保险搜品能力工程架构：从 Agent Tool 到可交互货架

这篇文章最容易写错的地方，是把“搜品能力”写成一个独立的用户入口。

实际不是。

用户不是先进入一个 Product Search API，也不是每句话都启动一个商品搜索 Agent。用户先进的是主 Agent 会话。主 Agent 判断这句话要不要搜品；如果要搜品，再决定调用哪一种搜品能力：

简单 query
  -> fast_search_products tool
  -> 传统 fast search
 
复杂 query
  -> ProductSearchGraph / product_search_subagent
  -> AgenticOne 产品召回链路

比如“好医保长期医疗”，大概率是具名产品查询。它应该走快路径：产品名、别名、货架状态、产品档案，尽快给出相关卡片。

比如“给全家买保险”，它不是一个普通搜索词。它里面藏着家庭成员、年龄结构、保障类型、预算、已有保障和健康状况。第一版可以先给候选货架，但应该通过 subagent/subgraph 做发散召回，并把待确认条件说清楚。

所以，本文真正讨论的是：

主 Agent 如何把搜品当成一个可调用能力，并把简单 tool 与复杂 subgraph 的结果，整理成前端可以消费的交互货架。

这件事的边界先钉住。第一版不是正式推荐系统，不判断“这个人该不该买这款”。它只解决：

用户 query
  -> 主 Agent 判断是否需要搜品
  -> 简单 query 调 fast search tool
  -> 复杂 query 调 ProductSearchGraph
  -> 候选产品池
  -> 当前货架校验
  -> 产品深档案
  -> 规则排序
  -> 主 Agent 输出文本 + 产品卡片 + 待确认条件

真正的推荐还要往后走：用户画像、保障缺口、预算、年龄、地区、职业、健康告知、核保、业务策略。第一版不要把这些能力伪装出来。

一、系统边界

第一版的输出是候选货架，不是投保建议。

用户可以看到：

可以优先看看这几款
候选理由是
还需要确认这些条件

不要写成：

最适合你
建议购买
保证可买
一定能赔

这不是文字保守，而是系统事实。没有问年龄、地区、职业、健康告知和预算，就不能假装已经完成了个性化投保判断。

这条链路里有几类角色：

层	职责	不做什么
主 Agent	接收用户 query，判断意图，决定是否调用搜品能力，组织最终对话输出	不直接拼复杂搜索参数，不把长候选和档案塞进 messages
fast_search_products tool	处理简单、明确、低发散的搜品请求	不做多步规划，不做复杂保障方案拆解
ProductSearchGraph / subagent	处理复杂、宽泛、需要发散召回的搜品请求，缓存未命中时调用 AgenticOne 产品召回链路	不直接面向前端，不输出模型原始思考链
Redis	保存内部 run 状态、候选缓存、可恢复事件、短锁	不承载最终业务判断
旧搜索 / AgenticOne 产品召回	召回候选产品池	不决定最终展示货架
货架服务	判断产品当前是否可展示、可售、在当前渠道内	第一版不做用户级投保适配
产品档案服务	提供卡片理由和风险提示所需的产品事实	不接收模型编造字段
前端	消费主 Agent 的统一业务事件，展示文本、状态和卡片	不理解搜品内部链路

这里有几个硬规则：

1. 搜品能力是主 Agent 的能力，不是用户入口。
2. 简单 query 走 tool，复杂 query 才进 subagent/subgraph。
3. 缓存只复用候选池，不复用最终话术。
4. cache hit 之后也必须重新走货架过滤。
5. 最终卡片只能依赖搜索命中摘要和产品深档案。
6. 第一版不让 Agent 做最终排序。
7. 前端只消费业务事件，不消费 LangGraph 原始运行时事件。

二、整体架构：主 Agent 调用搜品能力

用户入口应该长这样：

Frontend
  -> Agent API
  -> Host Agent
     -> intent classify
     -> fast_search_products tool
        or ProductSearchGraph / subagent
     -> final assistant response
  -> Agent Event Stream
  -> Frontend UI

