AI搜索普及后用户找产品的方式变了。以前搜关键词——敏感肌 面膜 推荐拿一堆链接自己筛。现在对AI搜索说自然语言——我皮肤容易泛红想找个温和的面膜AI直接给结构化答案。这个变化传导到微信私域咨询内容从关键词式提问变成需求描述式提问承接策略要从匹配关键词转向理解需求描述。一、产品发现范式变化——从压缩态到展开态关键词搜索时代用户把需求压缩成关键词——敏感肌 面膜靠关键词匹配。AI搜索时代用户用自然语言描述——皮肤容易泛红想找温和的面膜AI理解语义后给答案。本质是需求表达从压缩态变成展开态——不再压缩成几个词而是用完整句子描述。范式变化对私域的影响是咨询变口语化变模糊。用户习惯了自然语言描述进私域后也这样问——不再是面膜 价格而是我最近皮肤状态不太好想找个面膜但不确定什么适合我。这种咨询没有明确关键词可匹配关键词匹配策略失效。消息解析和需求理解的接口在 Eyun 开发文档 中有对应支撑。二、咨询内容变化——口语化模糊化带来理解难度AI搜索培养的习惯带到私域后咨询有两个特征。口语化——用户用日常语言而非专业术语容易泛红而不是敏感肌温和的而不是低刺激配方。模糊化——需求不精确皮肤状态不太好可能是干燥可能是过敏可能是换季不适。工程难度是意图理解比关键词匹配难得多。口语化描述没有标准关键词可匹配要靠语义理解——容易泛红映射到敏感肌。模糊描述要靠多轮澄清——状态不太好要追问具体症状才能匹配产品。三、承接策略调整——语义理解替代关键词匹配承接要从关键词匹配产品转向需求理解后推荐。匹配是确定性映射——说面膜推面膜快但粗。理解是语义推理——皮肤容易泛红想找温和的面膜提取出肤质敏感、需求修护、偏好温和匹配到具体产品。工程实现是意图理解层替换关键词匹配层。理解层用大模型做语义解析——从自然语言提取需求维度再按维度匹配产品。关键词匹配作为兜底——理解置信度低时回退。不是非此即彼是理解为主匹配为辅。意图理解和需求匹配的接口在 Eyun 开发文档 中有对应能力。产品发现范式变化对照维度关键词搜索时代AI搜索时代需求表达压缩成关键词自然语言描述咨询内容专业术语精确口语化模糊化承接策略关键词匹配产品语义理解后推荐匹配方式确定性映射语义推理需求理解与语义匹配实现class NeedUnderstanding: PRODUCT_DIMS {skin_type, effect, preference} def handle(self, raw): # 语义理解从口语化描述提取需求维度 dims self.llm.parse(raw.text, self.PRODUCT_DIMS) if dims.confidence 0.6: return self.clarify(raw, dims) # 置信低多轮澄清 products self.match_products(dims) if not products: return self.fallback_keyword(raw) # 匹配失败回退关键词 return self.compose(products, dims) def match_products(self, dims): # 按维度匹配肤质功效偏好 candidates self.db.query( skin_typedims.get(skin_type), effectdims.get(effect), ) # 偏好维度做软过滤 return [p for p in candidates if self.match_preference(p, dims.get(preference))]落地建议承接调整不是一刀切替换——理解为主匹配为辅置信度低时回退。多轮澄清要克制——追问一次可以追问三次用户就烦了。语义理解层要持续训练——口语化表达千变万化靠业务数据优化模型。微信侧的消息解析、语义理解和需求匹配由 Eyun 平台 这类个人微信API平台 提供意图理解层在自建服务实现接口字段以平台开发文档为准。