1. 业务背景：同一件商品，在不同国家有不同的评价
跨境电商选品中，商品的质量和功能只是判断的一部分，还要考虑当地消费者的生活方式。同样是帐篷，日本用户的搜索中经常出现轻量、单人、紧凑收纳等词；挪威用户则更关注四季使用、抗风、雪裙。这两组需求都合理，却很难用一套全球通用的选品标准覆盖。
这些差异过去主要依靠国家运营的经验判断，难以覆盖所有国家和品类。我们希望把经验整理成可复用的数据：对每个国家近 30 天内有曝光的商品，从当地消费者的视角判断偏好程度，分为强偏好、弱偏好、中立、弱反感、强反感五档。运营可以据此圈选货盘，搜索和推荐可以把档位作为分发信号，行为数据稀疏的长尾国家也能获得冷启动依据。
问题在于，商品达到千万量级，再叠加国家维度，逐件调用大模型的成本和时效都难以接受。偏好又是主观的，既没有现成的完整标注，也不能仅凭文化常识或成交数据下结论。方案需要同时回答两个问题：如何把本地偏好落实到商品特征上，如何在大规模计算中保留判断的准确性。
2. 技术方案：先生产可复用的知识，再逐层判断商品
我们把知识生产和逐件判断分开。Agent 在“国家 × 需求单元”粒度生产偏好知识；标签扩散利用这些知识覆盖全量商品；决策模型再校准低置信商品和重点品池，少量冲突或灰区样本交给大模型或人工复核。这样，检索和多步推理只需围绕一类需求开展，产出的知识可以被同类商品反复使用。
这就是本文的分层 Agent 架构。下面沿着数据流，说明每一步如何衔接。
2.1 数据基座：让国家知识与商品使用同一套标签
首先要确定分析粒度。单个商品太细，同一需求分散在大量商品上，很难统计出稳定规律；大类目又太粗，会把不同用途混在一起。我们以“品类词 × 三级类目”划分需求单元，把表达相近、需求同源的商品归入同一组，再比较各国在组内的偏好差异。
另一项基础是商品营销画像。通过多模态模型读取图片、标题、属性和详情，我们抽取颜色、材质、功能、风格、人群、季节、场景等信息，按固定结构输出，覆盖 20 个公共维度、70 多个子维度。
国家知识也沿用这套标签。例如，“当地冬季寒冷”还不能直接用于选品，需要进一步落实为“四季帐、抗风、带雪裙”等商品特征。统一表达之后，国家知识描述偏好哪些特征，商品画像描述具备哪些特征，两者才能匹配。
2.2 知识生产：结合站内行为与站外证据
站内数据能反映真实需求，但会受供给结构影响，在小国家也较稀疏。站外知识可以解释气候、文化和生活方式，却未必对应平台上的实际需求。我们把两类证据结合起来使用。
站内从搜索词和有消费行为的商品画像中提取标签，在每个需求单元内比较该国与全球的标签分布。Lift 衡量差异有多大，P-value 检验差异是否具有统计意义。两者共同筛选，避免把小样本的偶然波动，或大样本下微弱但显著的差异，直接当成本地偏好。
站外由 Agent 联网检索和推理，输入国家、需求单元及站内头部标签，输出偏好标签、反感标签和理由。站内标签在这里约束推理范围，减少宽泛的文化描述，也让输出能与实际商品画像对齐。
以帐篷为例，两类证据得到的结果如下：
在这组样本中，轻薄、速开是日本的偏好特征，却可能不适合挪威的冬季户外需求。结论来自具体需求与证据的对应，不能据此认为一个国家的所有消费者都有相同偏好。
接下来，对站内行为信号与站外证据进行交叉核验，将两侧共同支持且具有明确证据依据的标签作为优先锚点，命中这些标签的商品分别组成偏好锚点和反感锚点。再汇总锚点商品的高频标签和对应理由，形成该国在这一需求单元下的品类偏好知识。