主 Agent 先判断用户要什么。只有当本轮需要搜品时，才会调用搜品能力。

flowchart LR
    FE[前端对话 / 搜索框] --> API[Agent API]
    FE --> SSE[Agent SSE Endpoint]

    API --> HOST[Host Agent]
    HOST --> INTENT[Intent Classifier]

    INTENT -->|简单搜品| FAST[fast_search_products tool]
    INTENT -->|复杂搜品| GRAPH[ProductSearchGraph / Subagent]
    INTENT -->|问答 / 对比 / 核保 / 离题| OTHER[其他 Agent 能力]

    FAST --> CACHE[Candidate Cache Adapter]
    FAST --> SEARCH[传统 Fast Search]
    FAST --> FILTER[Shelf Filter]
    FAST --> DOSSIER[Product Dossier Loader]
    FAST --> RANK[Rule Reranker]

    GRAPH --> CACHE
    GRAPH --> RECALL[AgenticOne 产品召回]
    GRAPH --> FILTER
    GRAPH --> DOSSIER
    GRAPH --> RANK

    CACHE --> Redis[(Redis<br/>run / events / cache / lock)]
    SEARCH --> Legacy[旧搜索接口]
    RECALL --> Backend[concurrent_search / 多路确定性工具]
    FILTER --> Shelf[货架服务]
    DOSSIER --> Dossier[产品档案服务]

    FAST --> RESULT[ProductShelfResult]
    GRAPH --> RESULT
    RESULT --> HOST
    HOST --> ADAPTER[Agent Event Adapter]
    ADAPTER --> Redis
    SSE --> Redis

ProductSearchGraph 只处理复杂搜品。具名产品和短条件查询直接走 tool，减少一次子图调度和模型规划，失败时也可以直接回退到传统搜索。

两种能力的差别：

能力	适合的 query	运行方式	召回后端	输出
fast_search_products tool	具名产品、明确险种、短条件搜索	主 Agent 直接调用工具	传统 fast search	ProductShelfResult
ProductSearchGraph / subagent	宽泛需求、多条件、场景化、需要发散	主 Agent 调用子图 / 子 Agent	AgenticOne 产品召回链路	ProductSearchRunResult

主链路可以压缩成：

用户 query
  -> 主 Agent 判断意图
  -> 判断是否需要搜品
  -> 判断搜品复杂度
  -> 简单 query: fast_search_products tool
  -> 复杂 query: ProductSearchGraph / subagent
  -> 候选池
  -> 当前货架校验
  -> 产品深档案
  -> 规则排序
  -> 返回给主 Agent
  -> 主 Agent 输出文本、产品卡片、待确认条件

缓存、货架过滤、档案和排序不是主 Agent 的事。它们属于搜品能力内部的确定性链路。主 Agent 只拿结构化结果，不吞全部候选。

三、两个 query 进来后发生什么

两类 query 会进入不同的后端链路。

3.1 “好医保长期医疗”

这是具名产品查询。主 Agent 不需要启动复杂 subagent，直接调快搜工具。

用户输入：好医保长期医疗
 
前端：
  POST /agent/sessions/{sessionId}/messages
  body: { message: "好医保长期医疗" }
 
Agent API：
  创建 agentRunId
  写 agent:accepted 事件
  返回 agentRunId + eventsUrl
 
前端：
  GET /agent/runs/{agentRunId}/events
  订阅统一 Agent SSE
 
Host Agent：
  判断 intent = product_lookup
  判断 complexity = simple
  调 fast_search_products(query, session_context)
 
fast_search_products tool：
  normalize_query:
    "好医保长期医疗" -> "好医保长期医疗"
 
