尧图网页设计 
Filtmall-Shopping-Skill 两阶段推荐机制深入解析为什么 AI 推荐要把“选择”与“校验”分开【免费下载链接】Filtmall-Shopping-SkillAgent-native shopping for extreme value: verifiable same-product price evidence, checkout, orders, delivery, and after-sales.项目地址: https://gitcode.com/gh_mirrors/fi/Filtmall-Shopping-SkillFiltmall-Shopping-Skill 是筛电Filtmall / Filtalgo官方推出的购物 Skill覆盖商品发现、同款比价证据、购物车结算、订单物流到售后的完整链路。它做 AI 购物推荐的核心是一套“两阶段推荐机制”模型只负责选择——挑哪几款、如何评分代码负责校验——候选是否来自本次搜索结果、是否超预算、分数是否合规、链接与商品是否一一绑定。把选择与校验分开正是 AI 推荐能让人敢信的原因。一句话需求一条完整购物链路 对新手来说你不需要懂任何命令。只要像聊天一样说出需求例如“想买一款 100 元以内、保湿但别太黏的面膜”Filtmall-Shopping-Skill 就能接力完成下面这些事阶段用户得到的结果发现把自然语言需求转成筛电实时商品候选决策比较价格、规格、库存、详情和需求适配度购买使用持久购物车或单 SKU 立即购买流程支付生成适合桌面网页或移动 H5 的结算入口跟进查询订单物流、管理地址、取消订单、进入售后整个能力的“剧本”写在 SKILL.md 中推荐阶段的详细规则则放在 references/product-search.md由智能体按需加载而不是把几百条规则一次塞给模型。为什么不能“一把梭”AI 推荐的一次性风险 ⚠️如果只让 AI 模型一口气完成“搜索 → 挑选 → 打分 → 写文案 → 生成链接”至少会埋下三类隐患虚构商品模型可能凭“记忆”编出一个搜索结果里根本不存在的商品链接指向别家甚至失效。排序漂移打分全凭模型当下发挥同样输入两次排名可能不同无法复现、无法审计。越界结论“口碑好”“销量第一”这类说法如果没有数据支撑就是误导同样“100 元以内”是硬预算却被模型当成“参考价”。Filtmall-Shopping-Skill 的解法很直白凡是可以用代码验证的事实绝不交给模型凡是必须理解语义的判断绝不硬编码成规则。两阶段推荐的三步走search → prepare → finalize正常推荐严格走三步每一步的输入输出都被脚本固定search取真实候选 → prepare模型选打分代码校验排序 → finalize模型写理由代码出卡片第一步 search只取真实候选搜索由 CLI 完成命令入口在 scripts/filtalgo.js 中定义。搜索返回的不是“推荐结论”而是一份候选清单每款商品带有真实的价格、规格、图片和详情链接。脚本同时会解析用户原话里的预算例如“100 元以内”记为硬预算、明确说出的“价格优先”等优先级信息生成第一阶段的评分任务。关键约束在这一阶段就写死了候选只能从本次搜索结果里选不得新增、不得重复、不得改写商品标识“预算上限”不等于“价格优先”模型不得自行改写用户优先级。第二步 prepare模型做选择代码做裁判这是两阶段机制的第一次“选择与校验”分离。模型只做语义工作从候选中挑出真正值得展示的几款按用户本轮优先级给每款打出 1.0–5.0 的综合分并列出完整的评分维度为每款写一句只基于真实属性的商品概览。随后代码接管并做四件事实现见 scripts/recommendation-two-stage.js来源校验每款候选必须能在本次搜索结果中找到对应商品否则整体报错硬预算过滤超预算的候选直接拒绝不靠模型自觉证据门控模型给了“保湿 4 分”之类的维度分但商品资料里根本没有保湿相关证据时该维度会被强制改写成“暂时无法确认”无据可依的“口碑”“畅销”等表述会被自动剔除稳定排序按综合分降序排列同分沿用搜索顺序结果可复现。排好序后脚本把“已排序候选 第二阶段任务”交回模型明确指令是不得增删候选、不得重新评分、不得改变排序。第三步 finalize只写理由产出由代码生成第二阶段的模型任务见 scripts/recommendation-two-stage.js被压缩到最小为每款候选写“为什么适合你”的推荐理由只有排名第一且评分不低于 3.5时才能给出首选否则必须说明“为什么没有可靠首选”仅在存在真实差异时提交条件式次选比如“更看重清爽可以换这款”。最后的 Markdown 正文、星级、价格、链接和同序商品卡片全部由脚本生成——模型从头到尾碰不到链接和价格的生成权。这一步保证了“文字第 1 款 卡片第 1 款”不会出现图文错位。完整的阶段说明可参考 references/product-search.md。模型与脚本的分工清单 ⚖️事项谁负责为什么理解需求、挑选候选、打分、写理由AI 模型需要语义理解规则写不全候选来源是否真实、是否重复脚本可用 ID 精确校验硬预算是否满足脚本数值比较不容解释空间维度分是否有商品证据支撑脚本防止“无据高分”排序、星级、卡片与链接绑定脚本保证结果稳定、可复现首选资格第 1 名且 ≥3.5 分脚本定门槛模型写原因资格是规则解释是语义让推荐更可信的几个小机制 证据不足就明说资料缺失的维度显示“暂时无法确认”而不是让模型猜一个分数。