MACS：用于可靠的会话式电子商务推荐的混合多代理框架

电子商务的对话式推荐越来越多地由 大语言模型 (LLM) 介导，但许多现实世界的部署都在更严格的要求下运行：推荐必须仅从商家的固定目录中提取，不能进行网络搜索或不受支持的产品声明。在这种情况下，主要挑战是硬约束下的可靠性：系统必须满足用户需求，保持基于可用库存，并在多个对话轮次中保留偏好。我们提出了 MACS（多代理商务系统），这是一种混合多代理框架，用于在固定目录设置中提供可靠的对话推荐。 MACS 使用 LLM 执行面向语言的任务，例如解释用户请求、引出偏好和生成响应，而正确性关键操作（包括产品检索、硬约束过滤、品牌排除和渐进式放松）由商家代理确定性地执行。会话持久偏好层跟踪各个回合的约束，从而能够一致地处理预算覆盖和排除逆转。在 140 个查询的单轮基准测试中，MACS 实现了最高的通过率 (87.1%) 和完美的品牌合规性 (1.000)。在 10 个场景的多轮基准测试中，MACS 在零约束漂移的情况下实现了最强的宏 Pass@5（72% vs. 56% GPT+Catalog / 52% Gemini+Catalog）。优势在排除反转（100% vs. 20% / 0%）和约束积累（100% vs. 60% / 40%）上最为明显。各个系统的平均判断响应质量相似（0.751 与 0.736）。这些结果表明，在固定目录商家设置中，将确定性约束实施与会话持久偏好跟踪相结合的混合架构比目录绑定的仅提示基线提供了更强的面向可靠性的性能。