电商AI导购正在经历一场从工具到生态的范式革命。本文深度拆解用户旅程全环节的AI应用场景，提出颠覆性的KOL蒸馏模型——通过将网红博主的选品逻辑与信任关系AI化，打造真正以用户需求为中心的导购Agent。从种草到下单的完整闭环设计，重新定义了平台、KOL与消费者的价值分配机制。

一、电商用户旅程与故事拆解

在用户需求阶段，用户故事可以分为两类典型的场景，一种是无明确需求的逛，另外一种是用户有需求的主动查找。而在系统功能点上主要包括两类，第一类是早期通过搜索栏，进行主动搜索，本质是人找货。而后来随着技术迭代，实现了被动内容曝光推荐，例如，图文展示的猜你想问，或者短视频的推流，本质上是通过协同过滤等算法，实现货找人。

在信息收集阶段，用户故事可以分为三类典型的场景，第一是平台商家上传的图文/直播信息展示，第二种是外部kol的测评信息展示，第三种是购买了同一商品的其他用户对此商品的历史评价。在功能点上涉及商品 sku 精细化管理（规格、库存、属性维护）、评价体系建立（发布、审核、筛选、关键词提炼）、多模态信息呈现（图文、直播、短视频适配）、外部 api 对接跳转（KOL 内容、第三方测评链接）、评价摘要生成、买家秀展示等。

在对比决策阶段，用户故事是可以从sku级和渠道平台两个维度组合，包括同 SKU 同平台 / 跨平台比价、对比质量与服务；不同 SKU 匹配个性化差异需求同平台 / 跨平台pk。在功能点上涉及价格实时对标（同 / 跨平台）、商品核心参数可视化对比、售后权益差异化展示、权益计算、卡券叠加核算、跨平台商品信息聚合、SKU 差异化筛选等。

在下单支付阶段，用户故事可以分为，第一是计算，根据权益、卡券优惠，计算最终金额，第二是结算，确认商品、收货、结算方式信息，形成订单，第三是支付，根据订单选择跳转相关结算api，进行支付结算。在功能点上涉及优惠规则配置、卡券核销与叠加计算、订单信息编辑与确认、收货地址管理、支付渠道 API 对接、订单生成与状态同步、支付安全校验、支付异常处理等。

在商品复购/订阅阶段，用户故事可以分为3类，第一是周期性补货，用户之前购买的快消品（如纸巾、宠物粮）即将用完，需要再次购买相同商品，第二是促销驱动复购，用户收到之前购买商品或相似商品的降价、促销通知，因价格吸引而再次购买。第三是因为商品缺货，导致用户暂时无法购买，用户订阅商品到货信息。在功能点上涉及用户消费周期建模、复购商品一键加购、历史订单回溯、促销信息定向推送、缺货商品订阅管理、到货提醒（短信 / APP 推送）、库存实时同步、订阅列表维护等。

1. 需求触发

用户故事：无明确需求的逛（逛）、带有模糊需求主动查找（找）

AI结合点：用户主动搜索 + 被动推荐结合的方式，通过 rag+agent 的形式，实现模糊需求语义解读、场景化需求挖掘、个性化商品向量匹配，打通人找货 + 货找人双模式、kol导购skills、品类ai导购

