¹⁶

⁸

¹⁴

🤖 智能多维画像推荐 Agent 系统 - 开发笔记&项目文档 01

Mrchen

2026-01-07 20:51

阅读1619

Mrchen

2026-01-07 20:51

阅读 1619

版本: V3.0.0 状态: 开发中 开发者: 尘小风

0 写在前面的话

最近正在学习Agent开发，大半夜突然灵机一动，想做一个智能推荐系统，来给用户去智能的推荐商品/视频/文章等等的Agent系统。

最初的构想是：

对于B端

对B端（企业端）来说，可以直接按照我们规定的接口输入格式，进行用户画像信息的输入，然后Agent会自动分析用户画像，结合用户的需求，为他生成合适的商品关键词（电商场景下）/视频关键词（社交场景下）然后需要一个爬虫工具，能够根据关键词去指定电商平台（当然如果是toB场景，那就直接接入自己的内部平台就完了，都不需要爬虫了）获取商品或者视频网站获取视频链接，最好是带一些关键信息，比如商品/视频的简介，商品的价格，视频的时长等，作为最终的返回数据提供给用户，给用户提供更加精准的推荐服务
对于C端

对于C端来说，是没有办法拿到用户的画像的，所以可以加一个入口，让用户进来先回答预设的问题，从而建立多维度的用户画像，从而完成后续的步骤，最后输出上，不仅可以推荐商品/视频，还可以告诉用户他的用户画像属性（类似什么MBTI性格测试之类的，也有一定的趣味性）

经过了三轮迭代，目前的开发进展如下，欢迎各位大佬给出更多的功能、实现上的建议。

1. 项目概览

多维画像推荐 Agent 系统 是一个基于人工智能 Agent 架构的垂直领域推荐平台。该系统不依赖传统的协同过滤算法，而是通过 LLM（大语言模型）深度理解用户的自然语言回答，构建具有“人格化”特征的用户画像。

当用户发起搜索请求时，系统会结合用户画像进行意图分析，利用 RPA 技术实时抓取全网数据（电商/视频平台），并通过多个环节进行筛选、过滤和排序，最终为用户提供高度定制化的消费与娱乐方案。系统还具备“自进化”能力，能根据用户的反馈和搜索结果的质量自动修正用户画像。

2. 核心功能

多维画像构建：通过生活形态问卷，利用 AI 分析用户的购买力、价格敏感度、审美风格、科技敏感度、性格关键词等深层特征。
智能意图识别：在搜索时，AI 不是简单匹配关键词，而是结合用户画像将自然语言转化为精准的搜索关键词组合（Intent Analysis）。
全网实时聚合：集成 Selenium 自动化爬虫，支持 苏宁易购（商品） 和 Bilibili（视频） 两个维度的实时数据抓取。
智能漏斗筛选：通过 Filter 模块对海量爬取结果进行“硬性过滤”（价格/时长）和“相关性打分”，只保留最匹配的结果。
画像自进化 (Self-Evolution)：
- 被动进化：当搜索结果被大量剔除（Filter Failure）时，系统自动反思画像是否过于严苛并进行修正。
- 主动进化：当用户对推荐结果给予“踩”的反馈时，系统自动推断用户不满的原因并调整画像参数。
异步高性能架构：采用 RabbitMQ 进行任务解耦，Redis 实现分布式锁与结果缓存，SSE（Server-Sent Events）实现流式结果推送。

3. 项目亮点

🧠协同架构：系统不是单一的 LLM 调用，而是拆分为 Profile、Intent、Filter、Optimization四个独立的节点协同工作。
🔄闭环反馈机制：实现了“感知-决策-行动-反馈”的完整闭环。用户的每一次搜索失败或负面反馈，都会成为系统自我优化的养分。
🛡️双重兜底策略：前端实现了 SSE 流式推送 + 主动轮询（Polling）的双重机制，确保在网络不稳定或 SSE 连接断开时也能获取结果。
⚡高并发防护：
- Redis 分布式锁：防止对同一关键词的重复爬取，解决缓存击穿问题。
- Redis 缓存：热门搜索结果缓存 1 小时，秒级响应。
🎨沉浸式前端体验：基于 Framer Motion 的流畅动画，科技感十足的 UI 设计，支持红点消息通知和历史回溯。

4. Agent 架构与功能详解

系统核心由 IntelligentAgentService 驱动，包含以下四个主要部分：

4.1. 画像生成 (Profile Generator)

输入：用户提交的问卷答案（23道题，涵盖基础、消费、审美、科技、生活、娱乐）。
处理：分析用户回答的字面和隐含意义。
输出：结构化的 JSON 画像，包含 buyingPower (购买力), priceSensitivity (价格敏感度), aestheticStyle (审美), summary (人格化总结) 等。

4.2. 意图分析 (Intent Analyzer)

输入：用户当前的搜索词（如“想买个手机”） + 用户的完整画像。
处理：判断用户真实意图，结合画像特征（如“喜欢国货”、“参数党”）生成具体的搜索关键词。
思维链：需求分析 -> 相关性过滤 -> 关键词生成（核心词+修饰词）。
输出：SearchIntent (关键词列表)。

4.3. 结果筛选 (Filter & Selector)

输入：爬虫抓取的原始数据列表 + 用户限制条件 + 搜索关键词。
处理：
1. 硬性过滤：剔除不符合时长/价格限制的项。
2. 相关性打分：LLM 对每个候选项打分 (0-100)，剔除低于阈值（默认30分）的项。
3. 数量控制：截取 Top N 结果。
特殊机制：如果剔除率超过阈值（如50%），会触发 “Filter Failure Log”，进而唤醒优化 Agent。

4.4. 反思与修正 (Optimization)

触发条件：
1. 搜索失败：Filter 剔除了绝大多数结果。
2. 负面反馈：用户对推荐结果点击了“踩”（Dislike >= 2次）。
处理：对比“旧画像”和“失败原因/不喜欢的内容”，逻辑推断画像的偏差并进行修正。
输出：更新数据库中的 User Profile，并记录进化日志。

5. 技术架构

5.1 技术栈

前端：React 18, Vite, Tailwind CSS, Framer Motion, Lucide React (Icons).
后端：Spring Boot 3.x, Spring AI (接入 DeepSeek API), Spring Security (JWT).
数据存储：MySQL 8.0 (持久化), Redis (缓存/锁).
消息队列：RabbitMQ (异步任务解耦).
工具：Selenium WebDriver (Headless Chrome 爬虫).

