CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search

Título: CogSearch: Um Framework Multi-Agente Alinhado Cognitivamente para Suporte Proativo à Decisão em Pesquisa de E-commerce

1. Problema Identificado

Os motores de busca de e-commerce tradicionais operam sob um paradigma passivo de "recuperação e classificação" (retrieval-ranking). Embora eficientes para consultas simples, eles falham em cenários de tomada de decisão complexa, onde os usuários enfrentam:

• Fricção Cognitiva: Os sistemas atuais funcionam como "exibidores de resultados" em vez de "facilitadores de decisão", sobrecarregando o usuário com a necessidade de comparar manualmente múltiplos atributos.
• Limitação de Dados: A dependência exclusiva de dados internos da plataforma impede a integração de informações externas (como reviews, guias de uso e tendências de mercado).
• Resposta Passiva: A incapacidade de lidar com necessidades implícitas, raciocínio multi-atributo e consultas consultivas, resultando em altos custos de decisão e baixa conversão em cenários complexos.

2. Metodologia: O Framework CogSearch

O CogSearch redefine a busca em e-commerce como um processo colaborativo de tomada de decisão, inspirado no modelo de decisão de três estágios de Herbert Simon (Inteligência, Design, Escolha). O sistema utiliza um framework multi-agente composto por quatro agentes especializados que mimetizam o fluxo de trabalho cognitivo humano:

• Agente Planejador (Planner Agent):

  • Atua como o motor de orquestração cognitiva.
  • Transforma consultas ambíguas em um Grafo de Tarefas (DAG) executável.
  • Decompõe a intenção do usuário em tarefas atômicas: busca de produtos, busca na web e invocação de ferramentas (ex: APIs de logística ou comparação de preços).
  • Utiliza LLMs para mapear o contexto dinâmico (consulta atual, histórico de busca e cliques) para a estrutura de tarefas.

• Agente Executor (Executor Agent):

  • Responsável pela aquisição de informações de múltiplas fontes.
  • ProductSearch: Recupera candidatos do inventário interno usando uma arquitetura híbrida (fusão de palavras-chave e vetores semânticos) e gera resumos de prós/contras.
  • WebSearch: Integra dados externos em tempo real através de um pipeline "Expandir-Recuperar-Filtrar", avaliando relevância, autoridade e frescor.
  • Tool Integration: Invoca APIs externas dinamicamente (ex: impacto do clima na logística) quando gatilhos contextuais são detectados.

• Agente Guia (Guider Agent):

  • Foca na orientação proativa da decisão e convergência de demanda.
  • Geração de Facetas Cognitivas Dinâmicas: Em vez de filtros estáticos, gera filtros hierárquicos e personalizados baseados na variação semântica entre os itens recuperados e o estado cognitivo do usuário.
  • Estratégia de Compra Personalizada: Sintetiza especificações, conhecimento web e preferências históricas para criar "Guias de Compra" que analisam trade-offs (custo vs. desempenho).
  • Sugestões de Consulta: Oferece consultas convergentes (para refinar a busca) ou estimulantes (para expandir a busca com base em necessidades latentes).

• Agente Decisor (Decider Agent):

  • Atua como o nó terminal de raciocínio, fornecendo "fechamento cognitivo".
  • Agrega o contexto holístico (itens candidatos, evidências externas, histórico de interação e perfil do usuário).
  • Executa Tomada de Decisão Multi-Critério (MCDM) usando LLMs para avaliar candidatos em quatro dimensões: Desempenho Funcional, Viabilidade Econômica, Confiabilidade e Adesão a Restrições.
  • Gera uma recomendação final não apenas como uma lista, mas como um par (Item Ótimo, Racional) explicando por que aquele item se encaixa no cenário específico do usuário.

• Sistema de Memória: Atua como o hub central para armazenar e atualizar todo o contexto, estados dos agentes e o grafo de tarefas, garantindo coerência ao longo da interação.

3. Contribuições Principais

1. Inovação Arquitetural: Proposição do framework CogSearch, que alinha o processo de busca com a cadeia cognitiva de compras do usuário, substituindo a correspondência de palavras-chave por assistência ativa à decisão.
2. Validação Industrial em Grande Escala: Implementação completa na JD.com (uma das maiores plataformas de e-commerce da China), demonstrando a viabilidade técnica e comercial do modelo.
3. Métricas de Desempenho: Evidência empírica de que a abordagem multi-agente supera significativamente os sistemas tradicionais em cenários complexos e consultivos.

4. Resultados Experimentais

Os resultados foram validados através de benchmarks offline (ECCD-Bench) e testes A/B online na JD.com.

• Benchmarks Offline (ECCD-Bench):

  • O CogSearch superou o sistema base da JD.com em consultas complexas e consultivas.
  • Acurácia (ACC@5): Aumentou de 0,48 para 0,83 em necessidades complexas.
  • Satisfação do Usuário (UDS): Melhorias significativas em todas as categorias, com destaque para consultas consultivas (de 1,81 para 2,88).
  • Estudos de ablação confirmaram que a remoção de qualquer agente (especialmente o Planejador e o Guia) degrada severamente o desempenho em cenários complexos.

• Testes A/B Online (JD.com):

  • Redução de Custo de Decisão (Decision Cost): Diminuição de 5% no número médio de interações (buscas + cliques) por transação.
  • Taxa de Conversão de Usuário (UCVR): Aumento médio de 0,41% na UCVR geral.
  • Impacto em Consultas Complexas: Um aumento notável de 30% na UCVR para consultas pesadas em decisão (ex: seleção de presentes, comparações funcionais, interpretação de produtos profissionais).
  • Comportamento do Usuário: Aumento de 25% na proporção de consultas longas (>10 palavras), indicando uma mudança para expressões em linguagem natural mais ricas.

• Desempenho de Latência: Apesar de adicionar complexidade, o sistema mantém uma latência média de ponta a ponta de 1,3s (vs. 800ms do tradicional) através de otimizações como quantização INT8, cache e saída em streaming.

5. Significado e Conclusão

O CogSearch representa uma mudança fundamental no paradigma de recuperação de informação, transitando de sistemas centrados na relevância para um futuro de inteligência de decisão colaborativa e holística.

• Impacto Comercial: Demonstra que a redução da fricção cognitiva através de assistentes proativos gera conversão direta e maior eficiência para o usuário.
• Futuro: O trabalho abre caminho para assistentes de compras "multimodais" e de "memória de longo prazo", capazes de atuar como companheiros de compra ao longo da vida do usuário, otimizando o raciocínio multi-agente sem comprometer a profundidade da análise.

Em resumo, o CogSearch não apenas recupera produtos, mas compreende, planeja e executa a jornada de decisão do usuário, transformando a busca em e-commerce em um processo de consultoria inteligente.