桥接搜索与CRM：将AI Product Research Agents投入生产以实现客户再参与

# 将AI产品研究代理投入生产：面向客户再参与
来源：https://arxiv.org/html/2608.18543
## 桥接搜索与CRM：将AI产品研究代理投入生产以实现客户再参与会议：；；

###### 摘要。

现代电子商务平台通常独立运行搜索、推荐、个性化和CRM系统，这限制了主动进行客户再参与的机会。对于“最佳智能手机”或“最新5G手机”等探索性意图，用户可能在平台外进行研究后再购买，这一点尤其具有挑战性。我们提出了一个可扩展的、已投入生产部署的框架，该框架通过AI驱动的产品研究代理（Product Research Agents）桥接搜索和CRM工作流。该系统识别具有探索性购买意图且参与度较低的用户，利用行为信号、外部知识和企业目录数据进行有依据的多代理产品研究，并通过WhatsApp提供个性化推荐。我们在一个为期23天的生产部署中评估了该框架，涉及约1.5万条针对移动产品发现的WhatsApp通知。与传统的WhatsApp推荐活动相比，该活动取得了显著的点击率提升，并有证据表明通过消息转发和分享实现了二次参与。该部署还产生了下游购买和GMV影响，证明了AI产品研究代理在主动客户再参与和端到端客户旅程优化方面的实际有效性。

## 1.引言

现代电子商务平台越来越多地寻求通过将搜索、推荐、个性化和CRM系统整合为连贯的用户体验来优化整个客户旅程。然而，这些系统通常是独立开发的，并针对点击率或短期转化等孤立目标进行优化，导致客户在发现、研究、参与和再参与阶段产生碎片化的互动。这一限制在探索性和主观性购买意图中变得尤为重要，因为用户需要在做出购买决策之前获得上下文理解、比较推理和值得信赖的推荐。

“最佳智能手机”、“最新5G手机”或“适合游戏的优质手机”等主观性查询无法清晰地映射到基于确定性关键词的检索系统。解决此类查询需要综合外部知识、理解主观偏好、了解不断变化的市场趋势，并生成可解释的推荐。传统的检索和排名系统主要针对确定性匹配和相关性估计进行优化，因此通常返回没有上下文解释或支持证据的产品排名列表。因此，用户经常离开电子商务平台，通过YouTube评测、网络搜索引擎、科技博客和社区讨论等外部渠道进行独立研究，然后再返回完成购买。这种碎片化的工作流为客户旅程增加了摩擦，并减少了持续参与平台的机会。

为了应对这一挑战，我们提出了一个可扩展的、已投入生产部署的企业框架，该框架使用AI驱动的产品研究代理桥接搜索和CRM工作流，以实现主动的客户再参与。该框架并非将优化局限于会话内检索质量，而是识别表现出高意向探索行为但低参与信号的用户，并通过个性化的WhatsApp推荐主动与他们重新建立联系。该系统将大规模行为分析、有依据的多代理推理、企业目录集成、推荐验证和跨渠道CRM交付结合到一个统一的端到端客户再参与流程中。

该框架的核心是一个模块化的多代理架构，通过集中式编排器协调。查询分析代理首先通过提取产品类别、预算约束、期望属性和潜在偏好等结构化信号来解释用户的主观意图。随后，发现代理跨网络搜索、专家评测和社区讨论进行外部知识检索，以识别候选产品及其支持证据。识别出的候选产品随后通过包含可用性、配送可行性、个性化定价和折扣等业务约束的企业搜索API，锚定到内部电子商务目录实体。为了提高可靠性和可信度，该框架进一步引入了一个专门的审查代理，负责验证技术规格、发布时间表以及跨来源的事实一致性，从而减少幻觉并提高可解释性。