  exact candidate cache:
    查产品名 / 别名 / query hash 对应候选
 
  fast search:
    cache miss 时调传统搜索
    优先产品名、别名、计划名、SKU 映射
 
  shelf_hard_filter:
    去掉下架、不可展示、渠道不符、运营屏蔽的 SKU
 
  load_product_dossiers:
    按候选预算批量拉取产品深档案
 
  rule_rerank:
    产品名强匹配权重大于泛语义匹配
    同产品不同计划做轻去重
 
  return ProductShelfResult:
    shelfCards
    confirmNeeded
    visibleSummary
 
Host Agent：
  根据 ProductShelfResult 输出一句短文本
  附产品卡片
  提醒还需要确认年龄、地区、职业和健康情况

前端看到的是主 Agent 的业务事件，不是快搜工具内部调用栈：

事件	前端展示	关键字段
agent:accepted	已收到问题	agentRunId
intent:classified	已识别为产品查询	intent=product_lookup、complexity=simple
tool:started	正在查找相关产品	tool=fast_search_products
product:cache_hit / product:cache_miss	已复用候选 / 正在搜索产品	cacheHitType
product:candidates_found	已找到相关候选	candidateCount
product:filtered	正在检查当前货架状态	beforeCount、afterCount
product:dossiers_loaded	正在读取产品档案	loadedCount
product:shelf_ready	已整理出候选产品	shelfCount、shelfCards
agent:done	完成本轮回复	message、cards

这条路径里，ProductSearchGraph 没有出场。它不该为了一个具名产品查询被启动。

3.2 “给全家买保险”

这是复杂搜品，不适合直接丢给传统搜索。

主 Agent 应该先判断：这是家庭保障配置需求，不是单个产品查询。第一版如果选择“信息不足时先直推”，也必须把待确认条件放进结果里。

用户输入：给全家买保险
 
Host Agent：
  判断 intent = product_search
  判断 complexity = complex
  构造搜品任务：
    为家庭成员配置基础保障候选，关注成人医疗、成人重疾、儿童保障、老人医疗/防癌医疗、家庭意外险。
    信息不足时先给候选方向，但必须提示需要确认家庭成员年龄、预算、已有保障和健康情况。
 
  调 ProductSearchGraph(task, session_context)
 
ProductSearchGraph：
  normalize_task:
    "给全家买保险" -> "给家庭成员配置基础保障"
 
  candidate cache:
    exact 通常不命中
    semantic 可能命中“家庭保险怎么配置”“一家三口买什么保险”
 
  agenticone_recall_if_needed:
    deep_search 根据任务规划 search_tasks
    concurrent_search 并发执行 product / underwriting / budget / benefit 任务
    SearchResultCapture 保存命中摘要和结构化上下文
    filter_rank 精选召回候选
    返回 matched_prod_nos + search_context
 
  normalize_candidates:
    把 matched_prod_nos + search_context 转成统一 Candidate
    保留 hit_summary 和 hit_tags
    截断 Top50
 
  shelf_hard_filter:
    重新检查当前可展示货架
 
  load_product_dossiers:
    按候选预算批量拉取产品深档案
 
  rule_rerank:
    按当前可售状态、业务优先级和产品质量信号排序
    避免最终货架被同名或高度相似产品占满
 
  return ProductSearchRunResult:
    shelfCards
    confirmNeeded
    searchSummary
    productRunId
 
Host Agent：
  输出候选货架
  说明这些只是可以优先查看的候选
  提醒还需要确认家庭成员年龄、预算、已有保障和健康情况

这条路径的事件可以更丰富，但仍然是主 Agent 事件流：

事件	前端展示	关键字段
agent:accepted	已收到问题	agentRunId
intent:classified	已识别为综合保障需求	intent=product_search、complexity=complex
subgraph:started	正在拆解保障需求	graph=ProductSearchGraph
product:cache_hit / product:cache_miss	已复用候选 / 正在重新搜索产品	cacheHitType
product:search_planned	缓存未命中时，已拆分搜索方向	searchTasks
product:search_started	正在多路召回候选	searchBackend=agenticone_product_recall
product:candidates_found	已召回多类候选产品	candidateCount、hitTags
product:filtered	正在检查当前货架状态	beforeCount、afterCount
product:dossiers_loaded	正在读取候选产品档案	loadedCount
product:shelf_ready	已整理候选货架	shelfCards、confirmNeeded
agent:done	完成本轮回复	message、cards

