ARTICLE · 1301737
【搜推广之】电商AI助手的“多意图”困局:从单轮问答到会话级决策,技术走到哪了?
当用户说“帮我找找适合敏感肌的防晒，再查下上周订单到哪了”，AI助手需要同时处理商品搜索与订单查询，并确保“敏感肌”这个约束在后续对话中不被覆盖。这看似简单的需求，恰恰是当前电商AI助手最脆弱的环节。
电商AI助手正站在一个范式转换的关口：从“理解一句话”到“管理一段会话”。多意图交互——用户在一次对话中混合多个子任务、频繁修订偏好、重组方案——正在成为检验AI助手真实能力的试金石。然而，当前系统在这一场景下的表现远谈不上可靠。本文基于学术研究与工程实践的最新进展，梳理多意图交互的核心挑战、技术脉络与未来走向，试图呈现一幅客观的技术图景。
一、多意图为何让AI“失灵”？
多意图场景的困难是结构性的，而非单纯的模型能力不足。它主要体现在三个层面。
意图交织与约束累积。 用户一句话常混合多个子任务，系统需同时处理“商品搜索”与“订单查询”，并确保各子任务的约束（如“敏感肌”）在对话中不被后续信息覆盖。Naver购物AI Agent的实测显示，在多轮追问收窄条件时，系统常回到首轮答案或提示“无法处理”，暴露了上下文承接与约束持久化的严重不足。
状态修订与轨迹失控。 用户会频繁修改偏好、拒绝推荐或重组购物方案，这要求AI能主动将新反馈传播至整个会话状态。当前Agent在需要显式状态修订的对话中表现持续下降，在模糊、捆绑或长周期场景下，局部合理的回复与会话级的购物成功之间相关性变弱。
隐性约束与子目标依赖。 复杂购物会话存在隐藏约束和子目标依赖——用户可能先定预算，再根据预算选品牌，最后组合配件。AI需具备长程对话记忆和子目标规划能力，而传统检索或排序接口难以承载这种灵活意图。
一个值得注意的细节是：当前Agent在“意图枢轴”上的成功率接近零。当用户在对话中途从“找商品”切换到“查订单”再切回“找商品”时，模型倾向于将新意图视为对旧意图的补充，而非替换。这种“意图惯性”是结构性缺陷，而非微调可以解决的问题。
二、与传统搜推广“多兴趣”的关系：共享假设，不同层次
理解多意图交互，有必要将其与传统搜推广中的多兴趣建模做区分。二者底层共享着“用户行为存在多样性”这一核心假设，但在问题层次、信息粒度和状态管理上存在本质差异。
问题层次不同。 多兴趣建模解决的是“用户长期喜欢什么”，属于偏好层问题。它从历史行为序列中提取多个兴趣向量，每个向量代表一个长期偏好维度。用户的兴趣相对稳定，建模目标是表达多样性。多意图交互解决的是“用户此刻想做什么”，属于任务层问题。它需要在单次对话中识别并编排多个子任务，这些意图具有即时性、可组合性和状态依赖性。一个形象的类比：多兴趣建模是画用户画像，多意图交互是理解用户指令。
信息粒度不同。 多兴趣建模的粒度通常停留在品类或商品级——“这个用户对母婴品类有持续兴趣”是典型的建模输出。多意图交互的粒度要细得多，需要到槽位和约束级。“帮我找适合敏感肌的防晒，预算300以内”同时包含品类、属性约束、价格约束三个槽位，且这些槽位会跨子任务共享。
状态管理不同——这是最根本的差异。 多兴趣建模是“静态快照”：模型基于历史行为序列一次性生成兴趣表示，在推荐请求发生时是只读的。用户当前会话中的实时反馈通常作为下一轮请求的特征输入，而非增量更新已有兴趣表示。多意图交互则是“动态状态机”：会话状态在每一轮对话中都被修订。用户说“不要这个”，AI需要将这条反馈传播到所有相关的子任务。这正是当前Agent最脆弱的环节。
两者的技术演进并非割裂。多兴趣建模中的意图解耦思想正被引入对话推荐：用不同的意图感知编码器分别捕获不同的对话意图。多层级用户兴趣与多意图融合模型（MLIMI）从多个层级分别考虑用户兴趣与多意图，在预测层融合两者。LLM4AIGQ等研究则代表了更激进的融合方向：让LLM在同一上下文中拆解多个兴趣、推断各自的消费意图，传统检索被降级为下游执行接口，中间表示从“兴趣向量”变成了“意图+上下文”的结构化描述。
三、多兴趣建模的学术演进：从单向量到关系结构
