在电商领域，以下是一些常见的智能体类型及应用示例：
以“什么值得买”智能体为例，当用户输入“我想买个笔记本电脑”，智能体会先提取关键词，再通过相关 API 检索商品信息，与内置提示词组装后请求大模型回答，成为电商导购类的垂直搜索应用，在商品推荐方面效果较好。
此外，工作流（Workflow）也可理解为多智能体协作（Multi-Agents），通过多个智能体的组装解决复杂场景的搜索问题。例如给新产品取名，可定义多个智能体分别负责不同功能，还需要有调度中枢协调工作和做决策。
还有“买买买！💥产品买点提炼神器强化版🚀”智能体，专注于市场营销领域，能帮助用户从产品出发挖掘卖点并转化为买点，生成小红书文案和抖音短视频脚本等，并保存至飞书文档。
智能体可以根据其复杂性和功能分为几种类型：1.简单反应型智能体（Reactive Agents）：这种智能体根据当前的感知输入直接采取行动。不维护内部状态，也不考虑历史信息。示例：温控器，它根据温度传感器的输入直接打开或关闭加热器。2.基于模型的智能体（Model-based Agents）：维护内部状态，对当前和历史感知输入进行建模。能够推理未来的状态变化，并根据推理结果采取行动。示例：自动驾驶汽车，它不仅感知当前环境，还维护和更新周围环境的模型。3.目标导向型智能体（Goal-based Agents）：除了感知和行动外，还具有明确的目标。能够根据目标评估不同的行动方案，并选择最优的行动。示例：机器人导航系统，它有明确的目的地，并计划路线以避免障碍。4.效用型智能体（Utility-based Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动。评估行动的优劣，权衡利弊。示例：金融交易智能体，根据不同市场条件选择最优的交易策略。5.学习型智能体（Learning Agents）：能够通过与环境的交互不断改进其性能。学习模型、行为策略以及目标函数。示例：强化学习智能体，通过与环境互动不断学习最优策略。
以Kimi+的“什么值得买”智能体举例，假设用户输入“我想买个笔记本电脑”，智能体会先做Query Rewrite提取出“笔记本电脑”关键词，再通过“什么值得买”的API检索对应的商品信息，拿到检索结果后，跟智能体内置的提示词组装成上下文，请求大模型回答。于是这个智能体便成了一个电商导购类的垂直搜索()应用，在商品推荐方面有更好的回答效果。1.工作流Workflow工作流Workflow也可以理解为多智能体协作Multi-Agents，通过多个智能体的组装，解决一些复杂场景的搜索问题。比如：给新产品取名，我习惯的步骤是告诉大模型新产品是做什么的，大模型推荐几个可取的名字选择其中一个名字，去谷歌检索，是否有同名去Twitter检索是否有同名去Github检索是否有同名选择一个域名，去Namecheap搜索是否已被注册全部检测通过，确定产品名，注册域名这里涉及到一个回溯的问题，也就是在其中某个步骤发现产品名不可用，要回到第一步重新选择名字，再继续走后面的检测步骤。人工去做这件事，毫无疑问是很费时间的。AI搜索+Workflow的模式，可以有效解决这个问题。首先定义几个智能体，每个智能体完成一项功能。比如A智能体只负责给出建议的名字，B智能体负责检索谷歌是否有同名，C智能体负责检索Twitter是否有同名，D智能体负责检测Github是否有同名，E智能体负责检测可用的域名...另外还需要有一个调度中枢，协调每个智能体的工作，需要做决策，决定是继续下一步还是回溯到之前的步骤。
|智能体名称|买买买！💥产品买点提炼神器强化版🚀||-|-||智能体简介|🏷️领域：市场营销——深耕营销10年，服务上百个品牌，深谙营销理论与实践。<br>🏷️解决痛点：在市场营销领域，普遍存在这样一种现象，即往往越是专业的人，越容易讲出供给侧视角的专业语言（业内“黑话”），但用户真的听得懂/可以彻底理解吗？我们究竟是为了显得我们专业？还是为了把产品/服务卖给用户，让其付费买单？如果是后者，那是不是应该用更容易打动用户的需求侧语言来做营销呢？<br>🏷️本智能体是产品营销阶段的重要经验总结，将帮助用户从产品出发，通过沟通，准确挖掘属于产品的卖点（供给侧视角），并将他们转化成用户更友好的买点（需求侧视角），并基于此，帮助用户生成好用的“小红书文案”和“抖音短视频脚本”，并可以将内容保存至飞书文档。|