2. 信息收集

用户动作：查看商品评价、浏览 KOL 测评、查阅商家图文 / 直播商品介绍

AI结合点：商品评价大模型生成式总结、直播数字人、图文生成工具、虚拟试用与搭配体验、kol导购skills、品类ai导购

3. 对比决策

用户动作：同 SKU 跨店 / 跨平台比价、对比质量与服务；不同 SKU 匹配个性化差异需求

AI结合点：ai比价、ai对比参数、ai推荐组合

4. 下单支付

用户动作：计算、结算、支付

AI结合点：AI 智能算券凑单、最优支付方案推荐、支付异常智能提醒、订单信息 AI 校验、人脸识别

5.商品复购

用户动作：补货复购、商品缺货订阅、优惠促销复购

AI结合点：预测性补货提醒、个性化促销信息推送、复购商品价格监控一键加购

二、电商AI导购的一些创新构想

对京东、拼多多、淘宝、抖音电商等各家ai导购产品体验了一圈后，并不想写一篇传统的竞品分析，因为各家产品在定位、交互形态、ai效果上的差异并不大。基本都是在主界面或者详情页，插入ai导购的悬浮入口/固定搜索栏，以用户query问答的形式，进行多模态推荐。和我之前看的ota的ai导购没有实质性的区别，只不过在商品库sku等方面有比较大的区别。（ps，依旧觉得不管是ai产品还是功能产品，细节决定成败，我们需要的不是盲目套用功能产品那一套，从战略层 范围层 结构层 框架层 表现层的产品分析，而是需要由表及里的深入思考，比如，到底要不要在ai导购推荐完商品卡片后，给一个收藏的选项，ai导购是定位为单次快速达成本次推荐成交，给一个ai导购的专属优惠券，还是长期种草加购然后转换成订单，还是两种兼顾，这才是从界面功能交互到本质商业化定位的透视）

作为一个网购超过16年的资深网购用户，我在思考，现在的ai导购真的上消费者需要的吗？什么才是一个好的ai导购，一个好的ai导购不是商家王婆卖瓜自卖自夸，一个好的ai导购也不是平台方出来说话替商家推荐替商家夸，用户会决定我被平台拿捏了，平台拿我杀熟，一个好的ai导购应该是自带信任感的第三方，比如短视频的美妆博主、家居博主、电子产品博主。一个好的ai导购不是大而全的全能型导购集合体，而是品类专家，对不同品类有自己的见解，熟悉不同品类的知识，且知道不同品类大多数用户最关心什么，驱动用户下单的核心因素是什么，比如母婴产品关注安全，女装关注潮流趋势，小家电关注性价比等。

而ai导购核心需要真正驱动消费旅程两个最重要的环节，一个是“种草”一个是“下单”。那么“种草”环节，我觉得核心的要素就是基于一定的模式，过去我们通过用户主动搜索、协同过滤，预测同类用户感兴趣的，按用户的画像匹配货品。核心其实是让消费者发现商品，那么每个人都会有自己的偏好，现在短视频平台上也出现了大量评测博主，不少博主也形成了自己的审美和挑选偏好，持续的发布相关的商品使用感受，并会在平台直接带货，获得了大量流量和订单转换，这些本质上都是根据博主的偏好进行的挑选，所以我想未来电商ai代购能不能和网红博主结合，网红博主能不能被蒸馏成不同的垂直品类ai导购，然后消费者可以订阅自己喜欢的博主ai导购，根据kol的挑选习惯，发现种草相关的sku，并且kol是有真人测评的，远比商家拍的图文/商品视频有天然的信任感，另外，大量kol测评博主其实也是按经验，盲人摸象的测评，他们并不知道自己的粉丝想让他们测评什么商品sku，以便获得更好的流量和其他商业化价值。基于此，下面写了个ai草稿版prd。

基于达人(KOL)订阅的电商 AI 导购 Agent 产品–PRD（AI生成版）

1. 需求背景

1.1 背景分析

公司战略维度

2025 年中国 AI 消费市场规模已突破 1.2 万亿元，大模型调用成本较 2023 年平均降低 80%，为规模化部署 AI 导购提供成本基础。

助力平台实现 “差异化竞争”，提升用户粘性与交易转化，通过ai导购，实现gmv增长。同时为 KOL 提供新的变现渠道，盘活 KOL 生态资源，实现 “平台 – KOL – 用户” 三方共赢。

用户体验维度

当前电商导购行业的信任断层核心矛盾。：

商家自卖自夸：电商平台商家店铺的商品简介都说“最好”，用户难以信任

平台算法推荐：用户对“猜你喜欢”和电商平台AI推荐存疑，担心“推高佣金商品”或“杀熟”

