新闻详情

新闻详情

首页 / 资讯中心 / 详情

用 Python 写一个简单的 Buyer Intent Parser:把采购需求拆成可匹配字段

发布时间:2026/11/17 16:38:19来源:尧图网络
用 Python 写一个简单的 Buyer Intent Parser:把采购需求拆成可匹配字段
更新说明2026年9月23日本文保留 MapleBridge Open 的历史技术示例不代表当前网站提供供应商搜索、工厂核验或自动匹配。当前 MapleBridge 采购工作区用于整理询价、邀请买家已有的供应商联系人及比较报价。示例中的产品与资料不构成核验结论采购条件仍需买卖双方确认。最近在整理 MapleBridge Open 里的采购匹配逻辑时我发现一个很基础但容易被跳过的问题买家的需求通常不是结构化数据。他不会一开始就把品类、数量、市场、认证、包装、交期都填好。更多时候只会写一段很普通的话我想找一个能做 USB-C 充电器的中国工厂先小批量试单主要卖到加拿大最好能先打样。人看这句话不难。但如果要让系统去匹配供应商这句话还不能直接用。因为里面有些信息已经明确有些信息只是模糊表达还有一些关键字段完全没说。我现在会先做一个很小的 Intent Parser不急着推荐供应商而是先把这段话拆成一个可以继续处理的结构。比如先定义一个结果格式intent { product: None, target_market: None, order_stage: None, quantity: None, supplier_type: None, certification: [], packaging: None, sample_required: None, missing_fields: [] }然后用最简单的规则先跑一版。def parse_buyer_intent(text: str) - dict: intent { product: None, target_market: None, order_stage: None, quantity: None, supplier_type: None, certification: [], packaging: None, sample_required: None, missing_fields: [] } if USB-C in text or 充电器 in text: intent[product] USB-C charger if 加拿大 in text: intent[target_market] Canada elif 美国 in text: intent[target_market] United States if 工厂 in text: intent[supplier_type] factory if 小批量 in text or 试单 in text: intent[order_stage] trial order intent[quantity] small batch if 打样 in text or 样品 in text: intent[sample_required] True for cert in [FCC, CE, UL]: if cert in text: intent[certification].append(cert) required_fields [ product, target_market, quantity, supplier_type, sample_required ] for field in required_fields: if not intent[field]: intent[missing_fields].append(field) if not intent[certification]: intent[missing_fields].append(certification) if not intent[packaging]: intent[missing_fields].append(packaging) return intent测试一下text 我想找一个能做 USB-C 充电器的中国工厂先小批量试单主要卖到加拿大最好能先打样。 result parse_buyer_intent(text) for key, value in result.items(): print(key, :, value)输出大概是product : USB-C charger target_market : Canada order_stage : trial order quantity : small batch supplier_type : factory certification : [] packaging : None sample_required : True missing_fields : [certification, packaging]这个结果看起来很简单但已经比原始文本更有用。系统至少知道了几件事买家要找的是 USB-C 充电器目标市场是加拿大当前不是大货阶段而是小批量试单买家倾向找工厂需要先打样认证和包装信息还没说清楚。这时候系统不应该马上去推荐供应商而是应该先追问这个产品卖到加拿大是否需要 FCC、UL 或其他认证 包装是否需要英文/法文标签 预计试单数量是多少 是否有功率、接口、颜色或外壳定制要求我觉得这一步很关键。很多匹配失败不是因为没有供应商而是因为买家的 brief 太模糊。如果系统拿着模糊需求直接去匹配结果只是把“人工搜索供应商”换成了“自动搜索供应商”。看起来更快但本质上还是在猜。所以我更愿意先把 Buyer Intent Parser 做扎实。它不需要一开始就很复杂。第一版甚至可以只是规则、关键词和字段缺失检查。等字段稳定之后再考虑用模型做更灵活的语义解析。一个比较实际的流程是原始采购需求 → Intent Parser → 结构化采购 brief → 缺失字段追问 → 供应商能力匹配 → 匹配解释这里的重点不是让 AI 直接给答案。重点是让系统先知道哪些信息已经明确哪些信息还不能拿来匹配。在 B2B 采购里这个步骤比推荐算法更靠前。因为供应商匹配不是只看“产品关键词相似”。还要看 MOQ、认证、目标市场、样品周期、包装要求、出口经验以及哪些地方必须人工确认。我现在做 MapleBridge Open 时就是先从这些小字段开始拆。不是因为这部分技术最炫而是因为它最接近真实采购沟通里的问题。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