最近在做供应商匹配时，我越来越觉得，很多 B2B 匹配问题一开始不应该先做推荐算法。
至少在采购场景里，第一步不是“把买家推荐给哪个供应商”。
第一步应该是把买家的需求听明白。
很多买家的表达不是数据库字段，而是一段很自然的话：
我想找一个能做小批量 USB-C 充电器的中国工厂，主要卖到加拿大，最好能先打样。
这句话人能看懂，但系统不能直接拿它去匹配。
因为里面有些信息是明确的，有些信息是隐含的，还有一些关键字段是缺失的。
比如系统至少要拆出这些东西：
{ "product": "USB-C charger", "target_market": "Canada", "order_stage": "sample first", "quantity": "small batch", "supplier_type": "factory", "missing_fields": [ "certification requirement", "target MOQ", "power specification", "packaging requirement", "timeline" ] }
这一步我现在更愿意叫 Intent Parser，而不是简单的关键词提取。
关键词提取只知道用户提到了什么。
Intent Parser 要判断：
哪些字段已经明确；
哪些字段只是模糊表达；
哪些字段会影响匹配；
哪些字段必须追问；
哪些字段可以先给默认假设。
举个例子，如果买家说“卖到加拿大”，这不是一个普通文本。
它会影响认证、包装语言、插头标准、物流方式，甚至会影响哪些供应商适合进入候选池。
如果买家说“小批量”，系统也不能只把它理解成 low MOQ。
它还要判断这是样品阶段、试订单阶段，还是长期订单前的小批量验证。
这几个场景对应的供应商完全不一样。
所以我现在的做法是，先不急着推荐供应商，而是先生成一个比较完整的 sourcing brief。
大概流程是这样：
buyer message -> intent parser -> structured sourcing brief -> missing field questions -> supplier capability matching -> explanation
这里最关键的不是模型能不能“总结”买家的话。
总结是不够的。
真正有用的是把模糊需求变成可以比较、可以追问、可以解释的结构。
比如两个供应商都能做 USB-C 充电器，但一个适合大批量 OEM，一个适合小批量试单。
如果买家还没说清楚数量和认证，系统直接推荐任何一个，都是在猜。
我觉得很多 AI 匹配系统容易跳过这个步骤。
它们很快给出结果，看起来很智能，但如果前面的 brief 是模糊的，后面的推荐也很难稳定。
所以在我自己的系统里，我会把 Intent Parser 放在推荐算法之前。
先把问题问清楚，再谈匹配。
这件事听起来不复杂，但在 B2B 里很重要。
因为供应商匹配失败，很多时候不是因为没有供应商。
而是因为双方一开始就没有在同一组事实上沟通。