锚点商品和品类知识是两种不同的产出。 前者为标签扩散提供参照，后者把参照中的规律整理成知识，既能解释选品结果，也能作为后续决策模型的输入。
2.3 标签扩散：从锚点商品覆盖到全量商品
锚点品池只包含百万级高置信商品，不能直接覆盖全量。我们在每个“国家 × 需求单元”内，用 TF-IDF 对标签加权，再计算商品与偏好锚点、反感锚点的相似度，映射到五档。
加权的作用是突出有区分度的特征。“帐篷”“户外”几乎出现在所有商品中，对区分偏好帮助有限；“雪裙”“DCF 面料”等标签更能体现差异。通过标签向量计算，锚点判断可以扩散到千万量级商品，无需逐件调用模型。
扩散同时给出置信度。画像标签少、与两类锚点都不接近，或处在档位边界附近的商品，留给下一层处理。对于站内数据不足的长尾国家，则根据偏好标签分布和分层商品的重合程度，迁移相似国家的结论，再结合本国站外知识补充判断。
2.4 决策模型：校准标签难以判断的商品
标签扩散存在局限。同一件商品可能同时命中偏好和反感标签，特征之间的组合关系也难以完整表达。例如，在美国的测试样本中，某件商品与“烧烤”锚点在标签上相似，实际却是太阳能烤箱，与当地用户期待的炭烤或燃气烤架不同。这类商品需要逐件做更综合的判断。
我们引入决策模型承担这一层。以 JEV 为代表的决策模型，可以根据自然语言描述的任务，对固定候选输出概率，无需先生成一段回答再解析成分类结果。它支持是非、单选和打分等题型，适合偏好分档这类结构化判断。实测文本决策模型的单件时延约为 70–500 毫秒，使低置信商品的逐件判断在时效上变得可行。
决策模型读取商品标题、类目、营销画像，以及前面形成的国家品类知识，对低置信商品和重点品池重判。结果用于调整档位，也回流修正品类知识。它与标签扩散共同构成逐件判断链路，Agent 则负责上游可复用的知识生产。
图注：底层语义标签覆盖全量（①–⑦），顶层决策模型精修低置信商品（⑧）
3. 主观判断的难点：模型为什么总说“会喜欢”
决策模型降低了逐件判断的成本，但直接问“当地消费者是否喜欢这件商品”，效果并不理想。
初版遵循模型提示词指南，把事实放入 state（判断所用的上下文），问题单独提问。输入已经包含商品信息和国家品类知识，每件商品回答是否偏好、偏好强度、风格归属、反感风险四道题。
我们选了六个在标签分类中较难判断的先导单元，每个单元取 100 件商品，一半来自现行分层的强偏好档，一半来自强反感档。韩国睡衣的初版测试中，强偏好档有 98% 被判为偏好，强反感档却只有 22% 被判为不偏好。两端商品的得分高度重叠，难以用于区分。
这些档位来自标签扩散，并不等于人工真值；强反感档被重新判为偏好，也可能是在纠正原有误判。不过，结合评判模型对照和多模型测试，仍能观察到直接提问时普遍偏向肯定回答的现象，我们称之为“说好倾向”。
换问法、补充判据、减少输入信息，都没有明显改善。把问题拆成风格、场景、尺码等多道是非题，偏差甚至加重：如果每道题仍在问“是否合适”，模型可能在所有维度上一起倾向肯定。
用多维 Likert 量表保留判断的程度
营销研究常用 Likert 量表测量品牌态度、购买意向等难以直接观测的主观概念：给出陈述，让回答者从“非常不同意”到“非常同意”分级作答，再结合多个题项衡量不同侧面。我们借鉴这一方式，把商品偏好拆成五个维度，用打分题代替直接的是非判断。
五题沿用同一份 state，其中既有商品画像，也有该国的品类偏好知识。每题按五级态度打分，最后取均值并归一化到 0–1，作为分层的合成信号，不额外设置否决规则或乘法惩罚。
