💻 computer science

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

本文提出了名为 CogSearch 的认知对齐多智能体框架，通过将电商搜索重构为主动决策支持系统，有效降低了用户的决策成本并显著提升了转化率。

原作者： Zhouwei Zhai, Mengxiang Chen, Haoyun Xia, Jin Li, Renquan Zhou, Min Yang

发布于 2026-03-13

📖 1 分钟阅读☕ 轻松阅读

原作者： Zhouwei Zhai, Mengxiang Chen, Haoyun Xia, Jin Li, Renquan Zhou, Min Yang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 CogSearch 的聪明系统，它正在京东（JD.com）上改变我们网购的方式。

为了让你轻松理解，我们可以把传统的电商搜索比作"去一个巨大的、没有导购的超级仓库"，而 CogSearch 则像是一位"懂你心思的私人购物管家"。

🛒 传统搜索 vs. CogSearch：从“找东西”到“做决定”

1. 传统搜索：像“扔石头听响”
以前的搜索系统很被动。你输入“买一个适合跑步的耳机”，它就像个只会机械执行命令的机器人，扔给你一堆符合关键词的商品列表。

你的困境：你需要自己看几百个商品，对比参数，查评论，还要自己判断哪个真的适合“跑步”。这就像让你在一堆乱糟糟的零件里自己组装一辆自行车，脑力消耗巨大（认知摩擦）。

2. CogSearch：像“有个聪明的朋友陪你逛”
CogSearch 不再只是给你列表，它模拟了人类做决定的过程。它由四个专门的“智能小助手”（Agent）组成，它们分工合作，就像一支精英顾问团队：

🧠 规划师（Planner）
- 作用：当你输入模糊的需求（比如“送女朋友生日礼物”），它不会直接搜“礼物”，而是先帮你拆解问题：“她喜欢什么风格？预算多少？需要包装吗？”
- 比喻：就像你刚进门，管家先问你：“您是想买实用的还是浪漫的？大概花多少钱？”它把一个大难题拆解成几个小任务。
🕵️ 执行者（Executor）
- 作用：它不只看京东仓库里的货，还会去互联网上“查户口”。它会搜商品参数、看全网评测、甚至查天气（比如买户外装备时看当地天气）。
- 比喻：它像个不知疲倦的采购员，不仅去货架拿货，还去网上查“这款耳机在运动圈口碑好不好”、“最近有没有降价”，把信息汇总给你。
🧭 引导者（Guider）
- 作用：当你面对太多选择犹豫不决时，它会主动帮你缩小范围。比如它发现你在看降噪耳机，会主动问：“您是在地铁用还是办公室用？如果是地铁，我推荐这款。”
- 比喻：就像商场里经验丰富的导购，不会把整个货架推给你，而是根据你的犹豫，主动递给你两三个最合适的选项，并告诉你为什么选它们。
⚖️ 决策者（Decider）
- 作用：最后，它综合所有信息（你的喜好、预算、全网评价、商品参数），直接给你一个带理由的推荐。
- 比喻：它不像冷冰冰的机器说“这是第 1 名”，而是像朋友一样说：“选这款吧，虽然它贵了 50 块，但它的电池续航特别适合你经常出差的习惯，而且全网评测都说它降噪效果最好。”

🚀 效果如何？（用数据说话）

这个系统已经在京东大规模上线了，效果非常惊人：

省脑力：用户做决定所需的“折腾次数”（比如反复搜索、点击）减少了 5%。
更爱买：整体下单率（转化率）提升了 0.41%。
难搞的订单更准：对于那些特别难选的商品（比如专业设备、复杂的礼物），下单率直接飙升了 30%！

💡 总结

CogSearch 的核心思想是：搜索不应该只是“找东西”，而应该是“帮人做决定”。

它把原本冷冰冰的“关键词匹配”，变成了一场有温度的、主动的、像真人顾问一样的对话。它不再把你扔在信息的海洋里自生自灭，而是拉着你，一步步从“我不知道要什么”走到“我知道该买哪个”，让购物变得更轻松、更聪明。

这就好比从“给你一张地图让你自己找路”，变成了“一位老司机直接把你送到目的地，还顺便告诉你哪条路风景最好”。

CogSearch 技术总结：面向电商搜索的认知对齐多智能体框架

1. 研究背景与问题定义 (Problem)

现代电商搜索引擎主要基于被动的“检索 - 排序”（Retrieval-Ranking）范式。尽管检索和排序技术已从统计模型演进至深度学习及大语言模型（LLM）辅助的语义匹配，但现有系统仍面临以下核心瓶颈：

被动响应模式：系统难以处理复杂、多属性且隐含推理需求的用户意图，无法主动辅助用户完成从“需求表达”到“决策形成”的全过程。
信息孤岛：过度依赖平台内部数据，缺乏跨平台（如外部评测、使用指南）信息的融合能力。
认知摩擦：系统仅作为“结果展示器”而非“决策辅助者”，导致用户在复杂决策场景（如高客单价、多参数对比）下面临过高的认知负荷和比较成本。

核心挑战：如何打破静态索引的限制，在动态对话中实现用户意图的深度收敛，并将碎片化的商品属性转化为结构化的决策依据。

2. 方法论：CogSearch 框架 (Methodology)

