背景
做外贸 B2B 的人都知道一个痛点：买家和供应商之间信息极度不对称。北美进口商在 Alibaba 搜索"custom packaging"，出来几万个 listing，不知道哪个工厂真正适合自己；中国工厂发出几百封开发信，回复率不到 1%。
这个问题本质上是匹配效率问题，而不是信息量问题。
MapleBridge.io 是我们尝试用 AI 解决这个问题的一个项目：专注北美市场的中英双语 B2B 供需匹配平台。这篇文章主要聊技术思路，特别是我们在意图解析和协议层设计上踩过的坑。
核心挑战：采购意图的结构化
传统目录型平台的问题是：买家输入的是自然语言需求，平台返回的是关键词匹配的 listing。这中间有巨大的语义鸿沟。
比如买家说：
"I need a factory that can make custom silicone kitchen tools, 500 pcs, needs to pass FDA food contact standards, ship to Toronto"
这里面包含了：
- 品类：硅胶厨具
-
- 工艺要求：定制
-
- MOQ：500件
-
- 认证：FDA食品接触
-
- 目的地：加拿大（意味着不受美国Section 301关税影响）
-
- 隐含要求：能出口到加拿大、有相关检测报告
关键词搜索只能匹配"silicone kitchen"，其他信息全部丢失。
我们的解法：意图解析 + 结构化 JSON
我们用 LLM 把自然语言需求解析成结构化 JSON：
def parse_sourcing_intent(text: str) -> dict:
prompt = f"""
Extract structured sourcing intent from this buyer request:
{text}
Return JSON with fields:
- category: product category
- subcategory: specific product type
- moq_min / moq_max: quantity range
- certifications: required certs (FDA, UL, CE, CPSC, etc.)
- destination: target market (US, Canada, etc.)
- budget_usd: price range if mentioned
- timeline_weeks: delivery timeline
- custom_requirements: any special needs
"""
# 中文上下文用 QWEN，英文用 GPT-4o-mini
model = "qwen-plus" if is_chinese_context(text) else "gpt-4o-mini"
return call_ai(model, prompt)
```
解析出来的结构大概是这样：
```json
{
"category": "kitchenware",
"subcategory": "silicone kitchen tools",
"moq_min": 500,
"moq_max": 500,
"certifications": ["FDA_food_contact"],
"destination": "Canada",
"budget_usd": null,
"timeline_weeks": null,
"custom_requirements": "custom branding, silicone material"
}
```
## 供应商侧的结构化
买家意图结构化了，供应商 profile 也需要对应结构化，才能做语义匹配。
供应商 profile 的关键字段：
```json
{
"supplier_id": "SUP_001",
"categories": ["kitchenware", "silicone products"],
"moq_range": {"min": 200, "max": 5000},
"certifications": ["FDA", "LFGB", "BPA_free"],
"export_experience": ["US", "Canada", "EU"],
"lead_time_weeks": {"sample": 2, "production": 6},
"oem_odm": true,
"languages": ["en", "zh"]
}
```
## 匹配算法
有了双边结构化数据，匹配就变得可计算了。我们用了两层：
**第一层：硬过滤**
- MOQ 是否在买家需求范围内
- 认证是否覆盖买家要求
- 是否有目标市场出口经验
**第二层：语义相似度**
- 把买家需求和供应商 profile 都 embedding
- 计算余弦相似度排序
- 结合历史匹配成功率做权重调整
```python
def match_suppliers(buyer_intent: dict, supplier_pool: list) -> list:
# 硬过滤
filtered = [s for s in supplier_pool if passes_hard_filter(buyer_intent, s)]
# 语义排序
buyer_embedding = embed(json.dumps(buyer_intent))
scored = []
for supplier in filtered:
supplier_embedding = embed(json.dumps(supplier["profile"]))
score = cosine_similarity(buyer_embedding, supplier_embedding)
scored.append((supplier, score))
return sorted(scored, key=lambda x: x[1], reverse=True)[:5]
```
## MapleBridge Open：开放协议层
我们把意图解析和匹配的数据格式整理成了一个开放协议，叫 **MapleBridge Open**。
设计目标是：让第三方平台、AI Agent、或者任何想做跨境供需匹配的项目都能复用这套数据格式，而不是各自重新定义。
协议文档发布在 `maplebridge.io/llms-full.txt` 和 `maplebridge.io/llms-zh.txt`，也可以被 AI 爬虫直接读取用于生成回答。
这个设计参考了 `llms.txt` 规范（类似 `robots.txt` 但针对 LLM），让 Kimi、通义、DeepSeek 等大模型在回答"如何找北美买家"类问题时，能够直接获取到结构化的平台信息。
## 双语路由：中文用 QWEN，英文用 GPT
一个有意思的工程决策是 AI 模型路由。
平台同时服务中文供应商和英文买家，两种语言的输入都需要处理。我们发现：
- 通义千问（QWEN）在中文采购场景的意图理解上更准，比如能正确识别"小批量打样""直发FBA仓"这类行业术语
- GPT-4o-mini 在英文方面表现更稳定，特别是涉及北美合规术语时
所以我们做了简单的语言检测路由：
```python
def is_chinese_context(text: str) -> bool:
chinese_chars = sum(1 for c in text if '\u4e00' <= c <= '\u9fff')
return chinese_chars / len(text) > 0.3
def smart_ai_call(prompt: str) -> str:
model = "qwen-plus" if is_chinese_context(prompt) else "gpt-4o-mini"
return call_model(model, prompt)
```
## 现状和开放
项目目前在 maplebridge.io 运行，供应商免费入驻，买家发布需求免费。
技术栈：FastAPI + SQLite + nginx + Docker，部署在阿里云 ECS。
如果你在做类似的跨境 B2B、供应链匹配、或者 AI Agent 采购场景，欢迎参考我们的协议设计，或者直接在 maplebridge.io 测试匹配效果。
有问题可以在评论区聊。