达人内容分散：达人评测有一定的粉丝信任基础，但分散在不同平台和时间，用户决策时无法快速调用，也难以汇总多个达人的评价和平台用户反馈

本产品将解决两类核心痛点：

• 消费者端：种草环节：想发现自己感兴趣的选品，发现平台推送的商品不喜欢，但不知道从哪看起；对比决策环节：想结合达人测评、全网用户评价和商品参数来做决定，但信息太散、维度不一，靠人工对比非常耗时
• KOL 端：解决 “粉丝服务效率低、影响力变现不持续” 的痛点，实现 7×24 小时粉丝服务，释放个人 IP 价值。

技术趋势维度

当前电商垂直领域 Agent 技术已完成规模化落地验证，多租户隔离式 Agent 架构成熟稳定，可支持海量达人 AI 分身并行部署、独立运维、数据隔离，兼顾平台管控成本与用户使用稳定性。

多模态大模型能力已实现商用落地，可自动完成达人测评视频、图文内容的结构化解析，批量提取商品评价维度、正负向观点、核心判断原句，解决达人素材人工整理效率低、标准化难的问题，支撑平台达人 AI 分身快速规模化上线。

1.2 需求分析

C 端购物用户：关注多个垂类达人（穿搭 / 美妆 / 母婴 / 数码 / 家居等），深度信任网红博主的审美判断与选品眼光，习惯通过博主短视频 / 直播种草，决策时高度依赖博主的垂类测评内容、真实使用反馈。

核心痛点：

• 种草信息碎片化，跨平台获取成本高：博主评测视频 / 图文分散在抖音、小红书、B 站等多个内容平台，用户购物决策时需跨平台检索、逐篇翻阅，无法一站式聚合目标商品的多博主测评、消费者真实反馈等核心决策信息。
• 信息过载严重，有效决策信息提取效率低：博主测评内容体量庞大、单条内容时长 / 篇幅过长，海量内容中用户难以快速定位商品核心优缺点、适配场景、避坑提示等关键决策信息，无效信息消耗大量时间成本。
• 个性化咨询触达难，导购互动性缺失：用户针对具体商品、个性化场景的选品细节疑问，无法得到博主的及时、一对一回复，通用化内容无法满足用户个性化决策需求，完整导购链路缺乏有效互动。

达人 / 创作者：KOL作为品类达人，对不同品类有自己独到的见解，是一个或者多个“品类”的买手。希望将自己的审美、选品逻辑和测评内容转化为 AI 分身，7×24 小时服务粉丝，提升带货效率和内容资产复用率。

核心痛点：

• 内容创作缺乏数据指引，选题盲目主观：日常不知道该发布什么内容、该测评哪些产品，无法精准洞察粉丝真实感兴趣的品类、痛点和选购疑问；创作选题全凭个人经验与主观喜好，容易出现自己测评的内容粉丝不关心、粉丝真正关心的选购问题却没有覆盖，内容创作不精准、不科学，浪费创作精力还难以提升粉丝转化与粘性。
• 内容资产复用率极低，商业价值生命周期短：历史测评内容仅能获得短期流量与带货收益，内容生命周期通常不超过 7 天，优质测评内容无法持续创造商业价值，大量存量内容资产被闲置浪费。
• 变现模式单一且不可持续，收入稳定性差：核心变现依赖直播带货、商单广告，停更即断收，无法实现个人 IP 的长效、被动变现，受平台流量波动、大促周期影响极大，收入稳定性不足。

平台运营方：通过 “达人帮你挑” 构建新的流量入口和商业模式，提升用户停留时长、转化率和 GMV，激活存量达人内容资产。

核心痛点：

• 存量达人内容资产闲置，价值未被充分挖掘：平台沉淀了海量达人历史测评内容，但内容仅停留在种草环节，无法贯穿用户从种草、决策到下单的全购物链路，内容的商业转化价值未被充分释放。
• 推荐模式信任崩塌：电商平台推荐的商品，担心被推送高佣金商品、大数据杀熟，推荐转化效率逐年降低。
• 品类化导购精准度不足，无法匹配差异化决策因子：不同品类的种草、下单决策核心逻辑差异显著（如母婴品类关注安全合规、女装品类关注潮流版型、数码品类关注性能参数、美妆品类关注肤质适配），通用化电商导购无法匹配垂类品类的差异化决策需求，精准度不足。