5.2 数据流转图

微信图片_20260107185428_1283_536.png

5.3 数据库设计 (DomainModels)

users: 用户基础表 (username, password).
user_profiles: 用户画像表(存储 JSON 结构的画像数据，支持版本回溯).
search_histories: 搜索历史表 (Query, Keywords, ResultJSON, isRead).
agent_action_logs: Agent 行为日志表(记录画像生成、修正、推荐等关键动作).

6. API 文档

基础路径: http://localhost:8080/api/v2

6.1 认证模块

方法	路径	描述	参数
POST	/auth/register	用户注册	{username, password}
POST	/auth/login	用户登录	{username, password}

6.2 问卷与画像

方法	路径	描述	参数
GET	/questionnaire	获取问卷题目	无
POST	/questionnaire/submit	提交问卷并生成画像	{userId, answers: [...]}
GET	/user/profiles	获取用户画像历史	?userId=xxx

6.3 推荐与任务

方法	路径	描述	关键参数
POST	/recommend	发起推荐请求(异步)	userId, query, type (COMMODITY/VIDEO)
GET	/stream/{taskId}	SSE 任务进度监听	taskId
GET	/user/history	获取搜索历史	userId

6.4 反馈与通知

方法	路径	描述	参数
POST	/feedback/dislike	提交负面反馈(触发修正)	userId, [dislikedItems]
GET	/user/unread-count	获取未读消息数	userId
POST	/user/mark-read	标记所有消息已读	userId

7. 前端功能描述

7.1 欢迎与认证 (Welcome & Auth)

功能：登录/注册页，支持 JWT Token 本地存储。
视觉：动态背景，渐变文字，使用 Framer Motion 实现入场动画。
逻辑：首次登录用户会被自动引导至问卷流程，老用户直接进入主页。

7.2 生活形态评测 (Questionnaire)

功能：23 道单选题，涵盖生活方方面面。
视觉：顶部带有动态进度条，题目切换流畅。
交互：点击选项自动跳转下一题，支持“退出重测”。

7.3 全息画像展示 (Profile View)

功能：展示 AI 生成的“数字替身”。
核心板块：
- AI 总结：一句话描述用户特征（如“注重性价比的实用主义者”）。
- 维度标签：科技感、购买力、价格敏感度、审美风格的可视化标签。
- 交互：点击“开启智能推荐”进入搜索页。

7.4 智能推荐中心 (Recommend View)

功能：核心交互界面。
- 双模式切换：电商搜索(苏宁) / 视频搜索(B站)。
- 状态反馈：加载中显示 Loading 动画与实时状态文本（“AI 正在分析意图...”、“Agent 正在筛选...”）。
- 结果卡片：展示标题、描述、价格/时长、来源。
- 即时反馈：每张卡片右下角有👍 / 👎 按钮。点击不喜欢会静默触发后台 Agent 修正画像。
亮点：若有新结果推送（SSE/Polling），顶部会弹出 Toast 提示用户查看。

7.5 个人数字档案 (Dashboard)

功能：查看历史记录。
- 推荐历史：查看之前的搜索词、AI 生成的关键词以及当时的推荐结果。未读记录会有红点标记。
- 画像迭代记录：查看画像随时间变化的轨迹（版本控制），直观感受 AI 对用户认知的不断修正过程。

8 目前构想的后续开发动作

画像生成：分层画像 + 版本管理
把用户画像拆分为静态标签（如答题得出的知识水平、领域偏好）和动态标签（如历史检索需求、结果满意度），静态标签稳定更新，动态标签由优化节点实时调整。
给画像添加版本号，每次优化后生成新的画像版本，方便回溯：当调整后效果变差时，可快速回滚到上一版有效画像。
关键词提炼：双向反馈 + 多维度关键词生成
建立关键词与画像标签的映射关系（如 “知识水平低”→关键词：回复更基础、更具体；“领域偏好强”→关键词：更垂直），让关键词生成更精准。
接收筛选节点的反馈：若剔除结果过多，自动扩展关键词的同义词 / 相关词；若结果冗余，收缩关键词范围，减少无效检索。
筛选节点：多维度筛选规则 + 阈值自适应
除了结合用户需求和画像，可增加结果相关性评分（如与关键词的匹配度）、结果质量评分（如权威度、时效性）等维度，综合排序筛选，避免单一规则导致的过度剔除。
由协调节点根据历史筛选效果，自适应调整 “剔除阈值”：比如某类需求下剔除率过高，自动降低剔除严格度。
自动优化：量化优化目标 + A/B 测试机制
避免模糊调整：设定量化指标，如 “筛选结果留存率≥60%”“用户满意度≥80%”，优化节点根据指标偏差调整画像或关键词，而非凭经验调整。
引入 A/B 测试：对同一用户，并行生成两个版本的画像 / 关键词，分别推送筛选结果，根据用户反馈选择更优的版本，提升优化的准确性。