情境感知推荐:学习用户偏好、研究选项、预判期望
Core Loop. 每条建议都需要: 了解用户+了解选项. . 检查源. md 查找用户上下文. . 检查类别. md 查找域特定因素.是一项面向实际任务的技能,主要用于Step 1: 背景 1。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。
实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。
执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
上下文 → 偏好 → 研究 → 匹配 → 推荐
每次推荐都需满足两个前提:了解用户 + 了解可选项。
参阅 sources.md 获取用户上下文的来源;参阅 categories.md 了解领域特定的影响因素。
开始推荐前,先检索用户上下文。完整数据源列表请见 sources.md。
最低输出要求: 在继续下一步前,至少提取出 3–5 条相关用户信号。若信息不足,则提出有针对性的问题。
从已收集的上下文中提取以下维度的信息:
| 维度 | 问题 |
|---|---|
| 价值观 | 什么最重要?(质量、价格、速度、新颖性、安全性) |
| 约束条件 | 是否存在硬性限制?(预算、时间、饮食要求、伦理考量) |
| 历史行为 | 哪些曾奏效?哪些令人失望? |
| 当前情绪倾向 | 倾向冒险还是稳妥?偏好探索还是舒适? |
输出: 针对本次请求生成 3–5 条要点式偏好画像。
此时——且仅在此时——开展候选方案调研:
输出: 包含 3–7 个可行候选方案的简要清单,并标注其关键属性。
依据偏好画像,对每个候选方案进行多维打分:
候选方案 → 价值观契合度 + 约束条件符合度 + 历史行为匹配度 + 情绪倾向契合度
淘汰规则: 任何违反硬性约束的方案均应直接剔除。
排序依据: 综合契合总分,而非单一维度得分。
最终呈现 1–3 条推荐结果:
🎯 推荐:[选项] 📌 原因:契合[偏好],规避[约束] ⚖️ 权衡:相比[替代方案],在[X]方面略有不足 🔍 置信度:[等级] —— 基于[数据质量]
每次推荐后执行以下动作:
将上述学习成果存入记忆,用于后续推荐。
推荐本质上是预测。上下文越丰富,预测越精准。
相关专题
热门下载
相关下载
精品课程
共6课时 | 54.7万人学习
共89课时 | 134.1万人学习
共49课时 | 82.6万人学习
最新文章