例如，一個(gè)用戶要購(gòu)買(mǎi)“咖啡工具”和“戶外裝備”，可以輸入“手沖咖啡愛(ài)好者的沖泡工具和配件”“戶外運(yùn)動(dòng)愛(ài)好者的裝備”等。

不過(guò)，這些描述過(guò)于籠統(tǒng)，無(wú)法讓nterests篩選出非常符合用戶細(xì)分需求的商品，因此，用戶還可以輸入較長(zhǎng)的提示（prompt），以進(jìn)一步“定制”自己的購(gòu)物頁(yè)面。

例如，一個(gè)用戶正在給家里搞裝飾，其想要的裝飾風(fēng)格，比較復(fù)雜，他可以寫(xiě)一段很長(zhǎng)的提示，讓Interests幫他找到對(duì)應(yīng)的裝飾品，比如，可以輸入一個(gè)這樣的長(zhǎng)提示：“家里正在裝修，我在尋找墻壁藝術(shù)裝飾品，風(fēng)格必須是抽象或現(xiàn)代的，由黑色金屬制成（不要帆布），可能是幾何風(fēng)格的極簡(jiǎn)主義作品，能彰顯個(gè)性的工業(yè)風(fēng)格裝飾，切記，不要太傳統(tǒng)?！?/span>

用戶如果同時(shí)有N個(gè)需求，就可以同時(shí)輸入N個(gè)提示。

在用戶創(chuàng)建了“購(gòu)物提示”之后，系統(tǒng)會(huì)自動(dòng)“保存”，接著，Interests就會(huì)在后臺(tái)持續(xù)運(yùn)行，開(kāi)足馬力地為用戶篩選、匹配其“感興趣”的商品。

值得注意的是，該“匹配”和“推薦”過(guò)程，不是靜態(tài)的，而是動(dòng)態(tài)的。Interest推薦了一輪商品之后，如果某一天某一個(gè)賣(mài)家又上架了一個(gè)新商品，該商品又非常符合用戶之前“定制”的需求，此時(shí)，Interests就會(huì)通知該用戶，又一個(gè)新商品“到貨”了。此外，相關(guān)商品有打折優(yōu)惠活動(dòng)、缺貨補(bǔ)貨等情況等，Interests也會(huì)及時(shí)通知到用戶。

Interests 依托于大型語(yǔ)言模型 (LLM)，將用戶的“日常語(yǔ)言”，“翻譯”成傳統(tǒng)搜索引擎可以理解并處理的“查詢指令”（queries），最后轉(zhuǎn)化成“商品推薦”。

總體而言，Interests與我們熟悉的“千人千面”個(gè)性化推薦，有一定的區(qū)別。

傳統(tǒng)電商的“千人千面”有一定的弊端，算法根據(jù)用戶的瀏覽、搜索、購(gòu)買(mǎi)等行為數(shù)據(jù)，描繪出用戶畫(huà)像，然后推送他們可能感興趣的商品。然而，算法容易陷入信息繭房之中，推薦的內(nèi)容過(guò)于單一化和片面化，容易讓用戶產(chǎn)生審美疲勞，降低購(gòu)物體驗(yàn)。

Interests不僅會(huì)抓取用戶的歷史軌跡，最重要的是讓用戶直接參與進(jìn)來(lái)，自己提出需求，自己定制購(gòu)物頁(yè)面，最關(guān)鍵的是，Interests基于亞馬遜AI算法COSMO，更加擅長(zhǎng)于透視和挖掘用戶意圖（intent），從這個(gè)角度上講，比傳統(tǒng)的“千人千面”的個(gè)性化推薦，Interests可能會(huì)更懂用戶的需求。