next-1688/1688-item-title-optimizer/references

标题智能优化助手 (Title LLM Optimization Assistant)

为 1688 商品提供基于大语言模型的智能标题优化服务。只需提供商品ID，一键调用 TPP 推理服务完成深度优化，无需额外操作。

⚠️ 重要：Agent 展示规范

在展示优化结果时，必须遵守以下规则：

1. 必须同时显示：优化结果中必须同时显示原标题（old_title）和新标题（new_title）
2. 禁止只显示新标题：不能只显示 new_title，用户需要对比查看
3. 清晰对比：建议使用对比格式展示，例如：

`` 原标题：[old_title] 新标题：[new_title] ``

快速参考

# 最简单的调用方式
from interface import optimize_title_llm
result = optimize_title_llm({"item_id": 831034165952})
# 带用户偏好的调用方式
result = optimize_title_llm({
    "item_id": 831034165952,
    "preference": "加入'防潮'单词"
})

# 命令行调用
python3 interface.py --function optimize_title_llm --item_id 831034165952
 
# 带用户偏好的命令行调用
python3 interface.py --function optimize_title_llm --item_id 831034165952 --preference "加入防潮单词"

核心特点：

• ✅ 只需提供 item_id，无需其他参数
• ✅ 支持用户偏好定制（可选）
• ✅ 自动完成所有优化步骤
• ✅ 返回优化后的标题和详细分析
• ✅ 无需手动获取关键词信息
• ✅ 无需配置分词器

用户偏好参数 (preference)

什么是用户偏好参数？

preference 参数允许用户通过自然语言指定优化偏好，LLM会在优化标题时考虑这些偏好。

如何使用？

Agent 使用指南：

1. 识别用户意图：当用户在优化请求中提到特定要求时，提取这些要求
2. 提取偏好：将用户的自然语言要求整理成简洁的偏好描述
3. 传入参数：将偏好作为 preference 字段传入 optimize_title_llm 函数

支持的偏好类型

关键词偏好：

• "加入'防潮'单词"
• "添加'防摔'和'耐用'关键词"
• "必须包含'304不锈钢'"

特点强调：

• "突出材质特点"
• "强调便携性"
• "体现性价比"
• "突出新款和时尚感"

风格偏好：

• "标题要简洁"
• "标题要详细"
• "使用专业术语"
• "面向年轻消费者"

组合偏好：

• "加入'防潮'单词，同时突出材质特点"
• "强调便携性和大容量，使用简洁风格"

使用示例

示例1：添加特定关键词

# 用户说："优化这个商品标题，加入'防潮'这个词"
result = optimize_title_llm({
    "item_id": 831034165952,
    "preference": "加入'防潮'单词"
})

示例2：强调特点

# 用户说："优化标题，要突出材质特点"
result = optimize_title_llm({
    "item_id": 831034165952,
    "preference": "突出材质特点"
})

示例3：组合要求

# 用户说："优化标题，加入防潮和防摔，还要强调便携性"
result = optimize_title_llm({
    "item_id": 831034165952,
    "preference": "加入'防潮'和'防摔'关键词，强调便携性"
})

示例4：命令行使用

# 带偏好的命令行调用
python3 interface.py --function optimize_title_llm \
  --item_id 831034165952 \
  --preference "加入防潮单词，突出材质特点"

Agent 实现建议

当 Agent 处理用户请求时，应该：

1. 解析用户指令：识别用户是否有特殊要求

`` 用户："优化商品831034165952的标题，加入'防潮'这个词" ↓ 提取：item_id=831034165952, preference="加入'防潮'单词" ``

1. 整理偏好描述：将用户的要求转换为简洁的偏好描述

`` 用户："这个标题要突出是防水防潮的，还要体现出材质很好" ↓ 整理：preference="突出防水防潮特点，强调材质优质" ``

1. 调用接口：将整理后的偏好传入接口

``python result = optimize_title_llm({ "item_id": item_id, "preference": preference_text }) ``

注意事项

1. 偏好是可选的：如果用户没有特殊要求，可以不传 preference 参数
2. 使用自然语言：偏好描述使用自然语言即可，不需要特殊格式
3. 保持简洁：偏好描述应该简洁明了，一般1-2句话即可
4. 避免冲突：避免提出互相矛盾的偏好（如"简洁"和"详细"）

核心优势

LLM 驱动的智能优化

• 使用大语言模型深度理解商品信息
• 智能重写标题，而非简单的关键词拼接
• 自动理解类目特征和用户搜索习惯
• 生成更自然、更符合用户搜索习惯的标题

自动化处理

• 自动获取商品信息（标题、类目、属性、图片、热搜词）
• 自动调用 TPP 推理服务进行优化
• 自动更新年份信息（2023/2024/2025 → 当前年份）
• 自动标注热词类型