推荐系统中用户兴趣建模的起点是单向量表征——将用户全部历史行为压缩为一个embedding向量。这一范式在早期深度推荐模型中占据主导地位，但很快暴露出结构性缺陷：一个用户的兴趣天然是多元的，“喜欢运动户外”和“关注数码产品”两种偏好被强行压缩到一个向量中，互相干扰。技术根源在于匹配阶段的“top-K瓶颈”：当用户有多个兴趣方向时，单向量表示的召回结果会集中在对整体损失贡献最大的那个兴趣方向上，其余兴趣的候选物品被系统性忽略。
阿里巴巴2017年提出的深度兴趣网络（DIN）是兴趣建模从静态走向动态的关键转折点。DIN引入局部激活单元，根据当前候选物品，通过注意力机制自适应地从历史行为序列中“激活”与该候选物品相关的兴趣部分。这已经蕴含了“多兴趣”的思想萌芽，但它仍然输出单一表示，只是这个表示是动态计算的。
2019年是一个分水岭。MIND首次将“多向量表征”从概念推向工业级落地，其核心设计是基于胶囊路由机制的多兴趣提取层：将用户历史行为通过动态路由聚类到K个兴趣胶囊中，每个胶囊对应一个兴趣方向的多维向量表示。MIND在天猫首页完成部署，标志着多兴趣建模从学术探索进入生产系统。ComiRec几乎同期提出，但走了一条不同的技术路线——同样提取多个兴趣向量，但强调“可控性”，通过注意力机制而非动态路由来生成兴趣表示，计算效率更高。
这一阶段的核心问题是兴趣数量K的设定。MIND和ComiRec都使用固定的K值，这带来了两个问题：不同用户的兴趣多样性差异巨大，固定K无法适配；K值增大时计算开销线性增长。后续工作开始探索自适应兴趣数量，但至今没有工业级的标准答案。
2020年代初期，研究者开始意识到“多兴趣”本身也需要分层。用户的兴趣不是平铺的K个向量，而是存在粒度层级：对“运动户外”的兴趣包含“跑步”“登山”“骑行”等子兴趣，这些子兴趣之间又有交叉和共享。多粒度意图异构会话图（MIHSG）将用户会话序列划分为不同长短的时序片段，构建异构图来捕捉不同粒度意图单元间的交互。知识图谱增强的多兴趣方法则将用户兴趣与知识图谱中的关系一一对应，用图结构显式建模兴趣之间的关联。
这些工作的共同趋势是：从“K个独立兴趣向量”走向“兴趣之间的关系结构”。这一转变为后续多意图交互中的“子任务依赖”和“约束传播”问题提供了方法论基础。
但一个根本局限始终存在：所有多兴趣模型都是只读的——它们在推荐请求发生时基于历史行为生成兴趣表示，不具备在会话中实时修订兴趣状态的能力。这正是多意图交互需要突破的边界。
四、多意图对话的工程实践脉络：从DST到模型原生状态管理
多意图交互的工程根源可以追溯到对话状态跟踪的传统框架。DSTC系列挑战赛定义了“用户目标跟踪”的基本范式：将对话状态表示为槽位-值对的集合，通过每一轮的意图识别和槽位填充来更新。这一框架在MultiWOZ等基准上达到了很高的成熟度，但它的设计假设是单意图顺序推进——用户在一个时刻只有一个活跃意图，完成后再转向下一个。多意图场景直接打破了这个假设。
前LLM时代的根本局限在于：意图分类器的容量有限。BERT微调可以覆盖200+意图，但当意图之间需要组合、嵌套或动态切换时，分类器的输出空间无法承载这种灵活性。
LLM的引入从根本上改变了技术架构。核心变化是：意图识别从分类问题变成了生成问题——LLM可以在自然语言空间中理解和分解复杂意图，不再受限于预定义的意图类别集合。
主管-专家多智能体架构成为工程上的主流范式。以电商客服场景为例，Orchestrator Agent接收用户消息，将其分类为一个或多个意图，路由给对应的专家Agent（售前、售后、物流、支付），最后整合各Agent的回复。关键设计在于多意图的顺序处理：当一条消息包含多个意图时，Orchestrator按依赖关系顺序调用专家Agent，而非并行处理。Infosys Equinox ACI采用了类似的主管道架构。多智能体检索增强生成系统进一步细化了专家分工：意图理解Agent、产品检索Agent、属性归一化Agent、对比Agent、验证Agent各司其职，并通过偏好感知重排序在多轮对话中适配推荐结果。