2. 产品定位

2.1 产品定义

“达人帮你挑” —— KOL 专属 AI 导购（Agent 版）是一款基于大模型 + Agent 技术，以 KOL 偏好蒸馏为核心，嵌入电商平台的拟人化、个性化 AI 导购产品。

驱动产品通过复刻 KOL 的选品逻辑、审美倾向、语言风格，基于 KOL 圈选的 sku 类目，生成可被用户订阅、实时交互的 KOL AI 分身，为用户提供场景化种草、个性化选品、避坑指南等服务，同时为 KOL 提供粉丝服务自动化、IP 变现长效化的解决方案，最终实现 “品味找人、信任关系找人” 的购物模式升级。

驱动消费旅程的三个核心环节：

• 种草：基于达人独特的审美和挑选习惯，帮用户发现 “值得关注” 的商品。
• 对比决策：电商平台提供基础的商品参数信息对比，“达人帮你挑”补充真人评测内容。
• 下单：发放达人的品类优惠券，非针对商家/商品sku的优惠券，提升信任感，促成消费的最后一公里。

一句话定位：一款让你跟着达人眼光挑好物的AI导购产品。

2.2 商业模式

针对需求中提出的商业化变现问题，本产品采用 \\“商家端 CPS 佣金分成” 的三方共赢模式 \\，不向 C 端用户收费，也不向 KOL 收取入驻 / 训练费用，从商家端获取收入，具体逻辑如下：

收费主体选择：优先选择商家端作为费用承担方，原因如下：

• 符合行业惯例：电商导购类产品普遍采用 CPS（按成交付费）模式，商家零风险，仅在获得有效转化后支付费用，市场接受度高
• 避免信任损耗：若向 KOL 收费，会大幅增加 KOL 的入驻门槛，打击中小达人的参与积极性；若向用户收费，会直接降低用户的使用意愿，不符合普惠性的产品定位；
• 价值匹配：AI 导购为商家带来了高精准、高信任的流量，相比普通推荐流量，转化率提升 100% 以上，商家愿意为该增量价值付费

具体分成规则：

• 商家端：仅在AI导购带来有效成交后，按订单金额支付差异化交易服务费，平均费率10%（美妆类15%、数码类8%、母婴类10%、服饰类12%），无成交无费用
• 平台端：收取商家的服务费后，扣除算力、运营等成本，将70%的服务费作为分成结算给对应KOL，剩余30%作为平台收入，初期用于覆盖AI技术成本，规模起量后实现净盈利
• KOL端：无需投入额外运营成本，仅需授权历史内容即可获得长效被动收入，粉丝通过AI分身下单后自动获得分成，实现IP价值的持续复用与变现
• 用户端：免费使用AI导购服务，还可领取专属品类优惠券，获得更精准、可信的导购服务，无任何额外成本

信任保障机制：

• 采用品类优惠券而非SKU专属优惠券，避免用户认为KOL为特定商家带货
• 达人可推荐到SKU级商品，但优惠券仅限品类维度，从根本上切断“推高佣商品”的动机
• 用户可随时查看达人的选品标准与测评原文，建立透明信任

2.3 产品指标

业务指标

产品与用户指标

技术指标

3. 用户故事与模型故事

3.1 用户故事

3.2 模型故事

Agent层：全局唯一调度中枢，负责意图判断、流程决策、多轮对话、任务编排、异常管控，具备自主决策与流程跳转能力，是整个系统的「大脑」。

Skills层：原子化执行单元，无自主决策能力，仅接收Agent下发的固定指令，完成单一闭环任务，输出标准化结果，是系统的「执行手脚」，不参与对话引导、流程决策。

3.3 用户旅程

阶段一：发现与订阅

用户通过“达人帮你挑”入口进入 Agent 导购首页，首次进入，跳转“AI达人导购订阅广场”

