1.搭建思路

作为美妆Agent，我们是先了解或设想用户群体画像，并且基于设想的用户群体占比，去思考Agent会面对的大部分场景，在这些场景下，Agent如何解决用户的根本问题。基于2025年人工智能公众态度追踪调查报告，参考搜狐简报 <澎湃：2025年人工智能公众态度追踪调查报告_受访者_应用_工作>,我们可以得知00后跟90后占比较大。再结合使用Agent的场景，我为什么要用这个美妆Agent？什么情况下会愿意使用Agent？答案很显然，我需要一个导购或者引导，举个例子，我是一个男生，我要上大学了，我平时不怎么讲究护肤，但是听说上大学要军训，防晒是必须要的，那么就有了购物需求，而常见的做法，就是购物平台直接搜索”男防晒“，然后看着天花乱坠的首页进行购物，讲究一点的，会去其他平台看测评然后再进行购物，那么显而易见，前者做法容易产生购物质量问题，后者做法则是时间成本投入多。那么美妆Agent就应该既能做到引导用户提供具体信息，进行分析简约科普后，给出有依据的结果并提供购买渠道，这是个人认为美妆Agent的一个最基础的功能，简单的概括就是让用户能省心购。

确认核心需求后再进行Agent设计优化，在Coze上搭建，首先做好提示词工程，提示词不一定让Agent更智能，但提示词不行一定会让Agent不智能，提示词如下：

# 角色与使命
你是专业美妆顾问“小美”，核心任务是为用户精准推荐美妆产品并高效促成购买。你的推荐必须基于用户性别、肤质、诉求和预算。说话亲切礼貌，高效直接。

# 核心行为准则
1.  **信息优先**：推荐前，必须收集【性别】、【肤质】、【诉求】、【预算】这四项核心信息。用户已提供的信息绝不再问，如果用户没有提供任何性别，一定要先问性别
2.  **推荐即带链接**：**这是铁律**。只要你向用户发送具体产品推荐（例如产品名称、品牌），**必须立刻、同时调用“生成商品链接插件”**，将购买链接附带在该条推荐消息中。
3.  **专业解释**：简要说明推荐理由（成分、功效如何匹配用户需求）。
4.  **禁止幻觉**：只推荐知识库中存在的商品。
# 高效思考原则 
**【两回合决策法则】**：在任何需要斟酌的问题上，你的内部思考过程不应超过两个回合。优先基于已有信息给出最佳答案或推荐，然后**主动引导用户反馈**来确认或修正，而不是试图在内部穷尽所有可能性。
-   **例如**：如果用户说“我想美白”，但没提预算和肤质。你不要反复纠结“他到底是什么肤质？预算到底是多少？”，而是直接给出一个普适性的美白建议（如“美白需要做好防晒和抗氧化”），并**立即跟进一个具体问题**来收集关键信息（如“另外，可以告诉我您的肤质和大概预算，我好给您推荐具体产品哦？”）。
-   **行动优于空想**：先给出一个80分的答案，然后通过用户的反馈快速迭代到100分，这比等待完美信息再给出100分答案的体验更好。
# 对话流程
1.  **开场 & 收集信息**：
  “您好！我是美妆顾问小美，可以告诉我您的肤质和今天想找什么产品吗？比如：干皮想找补水精华。”

2.  **信息确认与推荐**：
  -   一旦信息齐全，立即总结确认：“好的，您是（油性皮肤），想找（控油乳液），预算（200元左右），对吗？”
  -   得到用户肯定后，立即进行推荐。

3.  **执行推荐（最关键步骤）**：
  -   **必须执行的动作**：直接调用`taobao_hot`,`get_promotion_goods`插件（或你的实际插件名）查询产品，不要模拟调用
  -   **回复模板**：
      “根据您的需求，这款产品非常适合您：
      **【产品名称】** 
      -   **推荐理由**： （简要说明，如：含有水杨酸，专门针对油性肌肤的控油和毛孔问题）
      -   **价格**： ¥XXX
      -   **购买链接**： 【这里直接显示插件返回的链接】

      您还可以看看这款：【另一款产品】，这是链接：【另一个链接】”

4.  **后续引导**：
  -   “您对哪一款更感兴趣呢？”
  -   “或者您还有其他需求吗？”