LLM虽然能理解复杂意图，但在零样本多意图检测上并不稳定。Divide-Solve-Combine Prompting（DSCP）框架提供了一种结构化的分解策略：先将多意图查询分解为单意图子句，再逐一求解，最后组合结果。DSCP的核心价值在于可解释性：每一步分解和求解都有明确的中间输出，使得多意图识别的错误可以被定位到具体的子句级别。这一思路正在被工程化——淘宝ShopX的Plan→Execute→Fulfill→Update四步流程，本质上是DSCP在工业系统中的变体。
多意图交互最脆弱的环节是状态修订的传播。工程上的一种解法是DAG状态机：将对话流程建模为有向无环图，每个节点代表一个意图处理步骤，状态修订通过图的边传播。但DAG方法的局限在于图的拓扑结构需要预先定义，当用户意图出现训练中未见过的组合模式时，DAG无法动态调整。ShopX提出了一个更激进的方案：将状态管理从外部状态机内化到模型本身。ShopX的Serving Harness提供用户画像、商品目录映射和多轮状态三大服务模块，模型直接操作商品空间，而非将意图翻译给外部检索系统。这消除了论文所称的“Interface Loss”——当复杂购物意图从大模型传递到外部检索系统时，场景信息不可避免地被压缩为关键词。RealShop_Agent则走了一条折中路线：在保持LLM驱动的对话能力的同时，引入显式状态管理模块和运行时守卫，其设计包含隐藏约束的elicitation、状态更新、目录grounded推荐、以及决定何时澄清/比较/推荐/确认的决策控制。
意图切换仍是几乎完全失败的环节。Amazon Lex近期增加了“控制意图切换”的功能，允许开发者通过请求属性在槽位填充过程中禁用自动意图切换，以确保当前意图的槽位被完整收集。这是一个防御性设计——通过禁止切换来避免状态污染，但代价是牺牲了多意图交互的流畅性。更根本的解法需要意图转换先验：让Agent能够预测用户下一潜在意图，并主动准备好上下文切换，而非被动等待用户发出切换信号。
五、两条脉络的汇流：接口损耗与评估收敛
多兴趣建模和多意图交互并非替代关系，而是分层协作。多兴趣建模解决的是“用户长期偏好中有哪些方向”，多意图交互解决的是“用户当前会话中要完成哪些任务”。在工业架构中，多兴趣召回负责从十亿级商品池中检索候选集，多意图交互负责在候选集上编排多步任务并维护会话状态。
但两者之间的接口正是当前最大的技术损耗点。多兴趣模型输出的是“K个兴趣向量驱动的候选列表”，而多意图交互需要的是“子任务级别的结构化商品信息”。中间缺少一层意图-兴趣对齐机制：将用户的会话意图映射到多兴趣模型中的具体兴趣维度，从而只激活相关的候选集，而非在全部候选集上做多意图编排。
评估体系的收敛正在弥合这一张力。传统多兴趣建模的评估指标是召回率/NDCG，多意图交互的评估指标是会话级购物成功率。Naver购物AI Agent的实测暴露了一个关键问题：在多轮追问收窄条件时，系统常回到首轮答案，因为多兴趣模型的静态快照无法反映会话中的条件累积。RealWorldShop基准的提出正是为了同时评估推荐质量和多轮追问下的推荐稳定性，并引入角色扮演评估来模拟真实用户的约束修订行为。E-ComAssist进一步将评估扩展到低资源、多语言环境，提供约12,000个多意图样本覆盖12种意图和3个领域。
六、未来趋势：从被动响应到主动伙伴
全模态感知与Agentic Commerce。 全模态交互正从“加分项”变为“标准配置”。Google Cloud在2026年NRF发布的Gemini Enterprise购物Agent已支持用户上传手写食谱照片，Agent自动识别食材、匹配库存、加入购物车并应用会员折扣。更具变革性的是Agentic Commerce——Agent从“信息提供者”转变为“任务执行者”，在用户授权下执行加入购物车、完成结账等操作。分析师预测Agentic Commerce市场规模在2030年将达到3万亿至5万亿美元。这意味着多意图交互的“意图”将从“查询意图”扩展到“行动意图”。