两类 query 的差别在后端能力选择，不在前端入口：

query 类型	例子	主 Agent 判断	调用能力	结果表达
具名产品	好医保长期医疗	product_lookup + simple	fast_search_products tool	展示相关产品 / 计划候选
明确条件搜品	给爸妈买医疗险	product_search + simple 或轻度复杂	优先 fast_search_products tool	展示候选产品 + 待确认条件
宽泛需求	给全家买保险	product_search + complex	ProductSearchGraph / subagent	展示候选货架 + 待确认条件
对比 / 问答	好医保和百万医疗有什么区别	compare_or_qa	先取产品锚点，再走问答 / 对比能力	不一定展示货架
离题	明天天气怎么样	off_topic	不调搜品	转普通回答或安全拒答

四、能力契约：tool 和 subgraph 分开

搜品能力不要只有一个入口。第一版至少拆成两个契约。

简单搜品工具：

fast_search_products(query, session_context) -> ProductShelfResult

适合：

好医保长期医疗
百万医疗险
给爸妈买医疗险
儿童重疾险
经常骑电动车买什么意外险

复杂搜品子图：

search_products_deep(task, session_context) -> ProductSearchRunResult

适合：

给全家买保险
预算不高，想把大人孩子的保障都配一下
经常出国、滑雪、潜水，买什么保险更合适
我有高血压，还想买医疗险和重疾险

主 Agent 的调用逻辑可以很薄：

if intent not in product intents:
  use other ability
 
if intent == product_lookup and complexity == simple:
  call fast_search_products
 
if intent == product_search and complexity == simple:
  call fast_search_products
 
if intent == product_search and complexity == complex:
  call search_products_deep
 
if intent == compare_or_qa:
  resolve product anchors first
  then call qa_or_compare ability

两个能力返回给主 Agent 的结构要统一：

class ProductShelfResult(TypedDict):
    product_run_id: str | None
    source: Literal["fast_tool", "deep_graph"]
    cache_hit_type: Literal["none", "exact", "semantic"]
    shelf_cards: list[ShelfCard]
    confirm_needed: list[str]
    visible_summary: str
    trace_ref: str | None

主 Agent 不需要拿到完整候选池，也不需要知道每个内部节点的状态。完整状态留在 Redis、内部 state 或审计系统里。

五、复杂搜品子图

ProductSearchGraph 只处理复杂搜品。它不是每个搜品 query 的必经之路。

Host Agent
  -> search_products_deep(task, session_context)
     -> ProductSearchGraph
        -> normalize_task
        -> candidate_cache_lookup
        -> agenticone_recall_if_needed
        -> normalize_candidates
        -> shelf_hard_filter
        -> load_product_dossiers
        -> rule_rerank
        -> build_product_result
        -> persist_result
  -> ProductShelfResult

子图内部可以这样组织：

flowchart TD
    A[START] --> B[normalize_task]
    B --> D[candidate_cache_lookup]
    D -->|hit| G[hydrate_candidates_from_cache]
    D -->|miss| E[agenticone_recall_if_needed]
    E --> F[write_candidate_cache]
    G --> H[normalize_candidates]
    F --> H
    H --> I[shelf_hard_filter]
    I -->|candidate < 3 and cache hit| E
    I --> J[load_product_dossiers]
    J --> K[rule_rerank]
    K --> L[build_product_result]
    L --> M[persist_result]
    M --> N[END]