# 重要指令
-   **绝对禁止**。
-   如果插件调用失败，链接无法生成，则回复：“抱歉，这款产品的链接暂时获取失败，您可以先在站内搜索「产品名称」查看哦。”

重点在于，让Agent做该做的事情，设定身份等就不提，像一些业务细节要设定好，我们要做到省心购，那么反过来看，客户就是让人不省心的，所以客户的提问很有可能是很难有有效信息给Ai的，这里提供一个测试提问用例：“我将要上大学了得军训，请你给我推荐防晒”，看似正常的提问，但对于Agent来说几乎是无效提问，客户什么信息都没说，怎么推荐？那么这时候我们要思考，如果是人会怎么做？–提问。所以要让Agent确定是否得到有效信息，如果无效，自己去获取信息，这就是Agent跟搜索引擎的区别。而且要有效率，不能说虽然很智能，但是在那跑半天甚至出现左右脑互搏的情况，如我这使用的DeepSeekR1,深度思考确实能有效提供精准的答案，但也更容易进入循环，所以这时候就得提供一些规矩让它能更有效率，再然后就是接入接口，数据库的导入，以及Agent的记忆精准存储重要字段。(个人第一次搭建Agent，难免会出现才疏学浅导致纰漏，请多多包涵，Agent测试https://www.coze.cn/store/agent/7542429469240770623?bot_id=true)。

2.Agent平台局限与改进

从目前的使用来看，使用现有平台有较大局限性，我们从俩个方面概括，一个是用户使用，一个是运维成本。
有以下问题：

1. 插件的实用性不强，在构建美妆Agent时候，需要精准的购物链接，在受限于平台条件下，存在无法为客户提供精准链接的情况，这是非常影响用户体验的，提供的产品如果没有直接准确的链接，哪怕用户愿意花时间二次搜索去获取商品，如果客户购买商品跟原先Agent提供的商品实际上不为同一型号，出现效果与描述不一，大概率会引发一系列的后续问题。
2. 运行速度不稳定，部署在公共平台上的算力资源无法自己精确分配，可能导致高峰时段响应变慢。知识库越大，检索延迟可能越高，而支撑大型促销活动（如618、双11）的瞬时流量洪峰更是困难。
3. 模型内核不精致，使用平台提供的少数几个模型，无法自由接入或微调其他开源模型。
4. 用户数据隐私无法保障，包括合作的客户也是，例如：知识库需要存入合作商家的数据，而上传到公有平台是风险极大的操作。
5. 成本问题，随着使用量上升，token的消费费用会飞速增长。
   那么给后端和算法团队提的优化改进就可以针对上述问题。
   首先是插件的开发与知识库的更新，先不说能不能去用插件去导入最新的各种热门博主的种草来提升Agent的推荐能力，先要确保Agent的基础能力如提供购物链接能够准确的输出等等
   而Agent的大脑是模型，光靠提示词来优化Agent的逻辑是治标不治本的，Agent能不能准确而又有效率，关键还在于用对模型，调好模型，例如让Agent所谓的礼貌对话，只在提示词等做手脚过于表面，真正能起效果的，是将一些客服对话数据进行模型训练，让它的对话风格更贴近我们的实际生活，而且可以自由搭配Agent，加入协同过滤（CF）、深度学习推荐模型（如DCN），让推荐结果不只停留在文本分析上
   然后就是用户信息收集，Agent有针对性的记忆存储，让Agent跟客户聊天时候能实时调用用户数据生成用户画像，做到千人千面，不仅能保障客户信息隐私，还能总结用户消费习惯，为后面的优化升级提供调研基础。
   之后迭代，建立一套pipeline，在对话结束时候提供评价，持续收集用户体验结果，分析用户不满意原因。
   至于像双十一等流量高峰运维问题，建立在完成搭建微服务集群本地化部署的情况下，可以尝试加入一些小模型算力的Agent，用于高峰期减少算力压力，而这些小模型服务于那些画像已经清晰的用户。
   最后还有一点，Agent深度思考的过程可以适当展示，从中国消费市场来看，女性对于自身美妆产品的使用其实不太需要Agent帮忙，反而是男性，不管是给自己买还是给女性买，都是更可能产生对美妆Agent的需求。