ShopX：以語言模型驅動的原生商品推薦框架

背景與挑戰

AI 原生應用正把購物體驗從傳統的頁面或資訊流瀏覽，轉向由大型語言模型（LLM）代理人協調的意圖驅動流程。現有做法多將 LLM 包裹在搜尋與推薦管線之上，必須透過低頻寬的檢索或排序介面將複雜意圖轉換，導致語意理解與商品空間執行之間出現斷層。

ShopX 架構

ShopX 以單一基礎模型統一意圖理解、執行規劃與基於語意 ID（SID）的商品操作。模型原生的商品履行框架定義了模型面向的動作協議，並提供上下文存取、目錄對應與狀態管理等支援介面。透過此框架，ShopX 能規劃並組合 SID 為基礎的操作，如 SID 條帶搜尋、列表式排序或商品捆綁。

技術實作

為建構 ShopX，研究者設計了可語意還原、可被 LLM 操作的 SID，並制定訓練流程，使一般 LLM 能在保持知識與指令遵循能力的同時，支援靈活的多輪商品空間履行。

實驗與結果

實驗以匿名化的淘寶生產日誌為資料，設計單回合與多回合的履行任務，將 ShopX 與以工具中介的代理系統比較。結果顯示，模型原生的履行方式在整體框架行為上有明顯提升，尤其在處理複雜或含糊的請求時表現更佳。

延伸閱讀

• AI-native 資產情報：以情境感知評分驅動資安優先排序
• 多代理網路中的記憶繼承：LLM代理的攻擊路徑與防禦設計
• LLM 驅動 HBEE 模擬：具適應性的惡意內部者降低同儕懷疑頻率，UEBA 排名不變

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。