与此前拆成多道是非题相比，量表允许模型给出中间分值，各维度也更容易反映不同短板。比如一件连衣裙的材质和做工没有明显问题，风格或适配维度却可能偏低。分维度判断后，这些差异才有机会体现在合成分中。
量表并不能保证消除系统偏差，多题平均也不意味着偏差会自动抵消。它在本项目中的价值，需要看相同样本、相同参照下，判断的区分度是否改善。
4. 效果与应用：覆盖、精度和成本
4.1 评测参照与标签扩散效果
偏好没有唯一标准答案。我们先选择代表性的国家和品类，由当地运营人员对商品标注并写明理由，再以这些标注调试多模态大模型。当模型与人工标注的一致率超过 90% 后，用它作为后续离线评测的评判模型。
标签扩散覆盖全量曝光商品。采样评测中，从强偏好到强反感，五档一致率分别为 82.13%、79.62%、78.40%、80.93%、81.96%。这些是多次评测的平均结果，不同采样批次仍存在波动。我们更看重两端特征是否鲜明、中间档位是否大体有序。
4.2 量表改善了部分难判单元
在六个先导单元上，用微软 D1 比较直接提问与五维量表，结果如下：
表中指标均为与评判模型的一致率。先导单元选取的是标签扩散中较难判断的商品，与全量标签扩散的采样范围不同，两组结果不能直接横向比较。
日本连衣裙提升最大。测试中的部分超短、紧身款式，直接提问时仍被打高分；拆出风格和适配维度后，与当地偏好的差异得到更明确的体现。德国运动鞋基本没有提升，韩国睡衣略有下降，说明量表的收益存在品类差异，不能推广为所有主观任务都有效。
4.3 图像输入与成本取舍
德国运动鞋的一些问题，例如夸张鞋底、配色和整体廉价感，在标题和属性中表达不充分，需要看图。JEV 1.14 在这一单元的带图一致率为 69%，纯文本为 56%；但带图时延约为纯文本的 6–8 倍，在法国香水等单元中也没有带来提升。因此，是否带图要按品类及实际效果分流。
费用方面，测试中处理 1600 件商品，参照多模态大模型约需 20 美元，文本决策模型为 0.2–0.4 美元，约为前者的 1/50–1/100。这是当时模型与请求配置下的费用对比，不能直接等同于整套方案的总成本。上游知识生产、画像抽取和灰区复核仍有各自的开销。
5. 经验与后续工作
国别化的商品标签已经在搜索推荐，用增选品和营销大促等场域进行了落地并取得了初步的效果。这次实践中，统一标签让国家知识能够落实到商品，分层计算让知识被大规模复用，决策模型则为难判商品提供了较低成本的逐件校准方式。量表属于这条校准链路中的提问方法，与上游知识生产和标签扩散共同服务于同一个偏好分层任务。
目前的限制也比较明确：离散标签会丢失部分特征组合关系；量表只在微软 D1 和六个先导单元上做了验证；评判模型仍是经人工校准的模型参照，无法代替真实消费者。后续需要扩大人工抽检和多模型测试，并通过线上实验确认分层结果的业务价值。
对于类似的大规模主观判断任务，我们的经验是先确定哪些知识可以复用，再决定哪些样本值得逐件推理。判断粒度和计算资源的分配，会直接影响方案能否长期运行。
6.关于我们
我们是阿里国际-智能技术-AE 营销算法团队，致力于融合大模型 Agent 技术、智能权益与生成式推荐等技术构建全球化智能营销体系，通过更深刻地洞察各国消费者的偏好差异与决策逻辑，持续助力平台增长与商家经营效率的提升。近年来我们在前沿算法领域持续深耕，相关能力已在全球多国市场的大促与日常经营中规模化落地。也欢迎感兴趣的同学加入我们，共同开创全球化 AI 营销的新篇章。
点击上方名片，关注我们吧～