所提出系统的一个关键设计考量是企业可扩展性。该框架并非对所有用户流量执行计算成本高昂的研究工作流，而是使用基于PySpark的过滤管道异步处理大规模搜索查询日志。该管道使用零点击行为、富裕度指标、业务相关性以及主观查询模式等信号来识别高潜力的探索性意图。这种选择性处理框架能够在生产规模上高效部署成本高昂的代理推理管道，同时将干预集中在客户旅程的关键阶段。

生成的推荐通过主动的WhatsApp（WA）通知进行传递，使客户参与超越了传统的应用内推荐界面，使平台能够在原生电子商务体验之外与可能已脱离的用户重新建立联系。在一个涉及约1.5万条针对移动产品发现的WhatsApp推荐通知的23天实时生产部署中，所提出的系统实现了比早期的WA移动产品活动基线显著更高的点击率（约285%）。多个活动日的点击量超过了发送的通知数量，表明由自然转发和消息分享行为驱动的强烈二次参与。此外，该部署产生了有意义的下游购买活动和GMV影响，证明了将可扩展的AI产品研究代理与CRM驱动的客户再参与工作流集成在现实世界企业电子商务系统中进行端到端客户旅程优化的有效性。

参见标题图1. 所提用于产品推荐的研究代理架构。
## 2. 基于规则的搜索日志过滤（PySpark）

在大型电子商务系统中，搜索交互日志是用户意图信号、行为模式和优化机会的丰富来源。在这项工作中，我们采用基于PySpark的框架执行基于规则的过滤策略，以系统地识别用于下游产品研究的高潜力查询。过滤管道由一组从业务洞察和用户行为信号（例如，参与模式、查询语义和用户属性）中得出的显式定义的启发式方法驱动。这些规则使用PySpark大规模应用，以高效地修剪搜索空间，仅保留最有可能受益于研究驱动推荐的查询。

### 2.1 过滤标准

我们对搜索日志应用以下过滤器来识别高潜力查询。

#### 1. 无点击的查询：

我们使用`filter()`变换对点击信号应用谓词，过滤掉零下游参与的印象。此条件隔离了检索结果未能生成用户交互的查询，表明存在潜在的意图不匹配。

#### 2. 高净值用户：

用户富裕度作为特征直接在日志中可用。我们应用分类过滤器仅保留高富裕度用户。这使得能够优先处理具有更高预期转化影响的查询，而无需外部数据丰富。

#### 3. 主观查询：

我们使用内置的PySpark字符串函数对规范化的查询文本执行词法过滤。包含主观限定词（例如，最佳、最新、顶级、良好、大约、低于）的查询通过列级谓词保留。这些查询通常需要超出标准检索的推理和外部知识锚定。

#### 4. 基于垂直领域的过滤（移动品类）：

我们使用日志中的产品级垂直标签将数据集限制在移动电话垂直领域。这通过直接的`filter()`条件实现，避免了类别推断或聚合的需要。选择移动电话垂直领域是因为其高查询量和丰富的外部知识生态系统（例如，规格、评测、比较）。通过修改过滤谓词，该管道可以扩展到其他垂直领域。

## 3. 提出的代理架构

图1 (https://arxiv.org/html/2608.18543#S1.F1) 描绘了产品研究代理的多代理架构。

### 3.1 设计考量

该系统采用模块化、面向代理的架构设计，每个代理负责一个定义明确的功能单元。我们采用集中式编排器与专用代理的框架，其中主编排器代理协调执行流程，同时将特定领域的任务委托给作为可调用工具暴露的专用子代理。每个子代理将其输出写入共享状态，随后被下游子代理消费以执行下一阶段的处理。一个中央监督（编排器）代理通过调用子代理、管理控制流以及在各阶段传播必要的上下文来协调整体执行。此外，每个子代理产生结构化输出，使管道的确定性组合成为可能，并增强了中间结果的可解释性。该架构的一个关键组件是集成在产品研究管道最终阶段的专用审查代理层。该层对生成的推荐进行验证和一致性检查，从而在结果呈现给用户之前提高可靠性和对约束的遵循度。