CogSearch 受西蒙（Simon）决策模型启发，将电商搜索重构为一个主动的、认知对齐的多智能体协作系统。该系统包含四个核心智能体（Agents）和一个记忆系统（Memory System），模拟人类购物认知链条：

2.1 系统架构

Planner Agent（规划器）：
- 功能：意图理解与任务规划。
- 机制：将模糊的用户查询（ $q_t$ ）结合历史搜索和点击上下文，利用 LLM 推理能力生成有向无环图（DAG）形式的任务图（Task Graph）。
- 任务类型：包括商品搜索（ProductSearch）、全网信息检索（WebSearch）和工具调用（ToolInvocation，如物流、比价）。
Executor Agent（执行器）：
- 功能：多源信息获取。
- 机制：
  - 商品搜索：采用“关键词 + 向量”混合检索，并聚合商品属性与评论摘要。
  - 全网搜索：通过“扩展 - 检索 - 过滤”流水线，融合外部权威信息（如评测、指南），利用相关性、权威性和时效性评分过滤噪声。
  - 工具集成：动态调用外部 API（如天气对物流的影响）。
Guider Agent（引导器）：
- 功能：主动决策引导与需求收敛。
- 机制：
  - 动态认知 facets 生成：基于信息增益（InfoGain）分析，生成符合用户实时决策优先级的动态过滤条件（如针对 Vlog 的“电池续航”而非通用的“电池”）。
  - 个性化购买策略：生成包含专家锚点（KPIs）和权衡分析（Trade-off）的“购买指南”。
  - 查询建议：提供收敛性查询（缩小范围）和刺激性查询（激发新需求）。
Decider Agent（决策器）：
- 功能：综合推理与最终决策。
- 机制：作为认知闭环的终端，聚合上游所有信号（商品、外部证据、交互轨迹、用户画像），基于多准则决策（MCDM）理论，输出结构化推荐对 $(d^*, R)$ ，即最优商品及其自然语言解释理由。
Memory System（记忆系统）：存储上下文、智能体状态和任务图，确保多轮对话的连贯性。

2.2 技术实现细节

模型选择：Planner 和 Guider 使用 Qwen3-4B，Decider 使用 Qwen3-8B，均经过 DeepSeek-R1 的知识蒸馏微调。
推理优化：采用 INT8 量化、缓存机制和并行调度，通过流式输出（Streaming Output）将端到端延迟控制在 1.3 秒（传统搜索为 0.8 秒），保证用户体验。

3. 主要贡献 (Key Contributions)

架构创新：提出了 CogSearch 多智能体框架，首次将电商搜索从“关键词匹配”升级为“主动决策辅助”，实现了搜索过程与用户购物认知链的精准对齐。
大规模工业验证：在京东（JD.com）平台完成了全量部署。
基准构建：提出了 ECCD-Bench 评测基准，包含 1 万条专家标注的查询 - 响应对，涵盖简单需求、复杂推理需求和咨询式查询三类任务，填补了电商认知决策评估的空白。

4. 实验结果 (Results)

4.1 离线实验 (ECCD-Bench)

整体表现：CogSearch 在复杂需求和咨询式查询场景下显著优于基线系统（在线 LLM 增强检索排序模型）。
- 复杂需求：ACC@5 从 0.48 提升至 0.83，用户满意度（UDS）从 1.92 提升至 2.79。
- 咨询式查询：UDS 从 1.81 提升至 2.88。
消融实验：
- 移除 Planner 导致复杂查询 ACC@5 下降 37.3%，证明意图分解的关键性。
- 移除 WebSearch 导致咨询类 UDS 下降 25.3%，证明跨平台信息融合的重要性。
- 移除 Guider 和 Decider 均导致 UDS 显著下降，证实动态引导和结构化推理的必要性。

4.2 在线 A/B 测试 (JD.com)

在 10% 流量进行的为期两周的测试中：

决策成本 (Decision Cost)：降低 5%（意味着用户完成购买所需的搜索和点击次数减少）。
整体转化率 (UCVR)：提升 0.41%。
高决策难度查询：对于专业解读、礼品选择、功能对比等复杂意图，UCVR 飙升 30%。
用户行为变化：长查询（>10 词）比例增加 25%，表明用户更倾向于使用自然语言进行复杂表达，系统有效降低了重复搜索的交互成本。

5. 意义与展望 (Significance)

范式转变：CogSearch 标志着信息检索从以“相关性”为中心的传统范式，向以“决策智能”和“认知协同”为中心的未来范式转变。
商业价值：通过降低用户决策门槛和认知负荷，直接提升了高价值场景下的转化率，证明了 AI Agent 在电商核心链路中的巨大商业潜力。
未来方向：计划将 CogSearch 进化为终身、多模态的购物伴侣，整合感官感知和长期认知记忆，同时进一步优化多智能体推理的计算效率。

总结：CogSearch 通过模拟人类认知流程，利用多智能体协作解决了传统电商搜索在复杂决策场景下的无力感，不仅显著提升了技术指标，更在大规模工业应用中验证了其作为“主动决策助手”的实用价值。