智能推荐

• 提供优化后的标题
• 标注每个词的类型（热词、属性词等）
• 推荐其他可添加的高价值热词
• 展示热词权重和排名信息

快速开始

命令行调用

使用 interface.py 直接调用，只需提供商品ID：

python3 interface.py --function optimize_title_llm --item_id 831034165952

或使用测试脚本：

cd scripts
./test_title_llm.sh

python3 代码调用

from interface import optimize_title_llm
# 只需传入商品ID
result = optimize_title_llm({"item_id": 831034165952})
# 带用户偏好的调用
result = optimize_title_llm({
    "item_id": 831034165952,
    "preference": "加入'防潮'单词"
})
# 多个偏好
result = optimize_title_llm({
    "item_id": 831034165952,
    "preference": "加入'防潮'和'防摔'单词，突出材质特点"
})
if result["success"]:
    data = result["data"]
    print(f"原标题: {data['old_title']}")
    print(f"新标题: {data['new_title']}")
else:
    print(f"优化失败: {result['error']}")

返回结果示例

{
  "success": true,
  "error": null,
  "data": {
    "item_id": 831034165952,
    "old_title": "304不锈钢水杯",
    "new_title": "2026新款304不锈钢保温杯便携大容量运动水杯",
    "new_title_words": [
      {"word": "2026", "tag": "时间词", "type": null, "description": "自动更新至当前年份"},
      {"word": "新款", "tag": "修饰词", "type": null},
      {"word": "304", "tag": "属性词", "type": null},
      {"word": "不锈钢", "tag": "材质词", "type": null},
      {"word": "保温杯", "tag": "热词", "type": null, "description": "类目热搜词"},
      {"word": "便携", "tag": "热词", "type": null, "description": "类目热搜词"},
      {"word": "大容量", "tag": "热词", "type": null, "description": "类目热搜词"},
      {"word": "运动", "tag": "热词", "type": null, "description": "类目热搜词"},
      {"word": "水杯", "tag": "品类词", "type": null}
    ],
    "other_words": [
      {"word": "户外", "tag": "热词", "weight": 8.5, "min_rnk": 12, "description": "类目热搜词，排名12，建议添加"},
      {"word": "旅行", "tag": "热词", "weight": 7.2, "min_rnk": 18, "description": "类目热搜词，排名18"}
    ]
  }
}

参数说明

输入参数：

• item_id (必需): 商品ID，整数类型
• preference (可选): 用户偏好，字符串类型
• 从用户指令中提取的优化偏好
• 例如："加入'防潮'单词"、"突出材质特点"、"强调便携性"等
• Agent 应从用户的自然语言指令中提取偏好并传入此字段

返回字段：

• success: 是否成功，布尔类型
• error: 错误信息，失败时提供
• data: 优化结果数据
• item_id: 商品ID
• old_title: 原标题（⚠️ 必须展示）
• new_title: 优化后的标题（⚠️ 必须展示）
• new_title_words: 标题词列表，包含每个词的标签和描述
• other_words: 推荐词列表，未使用的高价值热词

📋 结果展示规范

基本展示格式

最简格式（必须包含）：

原标题：304不锈钢水杯
新标题：2026新款304不锈钢保温杯便携大容量运动水杯

完整展示格式

推荐格式（包含详细分析）：

✅ 优化完成！
 
原标题：304不锈钢水杯
新标题：2026新款304不锈钢保温杯便携大容量运动水杯
 
优化亮点：
• 自动添加"2026新款"，突出时效性
• 补充"便携"、"大容量"等高价值热词
• 标题结构更自然，符合用户搜索习惯
 
未使用的推荐热词：
• 户外（权重8.5，排名12）
• 旅行（权重7.2，排名18）

⚠️ 错误示例

❌ 只显示新标题（禁止）：

新标题：2026新款304不锈钢保温杯便携大容量运动水杯

✅ 正确示例（必须包含原标题）：

原标题：304不锈钢水杯
新标题：2026新款304不锈钢保温杯便携大容量运动水杯

功能特点

1. 智能标题重写

基于 LLM 的深度优化：

• 理解商品特征：自动分析商品类目、属性、图片等信息
• 智能词序排列：符合用户搜索习惯的词序
• 自然语言生成：生成流畅、自然的标题，避免关键词堆砌
• 语义相关性：确保添加的关键词与商品强相关

2. 自动年份更新

标题中的年份自动更新为当前年份：

• 自动识别标题中的 2023、2024、2025 等年份
• 替换为当前年份（2026）
• 保持标题时效性，提升用户信任度

3. 热词智能标注

自动标注和分析热词：

• 自动识别：识别标题中的类目热搜词
• 类型标注：区分热词、属性词、修饰词等类型
• 来源说明：标注热词来源（类目热搜词）
• 权重计算：计算未使用热词的权重和排名

4. 推荐词列表

提供高价值的推荐词：

• 未使用热词：类目热搜词中未出现在优化后标题的词
• 权重排序：按权重和排名排序
• 详细信息：展示词的权重、排名、描述
• 添加建议：帮助商家进一步优化标题

工作原理

一键调用流程

optimize_title_llm 函数自动完成以下所有步骤：

1. 接收商品ID：只需提供商品ID参数
2. 调用TPP服务：自动发送请求到TPP推理服务（scene: "title_llm"）
3. TPP后端处理：

• 自动获取商品信息（标题、类目、属性、图片）
• 自动获取类目热搜词
• 调用LLM模型生成优化标题
• 自动更新年份信息
• 自动标注热词类型
• 自动生成推荐词列表

