一、企业业务痛点
您的企业是否曾面临这样的困境？
企业产品品类繁多，单个产品的参数常达数十上百个，类型各异（部分为数字类型，部分为文字类型），且参数重要性存在差异（例如发电机的 "输出功率" 权重远高于 "占地面积"）。
客户下单渠道分散（个人微信、企微外部用户、邮件、Excel 文件等），需求描述完整性不一 ------ 部分描述详尽，部分仅为简洁表述。此时，员工需基于对全量产品的深度理解，从多渠道需求中筛选匹配度最高的产品推荐给客户，操作难度极大。
二、传统解决方案的局限
在大模型技术普及前，这类问题通常依赖经验丰富的员工手动处理：员工需投入大量时间响应多渠道需求，提供的推荐仅基于个人判断，无法确保综合考量企业所有产品及各参数权重，推荐结果的客观性与全面性难以保障。
2025 年作为 AI Agent 元年，我们可通过开发专属 AI Agent 解决这一场景，实现产品推荐的自动化与精准化。
三、AI Agent 范式选择
如同学生写作需区分议论文、说明文、记叙文的 "套路"，AI Agent 开发也存在可遵循的标准范式（随技术迭代持续扩充）。以下重点介绍两类核心范式，并匹配业务场景选择最优方案。
RAG范式
适用场景：需查询多份非结构化材料（如行业专业文献、企业只读规章、产品说明书），或解答 SOP（标准作业流程）、FAQ（常见问题）类知识问题，且匹配需求为 "非严格匹配" 时，优先选择 RAG 范式。
核心流程：
后台处理：① 录入知识文本 → ② 文本预处理（切片、扩增） → ③ 特征提炼与向量转换 → ④ 向量库存储；
前台交互：① 选择知识领域并提问 → ② 提问内容特征提炼与向量转换 → ③ 向量库检索相关知识并排序 → ④ 关联知识传入大语言模型生成答案 → ⑤ 前端结构化呈现结果。
意图识别范式
适用场景：业务需通过自然语言触发系统操作，或需将模糊需求转换为系统操作参数，且操作可枚举、高频场景覆盖率高（多数用户需求可明确归类）时，适用意图识别范式。
核心流程：
① 对用户输入进行意图识别，关联外部数据库 / 知识库匹配特定 API；
② 调用大语言模型填充参数（需与外部数据库 / 知识库通信）；
③ 权限控制下执行查询（含业务数据处理）；
④ 后续业务逻辑处理；
⑤ 输出用户分析结论。
场景匹配结论
结合 "产品参数推荐" 场景特性，无需完整意图识别环节，仅需提取产品参数即可实现需求，因此简化后的意图识别范式为最优选择。
四、AI Agent 逐步开发流程
第0步：学习葡萄城市场的向量计算插件和对象与集合操作工具插件
葡萄城市场是葡萄城官方的生态聚集平台，其中活字格开发实验室店铺里面有两个插件是我们需要使用到的。
向量计算
image
对象与集合操作工具
image
向量计算插件
向量归一化、哈达玛积（逐元素乘法）、欧几里得距离、余弦相似度、向量缩放（标量乘法）。
我们当下需要用到的是哈达玛积和余弦相似度。
哈达玛积（Hadamard product）
对于两个维度相等的向量A=[ai]和B=[bi]，向量[ai*bi]为A和B的哈达玛积。
我们以这个向量计算插件举个例子
image
结果是
image
余弦相似度
描述的是两个向量的方向接近程度，取值范围是-1到1，-1表示完全相反，1表示完全相同，0表示互相没有关系。越接近1表示，方向越接近。
同样的，我们用向量计算插件举例子
image
显然，这两个向量是大小相等，方向相同的，那么计算出来的余弦相似度是多少呢？
image
image
这两个向量是互相垂直的，它们的余弦相似度是多少呢？
image
image
这两个向量互相相反，那么相似度是多少呢？
image
对象与集合操作工具
是用来处理数组、对象和字典等数据结构的。我们这个场景主要用的是数组操作、数组排序和在数组中查询
 - 教程)
)
)
