Build a Better Shopping Experience with OpenAI | Shopping Agent Demo

**TL;DR：** OpenAI 展示了一个购物助手 Demo：用户在虚构家居应用 Vasper and Alder 中，通过自然语言对话获得房间搭配建议、生成效果图、按预算调整单品、加购商品并修改收货地址，全程无需手动操作界面。 ## 场景设定：Vasper and Alder 购物助手 演示开始于登录虚构的家居应用 Vasper and Alder。用户计划重新布置房间，准备在家招待朋友过节，于是直接向应用内的购物助手发起对话，希望获得让房间角落更温馨的灵感——具体目标是打造一个阅读角。 ## 第一步：自然语言提出需求，AI 给出搭配方案 用户问："你能给我一些让这个房间角落更温馨的灵感吗？我想打造一个阅读角。" 助手的回应分为两部分： 1. **文字搭配建议**：建议上传一张照片以便更好地搭配，并给出具体单品——一把奶油色椅子、一张浅橡木桌子、一盏温暖的亚麻灯罩落地灯。 2. **生成效果图**：助手同时启动效果图生成，向用户展示阅读角搭配完成后的样子。 这里体现了购物助手的两个核心能力：理解模糊的场景化需求（"温馨的阅读角"），并将其转化为具体的商品组合，再用可视化的效果图帮助用户确认。 ## 第二步：设定预算，助手自动替换单品 用户看过效果图后评价"这个不错"，并追加了一个约束条件："尽量控制在 250 以内。" 助手的处理方式是： - 将椅子换成 **lummy 奶油色椅子**，使整套搭配控制在**税前 250 以内** - **同步更新效果图**，让用户看到预算调整后的实际效果 用户对结果的反馈是"哇，太棒了。效果图确实很有帮助"，随后主动推进到结账环节。 这一步展示了助手在多轮对话中持续维护约束条件（预算）并联动更新可视化输出的能力。 ## 第三步：结账时的主动推荐 进入结账流程后，助手并没有机械地完成支付，而是主动做了一次加购推荐： > "最后一样，这条自然条纹盖毯只要 $17.50，能增添一点温暖。你想加进来吗？" 用户认为价格合适，回答"把它加到购物车吧"，助手随即完成加购。 ## 第四步：配送信息提醒与地址修改 加购完成后，助手在展示商品清单的同时，主动提醒了一条关键的配送信息： > "Berkeley 门店自提需要 5 天。" 用户这才意识到自己误选了寄到 Berkeley 门店，原本想寄到家里，于是请求修改。 助手的处理流程： 1. **询问新地址**："你的新街道地址、城市、州和邮编是什么？" 2. 用户提供：**1515 3rd Street, San Francisco, California, 94158** 3. **展示确认界面**："准备好后请在这里确认地址。" 4. 用户确认无误后，助手更新订单，最终**订单改为 10 月 9 日配送** 5. 结束语："感谢购买，Alex。" ## 整个流程体现的能力 这场 Demo 覆盖了一次完整购物旅程中的关键环节： | 环节 | 助手行为 | | --- | --- | | 灵感探索 | 理解场景化需求，输出具体商品组合 | | 可视化 | 根据搭配实时生成效果图 | | 预算约束 | 按 250 美元上限自动替换单品并更新效果图 | | 主动推荐 | 结账时推荐 $17.50 的自然条纹盖毯加购 | | 配送提醒 | 主动提示 Berkeley 门店自提需 5 天 | | 订单修改 | 收集并确认新地址，更新配送日期 | 整个过程没有让用户离开对话去手动筛选、比价或修改订单——所有操作都通过自然语言完成，助手则负责调用生成效果图、更新购物车、修改配送信息等实际动作。这正是 OpenAI 所展示的"购物代理"（Shopping Agent）体验：把对话本身变成购物界面。 Source: [Build a Better Shopping Experience with OpenAI | Shopping Agent Demo](https://www.youtube.com/watch?v=8n-SXxRIrm8)