我们做了一个会“理解需求、调用能力、解释推荐”的智能购物 Agent 网站
最近我们做了一个智能购物网站项目 ShopAgents：An intelligent shopping website that combines a multi-agent framework with personalized recommendation, interactive assistance, and product exploration。和传统电商页面不同，我们不想只做“商品展示 + 搜索 + 加购物车”这一套固定流程，而是希望把购物这件事做得更像一次真正的交互过程：用户不只是点分类、翻列表，而是可以直接说出自己的需求，让系统去理解、筛选、推理，并给出更合适的商品推荐结果。
这也是我们把 Agent 引入购物网站的原因。
在很多传统购物系统里，推荐往往是静态的。用户看到的是预先计算好的商品列表，系统虽然能做一些相似推荐或热门推荐，但它很难回答这样的问题：
“我预算 100 元左右，想买一个适合宿舍用、颜值别太差、最好评价也不错的东西，有没有推荐？”
这类需求天然带有模糊性、组合性和上下文依赖，已经不是单纯的关键词检索能很好解决的了。
所以，我们在这个项目里做的核心尝试，就是把购物网站从“页面驱动”升级成“Agent 驱动”。
整个系统可以理解为三层协同。
第一层是 交互层。用户在前端页面中不只是浏览商品，还可以直接进入 Agent 对话界面，用自然语言表达自己的购买需求。比如用途、预算、偏好风格、品类倾向，甚至是“不要太花哨”“更适合学生党”这种带有主观色彩的描述。系统接收到的，不再只是一个搜索词，而是一段带有意图和约束的信息。
第二层是 Agent 编排层。这也是我们觉得最有意思的部分。Agent 并不是简单把用户输入原样发给大模型，而是会围绕一次推荐任务进行拆解：先理解需求，再结合商品目录、候选策略和评分预测结果进行筛选，然后组织成更适合用户阅读的推荐答案。也就是说，它承担的不是“聊天”本身，而是一个面向推荐任务的协同决策角色。
第三层是 推荐与模型层。我们把评分预测模型、候选策略生成和结果聚合结合在了一起。这样做的意义在于，最终返回给用户的结果并不是单一来源，而是由多种推荐信号共同支撑的：一部分来自模型预测，一部分来自策略候选，一部分来自 Agent 对上下文需求的动态理解。最后再把这些信息做统一整合，输出推荐列表以及相应解释。
从工程实现角度看，这个项目也不是只停留在概念层。我们的前端负责购物页面、商品浏览和 Agent 对话交互；后端使用 Spring Boot 承接推荐中台逻辑；模型服务单独拆到 FastAPI 中，用于评分预测与推理调用。这样拆分的好处是结构更清晰，后续无论是替换模型、扩展工具能力，还是继续接入新的 Agent 策略，都比较方便。
我个人觉得，这个项目最有价值的一点，不是“做了一个会聊天的购物页面”，而是验证了一件事：Agent 可以成为推荐系统和用户之间更自然的中介层。
它不只是返回结果，还能理解约束、整合信号、生成解释，把原本偏静态的推荐流程变成更动态、更贴近真实需求的交互过程。
当然，这个项目现在还远没有结束。接下来我们还会继续完善几个方向：
一是让 Agent 具备更强的多轮上下文保持能力，让推荐过程更连续；
二是接入更多可调用能力，比如商品筛选工具、价格分析工具、偏好记忆模块；
三是进一步优化模型推荐、Agent 推荐以及融合推荐之间的协同关系，让系统不仅“能答”，还要“答得准、答得稳”。
如果你也对 Agent + 推荐系统 + 电商交互 这个方向感兴趣，欢迎来交流。我们希望这个项目不只是一个课程作品或演示网站，而是真正朝着“更智能的购物交互系统”继续迭代下去。