子图的 state 不要只放 messages：

class ProductSearchState(TypedDict, total=False):
    product_run_id: str
    agent_run_id: str
    session_id: str
 
    raw_task: str
    normalized_task: str
    task_hash: str
    search_tasks: list[SearchTask]
 
    matched_prod_nos: list[str]
    search_context: dict[str, object]
 
    cache_hit_type: Literal["none", "exact", "semantic"]
    cache_entry_id: str | None
 
    candidate_pool: list[Candidate]
    normalized_candidates: list[Candidate]
    filtered_candidates: list[Candidate]
    dossiers: dict[str, ProductDossier]
    ranked_shelf: list[ShelfCard]
 
    visible_steps: list[VisibleStep]
    error: ProductSearchError | None

Candidate 是召回阶段的轻对象：

class Candidate(TypedDict):
    prod_no: str
    recall_score: float
    recall_sources: list[str]
    hit_summary: str
    hit_tags: list[str]
    source_backend: Literal["exact_cache", "semantic_cache", "fast_search", "agenticone_recall"]

ShelfCard 才是前端卡片对象：

class ShelfCard(TypedDict):
    prod_no: str
    product_name: str
    tags: list[str]
    candidate_reason: str
    risk_note: str
    confirm_needed: list[str]
    rank_score: float
    dossier_source: str

candidate_reason 不从缓存里拿旧文案。它应该基于当前 query、当前候选命中摘要和产品深档案重新生成或组装。

节点契约：

节点	输入	输出	失败策略
normalize_task	raw_task	normalized_task、task_hash	清洗失败就用原任务
candidate_cache_lookup	task_hash + search_mode	候选缓存	miss 继续 agenticone_recall_if_needed
agenticone_recall_if_needed	normalized_task、session_context	matched_prod_nos、search_context、search_tasks	规划失败时回退单个 product 任务；查询失败写 product:error
normalize_candidates	matched_prod_nos + search_context 或缓存候选	统一的候选池	丢弃无法校验的产品编号
shelf_hard_filter	候选列表	过滤后候选	少于 3 个且来自缓存，则补一次实时搜索
load_product_dossiers	候选预算内的 prodNo	产品档案 map	单个产品失败就剔除
rule_rerank	候选 + 档案	排序货架	无候选则返回无结果状态
build_product_result	排序货架	ProductShelfResult	禁止购买承诺话术
persist_result	完整 state	Redis run snapshot + terminal event	持久化失败告警，不改写结果

5.1 AgenticOne 产品召回链路

本文的“Agentic Search”不是另一套搜索后端，它指的就是 AgenticOne：OneAgent 范式在保险实时咨询中的应用 中的产品召回链路。ProductSearchGraph 在候选缓存未命中时调用它：

agenticone_recall_if_needed
  -> deep_search
     -> LLM 规划 search_tasks
     -> concurrent_search 并发执行确定性工具
     -> SearchResultCapture 写入 search_context
     -> 解析并校验 matched_prod_nos
  -> filter_rank
  -> matched_prod_nos + search_context

LLM 只把用户场景拆成 search_tasks，可选的产品编号来自确定性工具的返回结果。concurrent_search 并发执行四类任务：

task_type	执行能力	在候选池中的作用
product	产品结构化过滤与模糊扫描	多个 product 任务取并集
underwriting	核保查询	用户明确给出健康条件时，与产品候选取交集
budget	预算过滤	用户明确给出预算时，与产品候选取交集
benefit	收益或责任阈值过滤	用户明确给出阈值时，与产品候选取交集

搜索 Agent 最多执行三轮 ReAct 工具调用。条件明确时，所有已知条件通常一次写入 concurrent_search 的 search_tasks；工具结果过宽、过窄或还需补充约束时，Agent 可以继续调用。继续收窄时，下一轮用 scope="last" 在上一轮尚未展示截断的完整结果池上追加谓词，不重复旧条件。任务中包含核保查询时，整个搜索只执行一轮。

product 任务不是向量检索。它基于产品 mapper 数据执行白名单、产品名、字段条件、责任、目的地除外和模糊正则扫描。语义向量只用于候选缓存复用，不是 AgenticOne 产品召回的主搜索方式。