我们还尝试了顺序代理架构，其中代理按照固定的预定义顺序调用，而没有集中式编排。然而，实证评估表明，层次结构架构导致显著更低的指令违反错误率。详细的比较在消融研究（第6节 (https://arxiv.org/html/2608.18543#S6)）中呈现。

### 3.2 编排器代理

编排器代理作为所有用户查询的入口点，并管理下游组件的执行。它首先利用查询分析代理来确定查询是否需要面向研究的处理。尽管上游针对主观查询进行了基于规则的过滤，但某些输入仍然表现出特定意图（例如，“iphone 17 pro new”、“latest vivo y73”），其中目标产品已经明确定义。对于此类情况，编排器会提前终止管道以避免不必要的计算。这种区分至关重要，因为系统针对探索性发现场景进行了优化，在这些场景中，多步骤推理和外部知识集成能提供显著价值。对于被分类为探索性的查询，编排器依次调用发现代理和Flipkart搜索代理。然后将产品推荐传递给审查代理，该代理在最终用户通知前执行验证。

### 3.3 查询分析代理

查询分析代理从用户查询中提取结构化信号，包括意图分类（广泛发现 vs. 特定）、产品类别（例如，智能手机、平板电脑、电视）和预算约束。明确指定产品型号和变体的查询被分类为特定。提取的信号返回给编排器代理。

### 3.4 发现代理

发现代理负责利用外部知识源生成高召回率的候选产品集。它集成了网络搜索工具（例如，我们在实现中使用的Google Search），以从技术评测平台、编辑博客和视频源检索异构内容。管道从查询扩展开始，其中输入查询被重新表述为多个语义多样的变体以提高检索覆盖率。这通过提示驱动的变换实现，这些变换在意图上引入变化（例如，排名重点、比较导向和特定功能查询）。扩展的查询集随后发送给网络搜索工具，检索到的文档被聚合。从检索到的语料库中，代理执行基于频率和共识的候选提取，识别在多个独立来源中持续出现的产品。这种跨来源的一致性作为产品相关性和质量的弱信号。此外，代理提取时间信号，特别是产品发布时间线，这对于对时效性敏感的查询（例如，“最新”、“新品”）至关重要。对于产品可用性和上市时间可能有差异的印度市场，代理交叉引用多个来源以推断可靠的发布日期。对于每个候选产品，代理生成结构化的推理叙述，以证明其入选的合理性。推理包含与查询约束（例如，价格范围、品牌偏好）的契合度、功能适用性以及跨来源共识等因素。为确保透明度和可追溯性，代理还附加了在检索和综合过程中使用的外部来源的引用。发现代理的最终输出是一个结构化的候选集，其中每个产品都关联了元数据，包括推断的发布日期、综合的推理以及支持性来源引用。此输出作为管道中下游代理的输入。

### 3.5 Flipkart搜索代理

Flipkart搜索代理将发现的产品候选锚定在Flipkart目录的约束内。它与内部的`flipkart_search`工具接口，将外部识别的产品映射到目录条目。代理调用`flipkart_search`工具，将产品候选列表、用户帐户ID和邮政编码传递给该工具，以识别相应的产品并检索其关联的产品ID。产品ID被称为Flipkart序列号（FSNs）。该工具确保每个产品对用户的邮政编码可用且可配送，并考虑用户层级、银行优惠和当前促销活动提供个性化价格。为确保一致性和事实正确性，代理用从Flipkart搜索工具检索到的相应属性替换发现阶段生成的规格。此锚定步骤确保所有推荐都与最新的目录数据保持一致。此外，代理根据目标通信渠道调整推理内容。例如，像WhatsApp这样的消息平台对字符数有限制，需要简洁的摘要，而电子邮件支持更详细的解释。代理动态调整推理格式以符合这些约束，同时保持清晰和信息丰富。

Flipkart搜索代理的输出是一个结构化的集合