首选有门槛没有一款商品真正达标时宁可输出“当前没有合适的首选”也不硬推。比价必须带证据只有当前价、同款同规格对比价、来源平台、记录时间和来源链接齐全时价格优势才会展示否则整节省略。条件变化就重跑全链路多轮对话里用户新增、覆盖或取消条件比如先说“100 元以内”后说“预算优先”必须重新搜索、重新评分、重新排序不允许沿用旧结论。品牌信息只读本地已审核知识品牌概览只在能精确匹配到已审核品牌资料时展示模型只能压缩改写不能杜撰。这些规则的细节都沉淀在 references/product-search.md 与 scripts/recommendation-two-stage.js 中想深挖的读者可以对照阅读。如何快速体验 安装只需要一行命令需 Node.js 18 及以上npx skills add filtalgo/Filtmall-Shopping-Skill --skill filtmall-shopping -g装好后用这几句话就能感受两阶段推荐“想买一款 100 元以内、保湿但别太黏的面膜。”“比较第 1 款和第 3 款敏感肌更适合哪一款”“我最近一笔订单到哪里了”你会发现推荐结论有分数、有维度、有证据链接点开就是对应商品——这就是“选择与校验分离”落到用户侧的样子。小结Filtmall-Shopping-Skill 的两阶段推荐机制本质是一次清晰的职责切割模型做它擅长的语义判断代码做它擅长的严格校验。选择可以灵活但校验必须铁面无私。对普通用户而言这意味着每一款推荐都有来源、每一分都有依据对开发者而言这是一套可以直接借鉴的“让 AI 推荐可验证、可复现”的工程范式。【免费下载链接】Filtmall-Shopping-SkillAgent-native shopping for extreme value: verifiable same-product price evidence, checkout, orders, delivery, and after-sales.项目地址: https://gitcode.com/gh_mirrors/fi/Filtmall-Shopping-Skill创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Filtmall-Shopping-Skill 两阶段推荐机制深入解析：为什么 AI 推荐要把“选择”与“校验”分开
Filtmall-Shopping-Skill 两阶段推荐机制深入解析为什么 AI 推荐要把“选择”与“校验”分开【免费下载链接】Filtmall-Shopping-SkillAgent-native shopping for extreme value: verifiable same-product price evidence, checkout, orders, delivery, and after-sales.项目地址: https://gitcode.com/gh_mirrors/fi/Filtmall-Shopping-SkillFiltmall-Shopping-Skill 是筛电Filtmall / Filtalgo官方推出的购物 Skill覆盖商品发现、同款比价证据、购物车结算、订单物流到售后的完整链路。它做 AI 购物推荐的核心是一套“两阶段推荐机制”模型只负责选择——挑哪几款、如何评分代码负责校验——候选是否来自本次搜索结果、是否超预算、分数是否合规、链接与商品是否一一绑定。把选择与校验分开正是 AI 推荐能让人敢信的原因。一句话需求一条完整购物链路 对新手来说你不需要懂任何命令。只要像聊天一样说出需求例如“想买一款 100 元以内、保湿但别太黏的面膜”Filtmall-Shopping-Skill 就能接力完成下面这些事阶段用户得到的结果发现把自然语言需求转成筛电实时商品候选决策比较价格、规格、库存、详情和需求适配度购买使用持久购物车或单 SKU 立即购买流程支付生成适合桌面网页或移动 H5 的结算入口跟进查询订单物流、管理地址、取消订单、进入售后整个能力的“剧本”写在 SKILL.md 中推荐阶段的详细规则则放在 references/product-search.md由智能体按需加载而不是把几百条规则一次塞给模型。为什么不能“一把梭”AI 推荐的一次性风险 ⚠️如果只让 AI 模型一口气完成“搜索 → 挑选 → 打分 → 写文案 → 生成链接”至少会埋下三类隐患虚构商品模型可能凭“记忆”编出一个搜索结果里根本不存在的商品链接指向别家甚至失效。排序漂移打分全凭模型当下发挥同样输入两次排名可能不同无法复现、无法审计。越界结论“口碑好”“销量第一”这类说法如果没有数据支撑就是误导同样“100 元以内”是硬预算却被模型当成“参考价”。Filtmall-Shopping-Skill 的解法很直白凡是可以用代码验证的事实绝不交给模型凡是必须理解语义的判断绝不硬编码成规则。