实际执行时，版本化 JSON 会在启动阶段解析成进程内快照，请求不会反复打开文件。AgenticOne 产品召回：JSON 分发与内存全量过滤 单独记录了这套数据面的边界与代价。

SearchResultCapture 把产品轻量信息、命中原因、核保 / 预算 / 收益结果和任务摘要写入 search_context。deep_search 解析搜索 Agent 的最终结果，再校验其中的 prodNo，避免模型编造产品编号。

filter_rank 从召回结果中精选一批轻量候选，并可排除历史已展示产品，为“换一批”保留后备池。第一版不开放多轮指代，这个后备池不会被前端直接消费。

filter_rank 的输出还不是最终货架。候选产品还要经过当前上下架和渠道校验、产品深档案校验以及确定性规则排序。filter_rank 减少主链路携带的候选数，rule_rerank 才决定最终展示顺序。

六、候选缓存：tool 和 subgraph 共用

Redis 第一版承担五个职责：

1. 内部 product run 状态；
2. 可恢复业务事件；
3. 精确候选缓存；
4. 语义候选缓存；
5. cache miss 防击穿短锁。

统一加版本前缀：

ps:v1:run:{productRunId}
ps:v1:events:{agentRunId}
ps:v1:cache:exact:{searchMode}:{queryHash}
ps:v1:cache:sem:{entryId}
ps:v1:lock:{searchMode}:{queryHash}

key	类型	TTL	内容
ps:v1:run:{productRunId}	Hash	24h	内部搜品状态、最终结果摘要、错误信息
ps:v1:events:{agentRunId}	Stream	24h	主 Agent 可恢复事件
ps:v1:cache:exact:{searchMode}:{queryHash}	String JSON	6h	候选缓存
ps:v1:cache:sem:{entryId}	Hash	6h	query embedding + payload
ps:v1:lock:{searchMode}:{queryHash}	String	30s	防击穿短锁

候选缓存只保存召回信息：

{
  "schemaVersion": 1,
  "entryId": "01J...",
  "searchMode": "fast_tool",
  "normalizedQuery": "好医保长期医疗",
  "queryHash": "sha256:...",
  "sourceBackend": "fast_search",
  "candidateProdNos": ["p1", "p2", "p3"],
  "hitSummaries": {
    "p1": "命中：好医保长期医疗、产品别名、医疗险",
    "p2": "命中：好医保、长期医疗、升级计划"
  },
  "recallSources": {
    "p1": ["product_name", "alias"],
    "p2": ["embedding"]
  },
  "recallScores": {
    "p1": 0.96,
    "p2": 0.84
  },
  "shelfVersion": "20260702-1000",
  "createdAt": "2026-07-02T10:00:00+08:00",
  "expiresAt": "2026-07-02T16:00:00+08:00"
}

它不保存：

最终展示清单
最终卡片文案
购买建议
模型推理过程
已过期的货架判断

写入时机：

live query 成功
  -> normalize candidate
  -> 截断 Top50
  -> 写 exact cache
  -> 写 semantic cache

不要等最终展示顺序排完才写缓存。缓存的是候选池，不是货架结论。

如果用 Redis Stack / RediSearch，可以给候选缓存建向量索引：

FT.CREATE idx:ps:v1:sem_cache
ON HASH
PREFIX 1 ps:v1:cache:sem:
SCHEMA
  searchMode TAG
  normalizedQuery TEXT
  createdAt NUMERIC
  expiresAt NUMERIC
  embedding VECTOR HNSW 6 TYPE FLOAT32 DIM 1536 DISTANCE_METRIC COSINE

