面向 3C 数码产品推荐的 AI workflow 应如何设计，才能从用户输入生成可用推荐结果？｜联想产品面经解析

60 秒回答模板

我会把 3C 数码推荐设计成“需求澄清 + 商品检索 + 约束过滤 + 排序打分 + 对比解释 + 反馈迭代”的 workflow，而不是让大模型直接凭记忆推荐。第一步抽取预算、品类、使用场景、性能需求、品牌偏好、尺寸重量、系统生态、售后、购买时间和禁忌条件；信息不足时先问一两个关键澄清问题。第二步接结构化商品库，商品要有 SKU、价格、库存、促销、配置、屏幕、续航、重量、接口、售后、用户评价和兼容信息，实时事实必须来自数据库或搜索。第三步做候选召回和过滤，按品类、预算、库存、区域、硬性配置筛掉不合格商品，再按场景匹配、性价比、口碑、售后、利润约束和库存策略排序。第四步由 LLM 把排序结果解释成人能理解的推荐理由、对比表、适合/不适合人群和风险提示，但必须引用商品结构化字段。第五步收集点击、加购、转化、追问、退货、差评和人工反馈，回流优化意图识别、召回规则、排序权重和解释模板。

考点 Workflow 主链路

难度 真实面经题

回答目标 展示能把 3C AI 推荐设计成可靠 workflow：既有大模型交互，也有商品数据、召回排序、可解释输出、商业约束和指标闭环。

深入解析

结构化用户需求

3C 推荐难点不是知道用户想买电脑或手机，而是理解预算、主要场景、性能需求、便携性、屏幕尺寸、续航、品牌生态、售后偏好和不能接受的点。信息不足时先澄清关键变量，因为预算和用途通常决定候选集合。

商品事实来自数据底座

3C 参数密集且变化快，价格、库存、促销、SKU、配置、区域可售和售后政策不能依赖模型记忆。需要统一商品知识层，标准化标题、规格、评测摘要、用户评价、退货原因、兼容配件、库存价格和活动信息。

召回过滤保证可用候选

候选召回应结合关键词、类目、向量语义、历史行为和热门榜单。随后用硬约束过滤掉预算外、无库存、不符合地区、关键配置不达标或用户明确排斥的商品，保证推荐结果能买、符合条件、不明显踩雷。

排序兼顾匹配和风险

排序分数可以由场景匹配度、参数满足度、性价比、口碑、售后可靠性、库存健康、促销力度、毛利策略和用户偏好组成。要区分硬约束和软偏好，并透明表达性能优先、轻薄优先、性价比优先等模式。

LLM 负责解释不负责编事实

大模型适合把复杂参数翻译成用户能理解的建议，生成对比表、购买提醒、风险提示和追问。但输出必须绑定商品结构化字段，不能虚构价格、库存、跑分或售后政策。不确定信息要提示确认。

反馈闭环优化质量

上线后记录用户从输入到推荐、点击、加购、购买、追问、换推荐、退货和评价的完整链路。离线看意图识别、候选覆盖、事实错误和人工评审；线上看点击、转化、退货、差评、缺货推荐和满意度。

易错点

把 3C 推荐答成通用聊天机器人，让模型直接凭常识推荐商品。
只讲推荐算法，不讲用户澄清、商品数据治理、解释生成、风险提示和反馈闭环。
只追求转化率，忽略退货率、差评、缺货推荐、参数错误和用户信任。
没有区分硬约束和软偏好，导致预算外、无库存或不适配场景的商品进入最终推荐。

面试官追问

为什么不直接让大模型推荐 3C 商品？

3C 商品价格、库存、配置和促销变化很快，大模型容易凭训练记忆或上下文误差编造事实。更可靠的是模型理解需求和生成解释，事实查询、召回和排序由结构化系统完成。

用户只说想买个电脑怎么办？

先不要直接推荐 SKU，而要用最少问题澄清预算、主要用途、便携需求和是否玩游戏。也可以提供办公轻薄、游戏性能、学生性价比、设计剪辑等入口让用户选择。

如何评估 workflow 推荐效果？

离线看意图抽取准确率、商品事实准确率、候选覆盖率、人工评审相关性和解释质量；线上看点击、加购、转化、追问率、换推荐率、退货率、差评和满意度。

商业目标和用户体验冲突怎么办？

商业策略可以作为排序特征之一，但不能牺牲硬性需求和事实准确性。产品应提供不同排序模式和推荐理由，避免把高毛利或高库存商品包装成唯一最优。