A2A供需匹配为什么不能只靠向量相似度

更新说明2026年9月23日本文是历史技术方案记录。当前 MapleBridge 用于采购询价、邀请买家已有的供应商联系人与报价比较不提供供应商搜索、工厂核验或自动撮合。B2B 供需匹配为什么不能只靠向量相似度最近在做一个 B2B 供需匹配系统时我遇到一个很典型的问题LLM 或 embedding 模型有时会把“语义上接近”的内容打成高分但业务上其实完全不该匹配。比如采购 T 恤和 POLO 衫 vs 电子烟代工香薰精油批发 vs 电子烟供应厨具餐具批发 vs 智能戒指 OEM宽泛的电子产品进口需求 vs 某个很窄的美容按摩设备供应商如果只看文本相似度模型可能会抓住“消费品”“批发”“OEM”“电子”等词把它们拉近。但真实采购里产品域、产品形态、认证要求、MOQ、目标市场、供应方式都很重要。我的处理方式我现在更倾向于把匹配拆成三层candidate retrieval - semantic scoring - rule guard第一层先召回候选宁愿多一点。第二层用 LLM 或 embedding 做语义评分。第三层必须加规则守门避免高分误配。rule guard 检查什么比较实用的字段包括product_domainproduct_formbusiness_modelmoqcertificationtarget_marketlogistics_requirement举个例子ifdemand.product_domainapparelandsupply.product_domainvape:reject()ifdemand.product_formessential_oilandsupply.product_forme_cigarette:reject()ifdemand.business_modelwholesaleandsupply.business_modeloem_only:cap_score(7)这里的重点不是规则多复杂而是要承认LLM 负责理解文本规则层负责控制业务风险。为什么要保留人工复核B2B 匹配和普通内容推荐不一样。一个错误推荐可能带来无效沟通、错误询盘甚至让买卖双方都误判机会。所以系统最好保留匹配分数降分原因拒绝原因缺失字段人工审核状态这样后面调规则时才知道到底是模型误判、字段缺失还是业务规则没覆盖。当前中文采购资源入口不代表上述历史匹配方案已上线https://maplebridge.io/zh/resources