面对复杂的购买决策，传统电商智能助手常因信息整合能力不足而显得力不从心。一项新的研究提出ProductResearch框架，通过多智能体协作，将开放网络搜索与结构化商品目录深度融合，旨在为用户提供堪比专家级别的深度产品调研报告，解决信息广度与深度不足的核心痛点。
智能速览
现有电商智能体难以满足复杂产品调研所需的信息深度和广度。
研究提出名为ProductResearch的多智能体训练框架。
该框架包含User Agent、Research Agent和Supervisor Agent，模拟真实用户行为。
通过合成轨迹蒸馏技术，有效训练具备深度研究能力的电商代理。
实验表明，该模型在响应全面性和研究深度上显著优于基线模型。
精华内容
如何让智能体像专家一样思考？ProductResearch框架给出了它的答案。
调研瓶颈
大型语言模型（LLM）驱动的智能体在对话购物中展现了潜力，但现有方法难以满足复杂产品调研所需的信息深度。例如，一个摄影师需要为特定环境选择专业相机系统，这超越了简单的商品推荐。尽管“Deep Research”范式在开放域信息合成中表现出色，但其在电商领域的迁移面临工具使用鲁棒性的挑战，无法有效整合网络知识与结构化产品目录，导致分析深度不足。
多智能体方案
为应对上述挑战，ProductResearch框架应运而生。该框架采用多智能体协作模式，核心包含三个部分：User Agent负责从用户行为历史中推断出细致的购物意图；Research Agent则执行具体的信息检索与分析任务；关键的是Supervisor Agent，它通过与Research Agent的迭代协作进行严格的质量控制与轨迹优化，确保最终输出的研究报告具有高保真度和洞察力。
轨迹蒸馏训练
训练这样一个复杂的系统并非易事。ProductResearch的核心训练方法被称为“多智能体合成轨迹蒸馏”。该过程首先利用框架模拟真实用户行为，生成大量复杂的查询和研究轨迹。随后，通过一个反思性的内化过程，将多智能体的监督交互整合提炼成连贯的单角色训练样本。这种方法不仅高效，而且可扩展，能够有效微调出具备强大研究能力的LLM智能体。
实验与效果
为了验证框架的有效性，研究团队在包含1000个真实用户画像的数据集上进行了广泛实验。结果显示，一个经过合成数据微调的紧凑型MoE模型，在响应全面性、研究深度和用户感知效用等多个维度上，均显著优于其基础模型以及Deep Research和ReAct等主流基线模型。其表现已接近前沿的专有深度研究系统，证明了该训练范式的有效性。
ProductResearch框架为电商领域带来了深度研究的新范式，有效解决了信息整合的难题。随着技术的成熟，未来的电商助手或许不仅能回答“买什么”，更能解释“为什么”，这会是下一个值得期待的改变吗？