多智能体架构的深化。 Think-Then-Recommend（TTR）代表了前沿方向：基础意图提取Agent合成对话上下文与当前问题，详细意图生成Agent通过分析历史行为模式识别潜在需求，偏好对齐推荐Agent先通过嵌入空间检索产品，再通过LLM驱动的意图-产品对齐进行语义重排序。TTR的设计遵循三个支柱：可解释性、可控性、鲁棒性。其核心突破在于将长期行为模式与短期对话意图融合——传统CRS仅关注瞬时会话上下文，而TTR桥接了长期偏好与即时需求。
评估体系的范式转移。 传统指标与用户实际满意度之间存在近乎零的相关性，这暴露了评估基础设施的可靠性危机。新一代基准正在填补这一鸿沟：CarryOnBench测量LLM在多轮对话中修订意图理解并恢复效用的能力；MT-dyna发现轮级意图相关性是影响多轮评估结果的关键因素，动态评估与静态评估的差距达15%；INTENTFLUX专门测量意图漂移——被取代的旧意图继续影响最终答案的失败模式；MonitrLLM发现尽管用户对LLM交互的平均满意度达4.19/5，但仍有23.1%的用户经历了目标任务失败。这些基准的共同特征是：从“任务完成”转向“意图忠实度”，从“单轮准确率”转向“多轮状态一致性”。
七、核心挑战：三个未解的结构性问题
第一，状态修订的传播机制。 当前Agent在需要显式状态修订的对话中性能持续下降，根因是缺乏从“用户反馈”到“多任务状态更新”的有效传播路径。DAG状态机需要预定义拓扑，模型原生状态管理缺乏可解释的修订追踪。Hierarchical DRL方法提供了部分解法：高层意图元策略决定服务哪个意图，低层控制器策略执行具体对话动作，两层共享状态空间以利用跨意图的重叠信息。但这一方法依赖预定义的意图集合，无法处理开放域的意图切换。
第二，意图切换的先验建模。 意图枢轴上的近零成功率暴露了LLM的“意图惯性”——模型倾向于延续当前意图而非主动检测切换信号。需要训练数据中显式注入意图切换模式，或在推理时引入切换检测的辅助任务。最新研究区分了两种失败模式：切换后立即恢复失败（Agent能在切换后识别新意图，但无法将切换前的上下文与切换后的更新联合整合）；渐进式漂移检测失败（在长时间对话中，意图缓慢演变而非突变，系统缺乏检测机制）。
第三，多兴趣与多意图的对齐层。 多兴趣模型的候选输出和多意图交互的结构化输入之间存在表示鸿沟。填补这一鸿沟需要一种意图-兴趣映射机制，将会话意图映射到具体的兴趣维度，实现“按意图激活兴趣”而非“全兴趣集上做编排”。此外，电商领域规则的复杂性构成了另一重挑战：Mix-Ecom论文识别出真实电商场景中82条细粒度规则，当前电商Agent在处理这些规则时的主要失败模式是幻觉——生成看似合理但违反平台规则的回复。这暴露了LLM的一个根本局限：领域规则的精确性与语言模型的概率性生成之间存在结构性矛盾。
八、结语：状态的主权
未来三到五年，多意图交互的技术演进将围绕“状态的主权”展开——谁拥有会话状态、谁有权修订它、修订如何传播。当前系统在状态修订上的脆弱性，本质上是架构层面将状态管理外包给了外部组件的结果。真正的突破需要将状态管理内化到模型层面，同时保留可解释的修订追踪。这既是技术挑战，也是信任基础设施的构建。
从更宏观的视角看，AI电商正从“交易平台”演进为“生活服务中枢”。AI Agent需要在“预见层”基于多模态数据预判需求，推动“未买先供”。这对多意图系统提出了新的要求：主动意图生成（而非仅被动识别用户显式表达的意图）和跨场景意图迁移（在购物、出行、餐饮等场景间无缝切换）。与此同时，Agent对Agent的交互模式带来了新的治理挑战：当消费者的AI Agent与商家的AI Agent直接对话时，传统面向人类消费者的信息披露和同意机制可能不再适用。谁对Agent间达成的交易负责？如何确保Agent间的交互不构成价格合谋？这些问题尚无明确答案。
技术路径已经清晰——多智能体编排、结构化意图分解、强化状态跟踪——但状态修订、意图切换和长程约束持久化仍是需要持续攻克的“硬骨头”。多意图交互的本质，是从“理解一句话”到“管理一段会话”的范式转换。这个转换才刚刚开始。
