面向交易平台目录的自动研究：从传统表单到AI原生匹配

双边服务市场正在从确定性的请求表单接收转向人工智能本机概率匹配，这由从自然语言推断意图、偏好和潜在约束的大语言模型 (LLM) 实现。依靠推断的意图而不是固定形式的字段，迫使这些平台重新生成承保匹配、搜索和定价的提供商方偏好分类法：服务提供商可以解释的属性，同时仍然是市场决策的有用信号。我们提出了一个自动研究循环，可以生成这种分类法（每次一种职业），并自 2026 年 4 月以来已在美国主要消费者服务市场的生产中部署，涵盖 132 个职业。该循环不是一个全局层次结构，而是将每个职业视为一个独立的生成问题，并运行迭代的建议-评估-保持细化循环。每个候选标签集均由重新校准的六类LLM评判框架进行评分，由不同角色组成的 7 名评论家小组对调整后的分数进行加权处罚，没有硬性否决权。一个单独的奇偶映射阶段将遗留的请求表问答对映射回生成的分类法，从而产生覆盖信号和用于人类质量保证的界面；它通过首先推断每个遗留问题要测量的提供者属性来实现这一点，而不是将问题字面翻译为标签。