电商系统中哪些功能适合直接用大模型？哪些需要结合工程化手段？

一句话判断标准

电商功能要不要直接交给大模型，关键看任务是偏创意/理解还是偏精确/交易。前者容错、看的是"好不好、像不像"，大模型擅长；后者要求结果绝对正确、可追溯、不能编，必须靠工程系统兜底。把这条线分清，选型就不会跑偏。

适合直接用大模型的功能

这些是大模型的主场：商品描述与营销文案生成，根据卖点批量产出标题、详情、活动文案；智能客服问答，结合知识库回答售前售后咨询；评论摘要与情感分析，把成千上万条评价浓缩成优缺点概览、判断情绪倾向；导购对话，像真人一样理解需求、推荐搭配、解释差异；搜索 query 理解，把口语化、含错别字的搜索词解析成结构化意图。它们的共同点是创意生成或自然语言理解，允许一定弹性，正好发挥大模型的语言能力，出点小偏差也不致命。

需要结合工程化手段的功能

另一类功能大模型只能"参与"，不能"主导"。精准推荐与搜索排序本质是基于海量用户行为、商品特征的大规模检索与排序问题，仍要靠成熟的召回-粗排-精排系统和特征工程来保证效果与时效，大模型适合做 query/商品的语义理解、或在排序末端做少量重排辅助，但替代不了整套召回排序架构。价格、库存、优惠计算、下单与交易这类是确定性逻辑，一分钱、一件库存都不能错，必须由规则引擎和数据库精确执行，绝不能让可能产生幻觉的大模型去"算"或"承诺"。风控同理，需要规则、特征模型与策略系统结合，大模型只能作为辅助信号。

核心原则：增强而非唯一决策

总结成一条原则：创意与理解类任务用大模型，精确与交易类任务靠工程，大模型做增强而不做唯一决策。落地时通常是组合拳——大模型负责理解用户、生成内容、提升体验，把结构化的、需要精确和可靠的部分交给传统系统执行，并对大模型的输出做校验和约束。这样既享受了大模型带来的体验提升，又守住了电商最不能出错的交易底线。