淘天商品知识库实践，让店铺 AI 导购更懂商品
消费者问“这款粉底液适合什么肤质”“两个 SKU 有什么区别”时，AI 导购需要找到当前店铺、当前商品的可靠知识，再组织成回答。商品详情、商家 FAQ、说明书和平台生成的知识，都要能被检索，也要跟得上商品信息的变化。
淘天在推进电商业务 AI 化的过程中，建设了统一的商品知识库体系，并选择 Milvus 承载商品知识和 FAQ 的向量检索，为店铺 AI 导购提供知识支持。店铺 AI 导购已在美妆、消费电子等重点行业落地，覆盖商品推荐、知识问答、使用指导和售后说明等服务。
对于同样需要建设商品知识库、智能客服或企业 RAG 应用的团队，推荐优先评估阿里云 Milvus。 淘天的实践提供了一条可参考的应用路径。阿里云 Milvus 则在兼容开源 Milvus 生态的基础上，提供全托管服务，并通过自研内核、磁盘索引和向量湖能力，为不同规模与检索需求提供更多选择。
从自然语言提问到可用的商品知识
商品信息分散在标题、属性、详情页、客服话术和商家文档中。同一个问题可能有多种表达，答案也可能需要综合多个知识来源。知识库既要理解问题的语义，也要明确答案属于哪个店铺、商品和 SKU。
淘天商品知识库面对的需求主要集中在以下几个方面。
淘天此前在其他产品中使用过兼容 Redis 的云 Tair 进行向量搜索。本次商品知识库的选型，则围绕更大规模的 FAQ、wiki 数据，以及店铺、商品、SKU 过滤和持续更新需求展开。Milvus 与这类知识库的需求更为契合。
Milvus 如何进入店铺 AI 导购链路
商品知识库采用知识生产、审核治理、分层存储和在线消费的完整流程。Milvus 负责其中的向量存储与语义检索，业务系统负责知识生产、审核和业务范围约束，大模型根据召回内容生成回答。
将平台知识与商家知识统一纳入管理
平台侧基于商品详情、SKU 信息、图片、参数、评价、问大家和交易等数据，通过算法和大模型生成商品 wiki，涵盖商品卖点、使用说明、规格参数、适用场景、履约与服务说明等内容。
商家侧支持 FAQ 新增、编辑、删除和 Excel 批量导入，也支持上传说明书、教程、证书、PDF、PPT 等文件，并对平台生成的 wiki 进行标注修正。
入库前，平台通过自动化评测、商家修正、小二审核、版本管理、冲突检测和质量打分等环节进行治理。审核通过的内容再进入后续检索流程。
商家可对商品知识进行批注和修正，审核通过后再同步到知识检索链路。
FAQ 管理支持商家持续补充和维护商品问答。
分层存储，让各类数据承担清晰的职责
在进入 Milvus 前，知识内容完成清洗、切片和向量化。FAQ 与 wiki 分别组织检索，业务系统可以按问题和知识类型调用相应链路。
商品知识库系统架构。Milvus 位于 RAG 检索层，连接知识治理流程与下游 AI 应用。
在业务范围内召回知识，再交给大模型回答
消费者发起提问后，系统先对问题进行向量化，并识别 sellerId、itemId、skuId 等业务约束，再从 Milvus 中检索相关 FAQ 和 wiki 知识。召回内容与商品元数据、历史记忆和会话上下文一起组织后，交给大模型生成回答，并通过验证和反馈机制持续优化。
以“这台冰箱的母婴模式和珍品模式有什么区别”为例，FAQ 可以提供商家维护的标准解释，wiki 可以补充说明文档中的功能细节。检索时限定店铺、商品和 SKU 范围，有助于减少引用其他商品知识的风险。
商家新增 FAQ、修正商品说明，或平台重新生成 wiki 后，相关内容经过相应治理流程并完成向量同步，即可进入后续检索。知识更新的实际生效时间取决于审核、同步和检索可见性等完整流程。
这套实践带来的价值
让知识覆盖更完整。 FAQ 承接高频咨询，商品 wiki 补充使用教程、参数差异、适用条件和细粒度 SKU 信息，为复杂、长尾问题提供更多可引用内容。
让召回更贴近业务。 向量相似度与店铺、商品、SKU 条件共同参与检索，帮助 AI 导购在明确的业务范围内寻找答案。
让商家维护的知识进入实际问答。 FAQ、说明文档和批注修正通过审核后进入检索链路，商家的知识维护可以直接服务消费者咨询。
为更多 AI 应用复用知识。 同一套商品知识可进一步服务详情页 AI 助手、客服和搜索导购，也为后续扩展品牌、品类、SPU 等层级的知识留下空间。
为什么这类场景推荐阿里云 Milvus
对于准备将知识库投入生产的团队，检索效果、资源成本和长期运维都需要纳入选型。阿里云 Milvus 提供兼容开源 Milvus 的全托管服务，支持弹性扩展和监控告警，适合希望沿用 Milvus 生态、减少集群部署与日常运维投入的团队。了解阿里云 Milvus。
结合淘天案例中的需求，可以从三个方向进一步评估阿里云 Milvus。
在线问答关注响应效率，可进一步了解 EAGLE
店铺 AI 导购需要将检索接入在线问答，召回率、吞吐和尾延迟会共同影响用户体验。阿里云 Milvus 的自研 EAGLE 内核面向全内存及内存与磁盘混合场景优化检索性能与资源效率，为这类需求提供了值得关注的引擎选择。
推荐阅读 阿里云 Milvus 自研内核 EAGLE 发布，向量检索的 SOTA，我们决定自己造
适合关注在线 RAG、向量召回性能和性价比的团队。文章中的基准测试可用于理解优化方向，具体选型仍应结合自身向量维度、过滤条件、召回目标与并发进行验证。
数据持续增长或需要更大候选集，可进一步了解磁盘索引
当商品知识、历史资料和多模态数据持续积累，团队需要同时考虑检索能力与内存开销。阿里云 Milvus 的磁盘索引优化面向海量向量检索，也覆盖百万级 TopK 的大规模召回需求。
推荐阅读 阿里云 Milvus 磁盘索引新利器，百万级 TopK 高性能召回
适合关注大规模向量容量、资源成本，以及训练数据筛选等大候选集召回任务的团队。日常导购问答通常只需要有限的相关片段，应根据后续重排与生成需要设置 TopK。
数据已沉淀为 Lance 格式，可进一步了解向量湖
如果数据已经以 Lance 格式保存在 OSS 上，可以进一步评估阿里云 Milvus 向量湖，了解如何在已有湖上数据之上提供向量检索服务，减少重复搬运和维护多份数据的工作。
推荐阅读 Lance 数据检索怎么选，当然阿里云 Milvus 向量湖
适合已经采用 Lance 数据格式，或正在规划湖上向量检索的团队。原始文档存放在 OSS 与向量湖采用的 Lance 数据组织方式有不同要求，需要结合现有数据格式评估接入路径。
以上三项能力作为同类业务选型和后续演进的推荐方向，淘天案例中已描述的实践是 Milvus 的 FAQ 与商品 wiki 向量检索。
对于正在建设类似商品知识库的团队，建议从 FAQ 与 wiki 双路召回入手，带上店铺、商品和 SKU 过滤条件验证真实问题，再根据知识规模、并发和成本目标选择阿里云 Milvus 的实例与索引方案。后续需要更大范围召回或湖上数据检索时，再沿着上述能力继续扩展。
本文由 AI图鉴自动抓取并翻译，版权归原作者所有；如需查看原文请点下方链接。