检索链路；
参与搜索引擎的向量检索模块开发，实现商品Embedding的生成与向量索引构建；
参与客户智能推荐模块的算法设计与实现；
参与前端界面的开发与系统联调。
前端：dify工作流
后端：Python（AI模块）FastApi
大模型与RAG：Qwen系列模型 + LangChain + 向量数据库
搜索：Elasticsearch（全文检索）+ 向量检索（双路召回）
数据层：MySQL + Redis缓存
部署：Docker容器化
评论