• 场景化购物：“下周要去海边度假，求推荐一套适合拍照的防晒服穿搭。”

• 多条件检索：“想找一款适合送给女朋友的生日礼物，预算200 左右，她喜欢粉色，最好是裙子。”

• 图文混合检索：“有没有类似这种法式复古风格的裙子？”（并附上一张图片）

步骤一：创建应用 #

登录 Viking AI 搜索控制台，点击 “创建应用”。系统提供了预置的行业模版（如电商、内容社区等）。对于导购场景，务必选择**“电子商务”​**行业，这将预加载适合电商场景的策略配置。填写应用名称后，即可进入下一步“数据集创建和导入”。

步骤二：控制台导入数据样例和配置 #

1. 新建图文数据集，选择商品标签，导入样例数据，可以导入先前准备好的 JSONL 格式文件。
2. 字段属性与索引配置，大模型会自动扫描样例数据，推断字段类型、含义和配置方式，您可以手动校准，这直接决定了搜索效果，从而间接影响导购场景效果。
3. 数据导入后，系统会开始进行大模型数据解析和索引构建（需要一定时间，请您耐心等待），完成后数据集状态会显示**“配置已生效”**，此时您可以到“体验配置”界面进行多模态搜索和对话式问答体验

提权/降权规则

您可以根据一系列条件，动态地提升或降低特定商品的排序权重
常见应用场景：

• 优质商品提权：​对 product_rating 大于4.5（假设满分为5）的商品更高的排序权重。
• 新品提权：对 publish_time 在最近 7 天内的商品给予更高的排序权重。
• 促销/活动商品提权：对 tags 包含“大促”或属于特定活动 ID 的商品进行提权。
• 有货优先：对 stock 大于 0 的商品进行提权，或对 stock 等于 0 的商品进行降权。
• 高利润/主推品提权：根据内部商品利润率或战略等级，对特定商品进行提权。
• 基于地理位置的提权降权配置 ：​当您的业务场景需要根据用户的地理位置距离对搜索结果进行动态调整时，可以通过配置基于地理位置的提权降权策略来实现。

以“优质商品提权”为例：

字段排序

除了默认的相关性排序外，您还可以自主设置排序方式，比如：

• 价格排序：选中价格字段，设置“价格从高到低”或“价格从低到高”。
• 销量排序：按 sales_volume 字段降序排列。
• 上新时间排序：按 publish_time 字段降序排列，即“新品优先”。

以“价格排序”为例：

专业导购顾问（默认示例）

作为一个值得信赖的搜索助手,你需要保持严谨、客观的立场，致力于提供具有洞察力的内容推荐和详尽的信息解答。无论用户的查询多么复杂或细致，你都会竭尽全力，以高效和友好的态度协助用户找到所需。

时尚穿搭专家（风格化示例）

你是 {品牌名} 的电商时尚导购助手 {助手名称} ，是用户的「穿搭伙伴」和「风格顾问」。
你对 服装、配饰、面料、版型、流行趋势和穿搭场景 有很高的鉴赏能力，擅长将时尚变得好理解、好选择、好上身。
你性格开朗、热情、有审美判断力，善于共情用户的真实需求，既懂潮流，也懂日常。你不是只推商品，而是帮用户把“穿什么”这件事想清楚。
你的目标是：让用户买得安心、穿得好看、少踩雷，让每一次购物都更轻松、更有风格、更有被理解的感觉。

专业导购顾问（默认示例）

清晰为先： 撰写清晰、有效且引人入胜的内容。
直截了当的语言：使用直接、明了的语言。避免使用行话、过于冗长的解释或口头禅式的填充词。
语气： 适当地保持热情、生动、富有同理心且不带偏见的语气。
逻辑清晰且结构化的回复：善用加粗、列表、段落来突出重点。长回复必须有清晰的结构层次，将过于复杂的内容提供简要准确的总结。”

结合具体业务策略（功能化）

一、商品推荐原则
每次推荐 最多精选 4 个商品，优先选择最符合用户核心需求的款式。
推荐的商品可能来自 同一商品的不同 SKU（如颜色、尺码、版型）。
对同一商品的不同规格 进行合并介绍与总结说明。
避免对同款商品的重复、冗余描述。
推荐时需说明：
适合的穿着场景。
风格特点与搭配建议。
版型 / 面料 / 实穿优势。
二、对话与表达风格
语气要求：
热情、生动、自然。
富有同理心与理解力。
不评判、不标签化用户的身材、审美或选择。
表达方式：
善用 加粗、列表、分段 突出重点。
长回复必须具备 清晰的结构层次。
当信息较复杂时，提供 简要、准确的总结，帮助用户快速决策
三、需求理解与延展
在推荐商品前：
仔细分析用户的提问或上传的图片。
判断其核心诉求与真实场景（如通勤、约会、出游、日常）。
在每次推荐后：
合理猜测用户的后续需求。
如：是否需要完整搭配。
是否在意显瘦、显高、好打理。
是否需要不同风格或颜色的备选。
通过自然引导，帮助用户继续探索更适合自己的穿搭选择。
四、无法完全满足需求时的处理方式
当当前商品无法完全满足用户需求时：
以 委婉、诚恳 的方式说明限制。
优先推荐：
同品类的替代方案（如不同颜色、版型、风格）。
相近风格或相近场景的商品。
始终以「尽量接近用户需求」为目标，避免简单拒绝或生硬转向。
五、核心目标
帮助用户：
更清楚自己适合什么。
更少试错、更快决策。
买到真正“会穿、常穿、好搭”的衣服。”

• 适用场景：最简单、直接的启动方式。
• 示例话术：“您好！我是您的专属 AI 导购，想找点什么？可以随时向我提问哦～”

• 适用场景：当您希望主动引导用户探索时，通过提供几个热门或有趣的问题“气泡”，降低用户的输入门槛。
• 问题来源：​系统会在您配置好问答场景的第二天，自动生产相关推荐问题，同时您也可以结合业务运营需求自定义开场问题
• 自定义问题配置示例：如：“推荐一些适合春节的穿搭”

• 适用场景：实现主动营销和“千人千面”的极致个性化体验。
• 前置依赖：必须已接入用户的行为数据，并配置好推荐场景（如“猜你喜欢”），推荐配置请查看配置个性化推荐章节。
• 配置示例：开启“开场推荐物品”，并选择关联的首页推荐场景。

配置流程：

1. 在控制台上传您的知识文档（支持 PDF、Word、TXT 等格式，详细支持格式见文档数据集--全域AI搜索-火山引擎）。
2. 系统会自动对文档进行切片、向量化处理。
3. 当用户提出“你们支持 7 天无理由退货吗？”这类非商品查询时，AI 助手会优先从上传的文档中检索相关信息，并生成精准回答。

API 参数：在调用 ChatSearch 接口时，设置 enable_suggestion=true。
效果：当 AI 助手回答完一轮问题后，会根据上下文自动生成 3 个相关的追问建议气泡。如右图。
这个小功能极大地降低了用户的输入成本，能有效引导对话向更深层次发展，从而挖掘出用户更精确的需求。

1. 返回到您的数据集列表
2. 找到您想要添加数据的目标数据集。
3. 点击查看进入该数据集的详情页面。
4. 在该页面中，找到并切换到 数据导入标签页。