作者这方面，来自 Elastic Matw Adams

猜测你使用词汇的 AI 购物 agent 会犯下代价高昂的错误

预先计算的商品目录上下文会在第一次工具调用之前就阻止这种猜测。零售商正在竞相满足客户持续变化的期望，为他们提供更加丰富的在线购物体验。客户不再满足于搜索商品，他们希望获得由 AI 驱动的交互式、个性化和主动式引导。不过，

AI 购物 agent 失败的根本原因

模型本身并非问题。真正导致失败的是：agent 在每次对话开始时都不了解你的商品目录、词汇程序或业务规则。它必须通过工具调用来发现所有这些上下文，而这种发现过程就是成本所在。

• 响应延迟的观点是，助手需要四秒才能响应。
• 再看错误推荐，自信地推荐了不存在的尺码。
• 信息缺失的观点是，告知回头客关于已退回外套的信息。
• 说到分类错误。按与内部分类法不匹配的名称筛选，返回零个结果。

这些痛点导致顾客放弃并完全离开聊天直接影响转化率和收入。

上下文工程能解决什么

一个结构化的上下文层。减少 agent 必须进行探索性工具调用，从而降低延迟、token 消耗和成本，并让行为更可预测、更符合业务治理。

为什么 AI 购物 agent 在生产环境中失败

零售商发现演示所承诺与投产头几个月实际交付之间存在巨大差距。按理说，至于常见痛点，

• 响应慢: 客户期望秒级响应；多余几秒就可能导致流失，老实说，
• 误导性建议: 推荐不存在或已售罄商品。
• 重复询问: 没有利用使用者档案导致多次相同问题被提出。
• 无治理决策: 缺乏业务规则检验，如年龄验证、无麸质商品过滤等。

AI Shopping Agent 在搜索前知道什么？

"an outfit for an autumn wedding"——agent 如何处理？怎么说呢，没有先验信息时它会大量追问、猜测或执行探索性搜索。浪费时间与 token，若能提前获得答案，整个流程将变得精准、高效。

为什么电子商务不同于通用 RAG?

• 词汇程序不匹配: “navy jumper” 与索引中的规范颜色值及类别不一致，会导致错误过滤或额外探索调用。
• 幻觉式过滤值: 未了解有效字段时可能构造无效查询，如使用不存在的 “category” 字段。
• 缺乏个性化上下文: 同一查询在不同使用者间给出一样结果。无法体现私人助手体验，引发使用者失望。

上下文层需要哪些信号?

商品目录词汇程序：上下文工程基础层

This layer maps natural language to exact field values and category paths.

• Makes sense of ambiguous terms like “cozy for fall” → color: NY,category: “Knitwear & Jumpers”.
• Merges semantic search with keyword matching .
• A single semantic metadata index translates fuzzy intent into precise filter conditions.
• A one-time engineering effort to aggregate entire catalog;incremental updates as new categories/brands appear.
• If missing,agents eir guess or perform exploratory calls—both costly.

业务策略层 – 从规则到提示集成到 Agent 中去做决策支持吗？如何做，怎么实现？怎么衡量，说起来，如何监控和治理？怎么改进，怎么升级？怎么迭代升级后续版本，怎样让它更好地服务客户还有业务团队，保证遵守合规要求还有品牌一致性的原则?

The second original layer is strategy. It codifies business rules that cannot be handled by relevance alone:

• "wine gift for a friend" triggers age verification.
• "gluten‑free food gift" routes to gluten‑free product set.

The key is that se strategies are encoded as prompts that LLM can read at inference time—no inference from catalog required. Strategies must be manually written and governed because y carry legal or brand implications.

Governing Strategy Updates without Drift

• AUTOMATED SIGNAL DISCOVERY: zero‑result queries。repeated rewrites,sessions without purchase trigger candidate improvements.

Human Writing & Review Layer

如何分阶段实施上下文工程?如何快速上手，什么是关键里程碑?如何把这项技术转化为可操作性的资产?

上下文层需要什么基础设施?

上下文工程应该由搜索团队负责!