浏览已入驻的达人 Agent 列表，可看到：

达人头像、昵称、擅长品类

订阅数、用户评分

推荐商品预展示（如“热门推荐：XX气垫”）

典型对话示例（展示 AI 回复风格）

点击“订阅”按钮，立即订阅该达人 Agent，订阅后即使从未对话，用户也可以随时取消订阅

阶段二：用户首次使用对话

订阅成功后，系统引导用户发起的第一个对话

若用户发起对话：

Agent 根据用户默认偏好或直接推荐热门商品

回复中附上测评摘要和评测原链接（如“这款粉底液我测过，遮瑕力中等但持妆一整天”）

若用户跳过，则订阅的 Agent 进入“达人订阅广场”界面，用户可随时点击进入对话

阶段三：日常使用

导购对话：

主页为对话主界面，输入框下方有入口，可进入“订阅达人”选项，达人导购支持：

多轮对话、追问（如“有没有更便宜的？”）

重新推荐（对当前推荐不满意可刷新）

在同一会话界面切换不同达人（例如从达人A切换到达人B，对比同一商品意见）

推荐的商品卡片上支持：收藏、加购、直接下单

订阅管理功能：

用户可取消订阅某个 Agent（取消后不再出现在列表中，历史对话保留但不可继续）

可对已使用过的 Agent 进行评分（1-5星）和文字反馈

阶段四：转化与反馈

用户通过 Agent 推荐的商品直接加购/下单，完成交易

系统自动记录用户的满意度（是否采纳推荐、加购/下单行为）

用户主动提交的评分和反馈，用于：

优化该 Agent 的推荐策略、平台运营监控异常 Agent

3.4 模型旅程

分层处理流程

请求处理步骤

Step1 用户选择Agent：前端记录当前对话绑定的达人ID，携带至后端。

Step2 Agent路由：Agent层根据达人ID路由至该达人的专属Skills配置实例，加载达人偏好规则、风格Prompt、专属测评库等资源。

Step3 意图提取：Agent：识别用户意图 对用户输入进行意图分类，识别六大意图（闲聊/商品咨询/商品对比/场景推荐/优惠券咨询/切换达人…），提取品类、预算、场景等槽位。

Step4 澄清与槽位补全：若槽位不全，Agent：引导澄清对话 按品类规则递进追问（最多3轮），用户回复后 Agent：处理澄清回复 补全槽位。

Step5 上下文融合：Agent：评估上下文充足性 + Agent：上下文管理，加载当前会话5轮滑动窗口短期记忆，融合用户长期偏好标签，判断是否可复用历史结果。

Step6 任务拆解与编排：Agent：任务拆解编排 将用户完整需求拆解为子任务序列：

单达人推荐场景：串行编排 选品过滤 → 召回排序 → 测评检索 → 风格复刻

多达人对比场景：并行调用双方 Skills，汇总后由 商品参数对比技能 整合

Step7 技能执行：Agent：调用技能编排 按编排计划调度Skills执行，管控超时（>3s熔断）、异常（核心技能失败走规则兜底）、结果聚合。

Step8 回复生成：Agent：生成汇总回复 聚合所有Skill输出，调用 达人风格复刻技能 注入达人口吻，按规范追加AI生成声明与评测溯源链接。

Step9 记录与反思：Agent：处理用户反馈 接收用户点赞/点踩/文字反馈，归因至具体Skill环节，沉淀BadCase至优化库；长期记忆模块根据用户行为（加购/下单/点踩）更新偏好权重。

