大模型时代，AI导购能干吗？**其实判断力比想象力更重要**。先看一个最简单的效果演示： 上面这个版本——说是MVP甚至原型机都不为过——但确实已经能发挥作用了。

话原理

原理其实不复杂。借助大模型的对话能力，把用户的聊天内容进行意图识别和摘要。再结合用户的偏好（简易版），组装成prompt去向量数据库里做检索。 这里的关键是向量相似度计算，最终从文本层面捞出最贴近的两个商品。

技术细节：向量数据库

我们用的是ChromaDB。存入文本时，它会自动编码为向量。检索时，同样先把查询文本转成向量，再计算相似度取出结果。 这个“文本嵌入”的过程，本质上就是把文本映射到连续向量空间，让语义相近的文本在空间里靠得更近。 最常见的文本嵌入方法是Word2Vec。它的核心思路是通过神经网络训练，让文本中经常一起出现的单词在向量空间里距离更近，不常共现的单词距离变远。 具体又有两种实现方式：

• 连续词袋模型：根据上下文预测当前词
• 跳字模型：根据当前词预测上下文

训练完成后，甚至会出现“king”减去“man”加上“woman”的结果接近“queen”这种语义操作。

来实践

1. 意图识别的prompt设计

You are an e-commerce salesperson, and your task is to combine the user's chat with their previous purchase preferences, such as preference for red, and output information about the user's intention to purchase goods, such as ['sneakers', 'red']. Be careful not to output other irrelevant information, and remember that you only need to return similar product information, such as ['sneakers', 'red']. Their chat is: Hello A; System: May I help you A: I want to buy a pair of casual shoes. User A's previous purchase preferences were: Color: Red; Price: 150-200;

2. 安装chromadb

pip install chromadb

3. 编写python脚本

import chromadb

# 设置Chroma内存，方便快速原型设计。可以轻松添加持久性！
client = chromadb.Client()

# 创建集合。还可以使用get_collection、get_or_create_collection、delete_collection等方法！
collection = client.create_collection("all-my-products")

# 商品信息
products = [
    {
        "id": "000001",
        "title": "经典运动跑鞋",
        "category": "运动鞋",
        "price": 199.99,
        "description": "这是一双经典的运动跑鞋，适合户外运动和日常穿着。鞋面采用透气网布材料，轻盈舒适；中底采用缓震科技，提供稳定的支撑和舒适的脚感；外底采用耐磨橡胶，提供优越的抓地力。颜色：黑色/白色。",
        "stock": 120,
        "sales": 35,
        "views": 550
    },
    {
        "id": "000002",
        "title": "潮流运动篮球鞋",
        "category": "篮球鞋",
        "price": 299.99,
        "description": "这是一双时尚潮流的篮球鞋，适合篮球爱好者和潮流达人。鞋面采用PU皮革材料，坚固耐磨；中底采用气垫缓震技术，提供出色的支撑和缓震效果；外底采用耐磨橡胶，提供优秀的抓地力和耐磨性。颜色：红色/黑色。",
        "stock": 80,
        "sales": 20,
        "views": 350
    },
    {
        "id": "000003",
        "title": "休闲复古帆布鞋",
        "category": "休闲鞋",
        "price": 89.99,
        "description": "这是一双时尚休闲的帆布鞋，适合日常休闲穿着和出行。鞋面采用优质帆布材料，轻便透气；鞋底采用耐磨橡胶，提供良好的耐磨性和抓地力。颜色：蓝色/白色。",
        "stock": 150,
        "sales": 45,
        "views": 700
    },
    {
        "id": "000004",
        "title": "时尚百搭运动鞋",
        "category": "休闲鞋",
        "price": 149.99,
        "description": "这是一双时尚百搭的运动鞋，适合多种场合穿着。鞋面采用PU皮革材料，时尚耐磨；中底采用轻质EVA材料，提供舒适的缓震效果；外底采用耐磨橡胶，提供良好的抓地力。颜色：灰色/黑色。",
        "stock": 100,
        "sales": 25,
        "views": 450
    },
    {
        "id": "000005",
        "title": "运动户外登山鞋",
        "category": "登山鞋",
        "price": 399.99,
        "description": "这是一双专业的户外登山鞋，适合登山爱好者和野外探险者。鞋面采用防水透气皮革材料，具有优异的防水透气性；鞋底采用抗扭强度强的橡胶，提供稳定支撑和抓地力。颜色：棕色/绿色。",
        "stock": 90,
        "sales": 30,
        "views": 600
    },
    {
        "id": "000006",
        "title": "运动时尚休闲鞋",
        "category": "休闲鞋",
        "price": 129.99,
        "description": "这是一双时尚休闲的运动鞋，适合日常穿着和运动时穿着。鞋面采用透气网布材料，舒适透气；中底采用轻质EVA材料，提供良好的缓震效果；外底采用耐磨橡胶，提供良好的抓地力。颜色：灰色/白色。",
        "stock": 130,
        "sales": 40,
        "views": 800
    },
    {
        "id": "000007",
        "title": "时尚潮流滑板鞋",
        "category": "休闲鞋",
        "price": 179.99,
        "description": "这是一双时尚潮流的滑板鞋，适合滑板爱好者和潮流青年。鞋面采用PU皮革材料，时尚耐磨；鞋底采用耐磨橡胶，提供良好的抓地力和耐磨性。颜色：黑色/金色。",
        "stock": 110,
        "sales": 15,
        "views": 400
    }
]

# 向集合添加商品信息
for product in products:
    document = f"{product['title']} {product['category']} {product['description']}"
    collection.add(
        documents=document,
        ids=product["id"]
    )

# 查询/搜索2个最相似的结果
results = collection.query(
    query_texts=["红色，休闲鞋"],
    n_results=2
)
print(results)

写在最后

上面这个MVP版本，能优化的方向实在太多了——而且每个方向都很有意思。 从商品描述的语义增强，到用户画像的动态更新，再到多轮对话的上下文维护，每一步都有深度可挖。 其实，这类系统真正迷人的地方在于：你不需要一开始就追求完美。先跑通一个简单闭环，然后在真实交互中迭代，最终沉淀下来的方法论和能力，远比一个“完美方案”更有价值。