1. The Problem: Keyword Failure / 關鍵字搜尋的失效

在傳統電商架構中，搜尋引擎依賴的是「明確的關鍵字匹配 (Keyword Matching)」。 然而，「送禮」是一個高度模糊且帶有情感脈絡的使用者行為。當使用者輸入「送給剛升職的女朋友」時，傳統的 Database Query (SELECT * FROM products WHERE tag='girlfriend') 往往會回傳無效的結果（如廉價的馬克杯），導致使用者體驗斷裂 (Friction) 與跳出率上升。

問題不在於商品不夠多，而在於系統無法理解「語意脈絡 (Context)」。

2. System Architecture / 系統架構

本專案開發了一套基於 LLM (大型語言模型) 的中間層 (Middleware)，將模糊的自然語言轉化為精確的結構化查詢參數。

（User Query -> LLM Parser -> JSON Output -> Vector Search）

• Layer 3: Ranking（權重排序）：結合銷售數據與情感分數，輸出最終推薦列表。
• Input（User）：預算 3000 左右，想送給喜歡露營的工程師男友。
• Layer 1: Intent Parsing（意圖解構）：透過 Prompt Engineering，要求 AI 分析出四個維度：
• Target: Boyfriend (Engineer)
• Interest: Camping, Tech
• Occasion: Casual / Gift
• Budget: ~3000 TWD
• Layer 2：Semantic Mapping（語意映射）：系統不直接搜尋 “露營”，而是將Interest: Camping + Role：Engineer 映射到具體的商品類別，如「戶外手沖咖啡組」或「鈦金屬餐具」（符合工程師對材質的偏好）。

3. UX Strategy / 使用者體驗策略

我們引入了「Progressive Disclosure（漸進式揭露）」的互動模式。 系統不會一次丟出 100 個商品，而是扮演「導購顧問」的角色。若使用者的描述太模糊（例如只說「送朋友」），系統會自動反問（Follow-up Question）：「朋友是男生女生？平時有什麼興趣？」，透過對話收斂搜尋範圍，模擬實體店員的服務體驗。

4. Business Impact / 商業價值驗證

透過 A/B Testing 驗證，這套「情境感知推薦」相比傳統分類篩選：

證明了在電商場景中，利用 AI 處理「非結構化意圖」能帶來顯著的營收增長。