ChatGPT购物实战指南：从零搭建智能购物助手的完整流程

1次阅读

没有评论

共计 3393 个字符，预计需要花费 9 分钟才能阅读完成。

在电商场景中，传统搜索引擎存在几个明显的局限性，这些限制影响了用户的购物体验和转化率。

长尾词识别能力差 ：当用户输入非标准或模糊的商品名称时，传统搜索往往无法准确匹配到相关商品。比如搜索“上班穿的舒服鞋子”，可能无法正确识别用户想要的是“商务休闲鞋”。
个性化推荐不足 ：大多数电商平台的搜索结果是基于商品热度或简单的用户历史行为，缺乏深度的个性化。同一搜索词对所有用户返回相同结果，无法满足个体化需求。
多轮交互体验差 ：传统搜索是单次请求 - 响应模式，无法支持像自然对话那样的多轮交互来澄清需求或细化搜索条件。

OpenAI 提供了两种主要的 API 模式，各有适用场景：

Completion 模式 ：适合单次问答场景，输入一段文本，模型会继续补全。优点是简单直接，响应速度快。
Chat 模式 ：专门为对话场景优化，支持多轮对话上下文保持。这正是我们智能购物助手需要的核心能力。

建议选择 Chat 模式，因为它：
1. 原生支持对话历史管理
2. 可以识别用户意图和实体更准确
3. 提供系统消息设置，能更好地控制助手行为

要让 ChatGPT 理解商品信息，需要将商品数据转化为向量嵌入 (Embeddings)。推荐使用专门的向量数据库：

Pinecone：全托管服务，简单易用，适合快速验证
Milvus：开源方案，可自建，适合需要深度定制的场景

实现步骤：

使用 OpenAI 的 text-embedding-ada-002 模型生成商品描述的向量
将向量和商品 ID 存入向量数据库
用户查询时，先转换为向量，再做最近邻搜索

为了管理复杂的购物对话流程，需要设计状态机。以下是核心状态和转移：

stateDiagram
    [*] --> 欢迎
    欢迎 --> 商品搜索: 用户表达需求
    商品搜索 --> 商品详情: 用户选择商品
    商品详情 --> 购物车: 用户添加购物车
    购物车 --> 支付: 用户确认订单
    支付 --> [*]: 完成
    商品搜索 --> 需求澄清: 信息不足
    需求澄清 --> 商品搜索

import openai
from redis import Redis
from ratelimit import limits, sleep_and_retry

class ShoppingAssistant:
    def __init__(self, redis_conn):
        self.redis = redis_conn
        self.conversation_expire = 3600  # 1 小时对话过期

    @sleep_and_retry
    @limits(calls=60, period=60)  # 限流 60 次 / 分钟
    def chat_completion(self, messages):
        try:
            response = openai.ChatCompletion.create(
                model="gpt-3.5-turbo",
                messages=messages,
                temperature=0.7
            )
            return response.choices[0].message.content
        except Exception as e:
            # 记录错误并返回友好提示
            log_error(e)
            return "抱歉，我暂时无法处理您的请求，请稍后再试。"

    def get_or_create_conversation(self, user_id):
        """从 Redis 获取或初始化对话上下文"""
        key = f"conversation:{user_id}"
        conv = self.redis.get(key)
        if conv:
            return json.loads(conv)
        else:
            initial_conv = [{"role": "system", "content": "你是一个专业的购物助手..."}
            ]
            self.redis.setex(key, self.conversation_expire, json.dumps(initial_conv))
            return initial_conv

    def process_message(self, user_id, user_input):
        """处理用户消息的核心流程"""
        conv = self.get_or_create_conversation(user_id)
        conv.append({"role": "user", "content": user_input})

        # 调用 API 前可先做意图识别等预处理
        response = self.chat_completion(conv)

        # 更新对话上下文
        conv.append({"role": "assistant", "content": response})
        self.redis.setex(f"conversation:{user_id}", 
            self.conversation_expire, 
            json.dumps(conv)
        )
        return response

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI

# 定义询价模板
price_template = """ 基于以下商品信息，为用户生成价格分析：商品: {product_name}
市场价: {market_price}
促销活动: {promotion}
用户预算: {user_budget}
---
分析:"""

price_prompt = PromptTemplate(input_variables=["product_name", "market_price", "promotion", "user_budget"],
    template=price_template
)

# 创建询价链
price_chain = LLMChain(llm=OpenAI(temperature=0),
    prompt=price_prompt
)

# 使用示例
analysis = price_chain.run({
    "product_name": "iPhone 14",
    "market_price": "6999 元",
    "promotion": "618 限时减 500",
    "user_budget": "6500 元"
})

对话上下文使用 Redis 缓存可以显著减少 API 调用：

每个用户对话独立存储，设置合理过期时间
高频商品信息可额外缓存
使用哈希结构存储复杂对象

对于耗时操作，使用 Celery 任务队列：

from celery import Celery

app = Celery('tasks', broker='redis://localhost:6379/0')

@app.task
def async_generate_recommendations(user_id, query):
    # 复杂推荐逻辑...
    return recommendations

# 调用示例
async_result = async_generate_recommendations.delay(user.id, search_query)

使用正则表达式过滤用户输入中的敏感信息：

import re

sensitive_patterns = [r"\b\d{16}\b",  # 信用卡号
    r"\b\d{3}-\d{2}-\d{4}\b",  # SSN
]

def filter_sensitive(text):
    for pattern in sensitive_patterns:
        text = re.sub(pattern, "[REDACTED]", text)
    return text

存储对话日志前必须脱敏：