1. 返回结果：获取完整的优化结果

使用场景

场景1：新品发布

为新上架商品生成高质量标题：

from interface import optimize_title_llm
# 为新品生成优化标题
result = optimize_title_llm({"item_id": 831034165952})
# 带用户偏好
result = optimize_title_llm({
    "item_id": 831034165952,
    "preference": "突出新款和材质特点"
})
if result["success"]:
    data = result["data"]
    print(f"原标题: {data['old_title']}")
    print(f"新标题: {data['new_title']}")

优势：

• 一键调用，无需多步操作
• LLM 深度理解商品特征
• 生成符合类目特点的标题
• 自动包含高价值热搜词
• 支持用户偏好定制
• 标题更自然、更吸引用户

展示格式示例：

原标题：304不锈钢水杯
新标题：2026新款304不锈钢保温杯便携大容量运动水杯

场景2：标题全面改写

对现有标题进行全面优化改写：

python3 interface.py --function optimize_title_llm --item_id 987654321

适用情况：

• 标题质量较差，需要重写
• 标题过时，需要更新
• 标题关键词堆砌，需要优化
• 需要提升标题吸引力

展示结果时必须包含：

原标题：[显示原标题]
新标题：[显示优化后的标题]

场景3：批量优化

批量处理多个商品标题：

from interface import optimize_title_llm
import json
item_ids = [831034165952, 987654321, 555666777]
for item_id in item_ids:
    result = optimize_title_llm({"item_id": item_id})
    if result["success"]:
        data = result["data"]
        print(f"商品 {item_id}:")
        print(f"  原标题: {data['old_title']}")
        print(f"  新标题: {data['new_title']}")
        print()
    else:
        print(f"商品 {item_id} 优化失败: {result['error']}")

自动优化策略

TPP 服务自动执行以下优化策略（无需手动干预）：

LLM 智能重写

1. 语义理解：深度理解商品特征和用户需求
2. 自然表达：生成流畅、自然的标题文本
3. 热词融入：智能融入类目热搜词
4. 避免堆砌：避免简单的关键词堆砌

年份自动更新

• 自动识别标题中的年份（2023、2024、2025）
• 统一替换为当前年份（2026）
• 保持标题时效性和新鲜感
• 提升用户对新品的感知

热词自动标注

• 自动分词并对比类目热搜词列表
• 自动为每个词添加标签（热词、属性词等）
• 自动提供词的来源说明

推荐词自动生成

• 自动提取未使用的高价值热词
• 自动计算权重和排名
• 自动过滤低权重词
• 自动按权重排序

性能特点

优化速度

• 调用耗时：约 2-5 秒（取决于网络和模型）
• 处理速度：比纯规则方法慢，但质量更高
• 适用场景：重要商品、新品发布、深度优化

优化质量

• 标题自然度：★★★★★（LLM 生成，非常自然）
• 关键词相关性：★★★★★（语义理解，高度相关）
• 热词覆盖率：★★★★☆（智能融入热词）
• 用户体验：★★★★★（符合搜索习惯）

成本考虑

• 计算成本：较高（调用 TPP LLM 服务）
• 网络依赖：需要稳定的网络连接
• 适用规模：适合中小规模优化或重点商品

与 optimize_title 的对比

选择建议

选择 optimize_title_llm 的情况：

• 需要一键快速调用
• 需要高质量的标题优化
• 新品发布，需要吸引眼球
• 标题需要全面改写
• 不想处理复杂的参数配置

选择 optimize_title 的情况：

• 需要快速批量优化
• 有明确的自定义关键词
• 对成本敏感
• 需要精细控制优化策略
• 需要传入 keyword_info 等额外信息

注意事项

服务依赖

• 依赖 TPP 推理服务的可用性
• 需要稳定的网络连接
• 服务超时时间为 60 秒

结果验证

• 建议人工审核优化后的标题
• 检查标题是否符合平台规范
• 确认标题与商品的相关性
• 避免违禁词和敏感词

使用限制

• 受 TPP 服务调用频率限制
• 不支持自定义关键词输入
• 优化结果由模型决定，可能需要多次尝试

技术支持

代码位置

• 函数实现：src/skills/title_opt/scripts/interface.py::optimize_title_llm
• 测试脚本：src/skills/title_opt/scripts/test_title_llm.sh
• 文档位置：src/skills/title_opt/references/title_llm_SKILL.md

配置信息

• TPP服务URL：在 interface.py 的 URL 变量中配置
• 应用ID：在 interface.py 的 APP_ID 变量中配置（当前：51522）
• 场景标识：title_llm

未来优化方向

1. 模型迭代：持续优化 LLM 模型质量
2. 自定义能力：支持用户自定义关键词提示
3. 批量优化：支持批量调用和异步处理
4. A/B 测试：对比不同优化策略的效果
5. 用户反馈：收集用户反馈，持续改进模型