两阶段推荐的三步走search → prepare → finalize正常推荐严格走三步每一步的输入输出都被脚本固定search取真实候选 → prepare模型选打分代码校验排序 → finalize模型写理由代码出卡片第一步 search只取真实候选搜索由 CLI 完成命令入口在 scripts/filtalgo.js 中定义。搜索返回的不是“推荐结论”而是一份候选清单每款商品带有真实的价格、规格、图片和详情链接。脚本同时会解析用户原话里的预算例如“100 元以内”记为硬预算、明确说出的“价格优先”等优先级信息生成第一阶段的评分任务。关键约束在这一阶段就写死了候选只能从本次搜索结果里选不得新增、不得重复、不得改写商品标识“预算上限”不等于“价格优先”模型不得自行改写用户优先级。第二步 prepare模型做选择代码做裁判这是两阶段机制的第一次“选择与校验”分离。模型只做语义工作从候选中挑出真正值得展示的几款按用户本轮优先级给每款打出 1.0–5.0 的综合分并列出完整的评分维度为每款写一句只基于真实属性的商品概览。随后代码接管并做四件事实现见 scripts/recommendation-two-stage.js来源校验每款候选必须能在本次搜索结果中找到对应商品否则整体报错硬预算过滤超预算的候选直接拒绝不靠模型自觉证据门控模型给了“保湿 4 分”之类的维度分但商品资料里根本没有保湿相关证据时该维度会被强制改写成“暂时无法确认”无据可依的“口碑”“畅销”等表述会被自动剔除稳定排序按综合分降序排列同分沿用搜索顺序结果可复现。排好序后脚本把“已排序候选 第二阶段任务”交回模型明确指令是不得增删候选、不得重新评分、不得改变排序。第三步 finalize只写理由产出由代码生成第二阶段的模型任务见 scripts/recommendation-two-stage.js被压缩到最小为每款候选写“为什么适合你”的推荐理由只有排名第一且评分不低于 3.5时才能给出首选否则必须说明“为什么没有可靠首选”仅在存在真实差异时提交条件式次选比如“更看重清爽可以换这款”。最后的 Markdown 正文、星级、价格、链接和同序商品卡片全部由脚本生成——模型从头到尾碰不到链接和价格的生成权。这一步保证了“文字第 1 款 卡片第 1 款”不会出现图文错位。完整的阶段说明可参考 references/product-search.md。模型与脚本的分工清单 ⚖️事项谁负责为什么理解需求、挑选候选、打分、写理由AI 模型需要语义理解规则写不全候选来源是否真实、是否重复脚本可用 ID 精确校验硬预算是否满足脚本数值比较不容解释空间维度分是否有商品证据支撑脚本防止“无据高分”排序、星级、卡片与链接绑定脚本保证结果稳定、可复现首选资格第 1 名且 ≥3.5 分脚本定门槛模型写原因资格是规则解释是语义让推荐更可信的几个小机制 证据不足就明说资料缺失的维度显示“暂时无法确认”而不是让模型猜一个分数。首选有门槛没有一款商品真正达标时宁可输出“当前没有合适的首选”也不硬推。比价必须带证据只有当前价、同款同规格对比价、来源平台、记录时间和来源链接齐全时价格优势才会展示否则整节省略。条件变化就重跑全链路多轮对话里用户新增、覆盖或取消条件比如先说“100 元以内”后说“预算优先”必须重新搜索、重新评分、重新排序不允许沿用旧结论。品牌信息只读本地已审核知识品牌概览只在能精确匹配到已审核品牌资料时展示模型只能压缩改写不能杜撰。这些规则的细节都沉淀在 references/product-search.md 与 scripts/recommendation-two-stage.js 中想深挖的读者可以对照阅读。如何快速体验 安装只需要一行命令需 Node.js 18 及以上npx skills add filtalgo/Filtmall-Shopping-Skill --skill filtmall-shopping -g装好后用这几句话就能感受两阶段推荐“想买一款 100 元以内、保湿但别太黏的面膜。”“比较第 1 款和第 3 款敏感肌更适合哪一款”“我最近一笔订单到哪里了”你会发现推荐结论有分数、有维度、有证据链接点开就是对应商品——这就是“选择与校验分离”落到用户侧的样子。小结Filtmall-Shopping-Skill 的两阶段推荐机制本质是一次清晰的职责切割模型做它擅长的语义判断代码做它擅长的严格校验。选择可以灵活但校验必须铁面无私。对普通用户而言这意味着每一款推荐都有来源、每一分都有依据对开发者而言这是一套可以直接借鉴的“让 AI 推荐可验证、可复现”的工程范式。【免费下载链接】Filtmall-Shopping-SkillAgent-native shopping for extreme value: verifiable same-product price evidence, checkout, orders, delivery, and after-sales.项目地址: https://gitcode.com/gh_mirrors/fi/Filtmall-Shopping-Skill创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考