语义查询：

FT.SEARCH idx:ps:v1:sem_cache
  '(@searchMode:{deep_graph})=>[KNN 3 @embedding $vec AS distance]'
  PARAMS 2 vec {query_embedding_bytes}
  SORTBY distance
  RETURN 4 searchMode normalizedQuery payload distance
  DIALECT 2

第一版可以宽松复用：

semantic hit if:
  searchMode 相同
  cosine similarity >= 0.72
  payload 未过期

宽松复用必须配两个护栏：

1. 命中后重新走 shelf_hard_filter；
2. 最终卡片理由基于当前 query 和产品深档案重算。

精确缓存和语义缓存都 miss 时，先抢短锁：

SET ps:v1:lock:{searchMode}:{queryHash} {agentRunId} NX EX 30

抢到锁的请求执行实时查询并写缓存。没抢到锁的请求短等 300~800ms，再读一次精确缓存；如果仍然 miss，就自己走实时查询，不要无限等待。

七、查询、过滤、档案和排序

简单搜品和复杂搜品的召回方式不同，但后处理应该尽量一致。

fast_search_products tool:
  normalize_query
  exact cache
  semantic cache
  traditional fast search if miss
  shelf_hard_filter
  load_product_dossiers
  rule_rerank
  build ProductShelfResult
 
ProductSearchGraph:
  normalize_task
  candidate cache
  AgenticOne product recall if miss
  normalize candidates
  shelf_hard_filter
  load_product_dossiers
  rule_rerank
  build ProductShelfResult

7.1 货架侧硬过滤

第一版只做货架侧过滤：

上下架
渠道可展示
当前产品池白名单
重复产品 / 同计划 SKU 去重
监管或运营屏蔽

货架后处理不会自行补齐下列条件，再做一轮投保适配强过滤：

年龄
地区
预算
职业
健康告知
既往症

用户已经明确说出预算、健康情况或责任阈值时，AgenticOne 召回链路可以调用对应工具收窄候选。用户没有提供的槽位不由系统猜测，也不能因为候选进入展示清单就声称它适合投保。

最终文案要把未确认条件说出来：

还需要确认被保人年龄、地区、职业和健康情况。

7.2 深档案

过滤后，按候选预算批量拉取产品深档案：

batch_get_product_dossier(shortlistProdNos)

深档案至少包含：

prodNo
productName
productType
companyName
coreBenefits
renewalSummary
deductibleSummary
coverageSummary
riskNotes
priceRangeText
sourceVersion
updatedAt

最终货架卡片只允许使用两类事实：

1. 搜索命中摘要；
2. 产品深档案。

如果某个产品深档案拉取失败，就从最终排序中剔除。不要让模型凭搜索摘要补全产品责任。

7.3 规则排序

第一版不让 Agent 自由产生最终排序。排序使用确定性优先级，具体字段和权重由场景配置：

当前可售 / 可展示
  -> 业务品质与运营优先级
  -> 产品热度与时效信号
  -> 同名或高度相似产品去重

最终展示数量也是场景预算，不是模型当场决定。其余候选保留在内部 state 里，后续可以支持“换一批”，但第一版不开放多轮指代。

八、前端事件：统一 Agent 流，不是 Product Search 流

前端只面对主 Agent：

POST /agent/sessions/{sessionId}/messages  创建本轮 Agent run
GET  /agent/runs/{agentRunId}/events       订阅可恢复 SSE
GET  /agent/runs/{agentRunId}              查询 run 快照

搜品能力内部可以有 productRunId，但它不是第一版的用户入口。

请求时序：

sequenceDiagram
    participant FE as 前端
    participant API as Agent API
    participant Host as Host Agent
    participant Redis as Redis
    participant Fast as fast_search_products
    participant Graph as ProductSearchGraph
    participant Search as Fast Search / AgenticOne Recall
    participant Shelf as 货架服务
    participant Dossier as 产品档案服务
    participant SSE as Agent SSE

