基于深度学习的Agent Skill推荐系统：架构设计与工程实践

4次阅读

没有评论

共计 1997 个字符，预计需要花费 5 分钟才能阅读完成。

在智能对话系统中，Agent Skill 推荐是提升用户体验的关键环节。传统方案主要有两种：

规则引擎：基于预定义的 if-else 逻辑匹配用户 query 和技能。这种方案实现简单，但维护成本高，且难以覆盖复杂场景。
协同过滤：根据历史交互数据计算技能相似度。虽然能发现隐含关联，但面临严重的冷启动问题——新技能或低频技能难以获得推荐机会。

我们在实际业务中还观察到两个典型问题：

长尾分布：头部 5% 的技能占据了 90% 的请求，大量低频技能无法触达用户
语义鸿沟：用户 query 与技能名称的字面匹配度低（如 ” 帮我订机票 ” vs “ 航班预订服务 ”）

对比主流方案后，我们选择 双塔模型 + 语义匹配 的混合架构，核心考虑点包括：

BERT：在意图识别阶段表现优异，但在线推理延迟高（300ms+）
GNN：适合挖掘技能间拓扑关系，但对动态新增技能支持差
双塔模型：平衡效果与性能，通过分离用户塔和技能塔实现高效向量检索

最终方案组合：
1. 轻量级 BERT 变体（DistilBERT）处理用户 query
2. 技能侧使用静态特征（调用频次、成功率等）+ 动态 embedding
3. 混合召回策略（语义匹配 + 行为协同）

推荐系统采用经典的三层架构：

graph TD
    A[在线服务] --> B[召回层]
    A --> C[排序层]
    A --> D[策略层]

    B --> B1[语义召回]
    B --> B2[行为召回]

    C --> C1[精排模型]
    C --> C2[实时特征]

    D --> D1[业务规则]
    D --> D2[流量分配]

核心组件说明：

特征工程
用户侧：query 分词、意图分类、历史行为序列
技能侧：服务等级协议(SLA)、上下文依赖、领域标签
召回排序
一级召回：ANN 搜索（FAISS）获取 Top100 候选
精排模型：DeepFM 处理交叉特征
在线服务
基于 Flask 的轻量 API 服务
Redis 缓存热点技能特征

关键代码模块示例：

# 特征提取示例
class SkillFeatureGenerator:
    def __init__(self, skill_meta):
        self.skill_embedding = load_pretrained_embedding()

    def transform(self, skill_id):
        """生成技能特征向量"""
        meta = self.skill_meta[skill_id]

        # 静态特征
        stat_feat = [meta['invoke_count'],
            meta['success_rate'], 
            meta['avg_latency']
        ]

        # 动态 embedding
        dyn_feat = self.skill_embedding[skill_id]

        return np.concatenate([stat_feat, dyn_feat])

# 模型训练片段
def train_double_tower():
    user_model = DistilBertModel.from_pretrained('distilbert-base')
    skill_model = tf.keras.Sequential([layers.Dense(256, activation='relu'),
        layers.LayerNormalization()])

    # 对比损失
    loss = tfa.losses.TripletSemiHardLoss()

    # 自定义采样器解决长尾问题
    sampler = WeightedRandomSampler(weights=compute_class_weight('balanced', classes, y),
        num_samples=len(train_data)
    )

生产环境中我们实施了以下优化措施：