Agent 协作架构

4. 产品方案

4.1 功能层面

4.1.1 功能需求清单

4.1.2 功能架构

4.1.3 系统架构

4.1.4 全局性交互时序

1. 多模态输入：客户端统一将语音、图片转文本（或二进制标识）发送至网关，由对话服务调用多模态模块解析。
2. 记忆融合：每次对话都会注入当前会话的短期记忆（滑动窗口5轮）和长期偏好标签，确保连续推荐一致性。
3. Agent 分解：Agent 将“推荐连衣裙”拆解为并行检索商品与测评，再聚合生成，体现任务分解与反思（若结果不足可重新规划）。
4. 工具与 RAG 串联：商品检索直连 SKU 库；测评检索基于向量库，优先拉取当前达人及已订阅达人的评测原文，支撑“商品评测”“达人评测对比”需求。
5. 风格蒸馏：在生成推荐语、避坑点时，动态注入达人语言风格，确保回复拟人化。
6. 结果整合：API 将推荐卡片、参数对比表（如有）、评测摘要、优惠券信息（工具调用返回）以及“AI 生成”声明一并返回，前端渲染为结构化消息。
7. 交互沉淀：每轮对话记录更新至短时记忆，用户的点赞/踩、反馈标签异步存入行为日志，供后续 Bad Case 归因与数据分析使用。
8. 切换达人：若用户中途切换达人，前端将新达人 ID 传入，对话服务重新加载对应分身配置及专属评测库，记忆可保留。

4.1.5 交互关系说明

4.1.6 功能说明

略：因网站输出格式限制，暂不展示

4.1.7 非功能性描述

埋点需求

安全需求

个人用户信息匿名化处理，用户画像数据加密存储，用户可选择性关闭个性化推荐。

生成内容禁止违法违规、诱导未成年人消费、恶意虚假宣传。

测评摘要必须基于真实测评内容，严禁捏造达人观点；系统需在生成时进行置信度校验 + 事后抽检。

生成内容需添加 “AI 生成” 标识，测评摘要需标注 “基于达人过往测评整理”。

分级记录用户（运营人员 / 普通用户 / 管理员）每一次 AI 交互和后台操作。

用户授权明确个人数据使用范围和保存期限。

响应性能

首 Token 响应时间≤x00ms；端到端全流程≤3s；Agent 切换延迟≤x00ms。

服务可用性

月度可用性≥99.5%；拥塞时段弹性扩容。

扩展性与成本

首年预估 QPS 峰值 2000，均摊日吞吐 100 万次请求；GPU 资源规划（推理集群配置八卡 A/H 系列 GPU）×3 个可用区；单轮问答推理成本目标控制在约 0.0xx元以内（含测评知识库检索）。

4.2 模型层面

4.2.1 模型选型

采用评测集进行模型选型，覆盖模型基础能力（量化评分）+ 应用能力评分（量化 + 专家人工评测），具体选型方案如下：

1. 基础能力层：使用基座模型完成意图理解和对话控制，所有达人 Agent 可共享该基座模型，降低部署与维护成本。
2. 测评知识层：测评知识采用独立的结构化存储 + 检索增强生成（RAG）方式，确保生成的测评摘要 100% 基于真实测评内容，避免捏造观点，保障内容真实性。

评测集因作者个人时间关系，暂时省略，由ai生成为主，见下文。如涉及模型训练，还需增加训练集标准和标注，本次暂略。

4.2.2Agent 构建

Prompt 设计

推理分解能力

采用边任务分解变执行的模式，典型的推理分解流程如下，需对复杂场景制定相关推理分解策略，需具备推理反思机制。

推理分解流程、复杂请求分解策略、反思机制设计（代码块无法展示）

工具调用能力

核心工具清单与调用规范详见 3.3.3 Skills 原子技能库，核心规则：

1. 所有工具统一标准化入参出参格式，由 Agent 中枢统一调度，技能之间无直接调用。
2. 工具调用支持超时熔断、异常重试、降级兜底，单个工具异常不影响主流程执行。
3. 所有工具调用结果必须可溯源、可审计，全程留痕。

记忆机制

短期记忆：当前对话会话窗口，滑动窗口 5 轮对话记忆，保持上下文连贯性。超过 30 条消息后压缩历史或生成摘要。（tbd）

长期记忆：从短期记忆中提取结构化偏好标签（风格、品类、预算、场景），按标签维度持久化存储，权重随时间衰减，闲聊类对话自动过滤不进入长期记忆。

向量化知识检索：测评知识库和商品知识库均采用向量化存储，每次用户请求时根据意图向量检索 Top-K 最相关内容。

4.2.3 异常处理与降级策略

异常场景定义

5-6章内容表格较多，只展示大纲