    FE->>API: POST /agent/sessions/{sessionId}/messages(query)
    API->>Redis: XADD agent:accepted
    API-->>FE: agentRunId + eventsUrl

    FE->>SSE: GET /agent/runs/{agentRunId}/events
    SSE->>Redis: XREAD ps:v1:events:{agentRunId}
    SSE-->>FE: agent:accepted

    API->>Host: invoke Host Agent(query)
    Host->>Redis: XADD intent:classified

    alt simple product query
        Host->>Fast: fast_search_products(query)
        Fast->>Redis: cache lookup
        Fast->>Search: traditional fast search if needed
        Search-->>Fast: candidate pool
        Fast->>Shelf: shelf hard filter
        Shelf-->>Fast: filtered candidates
        Fast->>Dossier: batch get dossiers
        Dossier-->>Fast: product dossiers
        Fast-->>Host: ProductShelfResult
    else complex product query
        Host->>Graph: search_products_deep(task)
        Graph->>Redis: cache lookup
        alt candidate cache miss
            Graph->>Search: AgenticOne product recall
            Search->>Redis: XADD product:search_planned
            Search-->>Graph: candidate pool
        else candidate cache hit
            Redis-->>Graph: cached candidate pool
        end
        Graph->>Shelf: shelf hard filter
        Shelf-->>Graph: filtered candidates
        Graph->>Dossier: batch get dossiers
        Dossier-->>Graph: product dossiers
        Graph-->>Host: ProductSearchRunResult
    end

    Host->>Redis: XADD product:shelf_ready
    Host->>Redis: XADD agent:done
    SSE-->>FE: message + shelf cards

前端状态可以很小：

idle
  -> running
     -> understanding
     -> searching_products
     -> filtering_products
     -> loading_dossiers
     -> composing_answer
  -> done
  -> error

事件到 UI 的映射：

eventType	前端状态	展示
agent:accepted	running	已收到问题
intent:classified	understanding	正在理解需求
tool:started	searching_products	正在查找相关产品
subgraph:started	searching_products	正在拆解保障需求
product:cache_hit	searching_products	已复用相似需求候选
product:cache_miss	searching_products	正在重新搜索产品
product:search_planned	searching_products	缓存未命中，已拆分搜索方向
product:candidates_found	searching_products	已召回候选产品
product:filtered	filtering_products	正在检查当前货架
product:dossiers_loaded	loading_dossiers	正在读取产品档案
product:shelf_ready	composing_answer	正在整理候选货架
agent:done	done	展示文本和产品卡片
agent:error	error	展示安全失败提示

前端保留最后一个 SSE event id。刷新或断线后带上：

Last-Event-ID: 1720000000-0

服务端从 Redis Stream 续传，直到 agent:done 或 agent:error。

LangGraph 会产生很多运行时事件：节点开始、节点结束、工具调用、模型 token、子图事件、异常事件。如果直接转发给前端，用户看到的是内部调用栈，不是业务过程。

中间要加一层 AgentEventAdapter：

Tool / LangGraph runtime events
  -> AgentEventAdapter
  -> AgentProductEvent
  -> Redis Stream
  -> SSE
  -> Frontend state machine

这里不输出 thought。如果需要排查模型为什么选择 tool 还是 subgraph，写内部 trace 或审计表，不给 C 端用户展示。

用户可见文案可以是：

正在理解你的保险需求
正在查找相关产品
正在重新检查当前货架状态
已读取候选产品档案
已整理出可以优先查看的候选

不要展示：

模型认为用户真正想要的是……
我的推理过程是……
我先假设……

这和 LangGraph Agent Event 消费指南 里的原则一致：运行时事件是原料，产品事件才是契约。

九、失败路径和观测指标

失败路径不要藏在实现里。

失败点	行为
主 Agent 意图识别失败	回退普通问答，必要时追问
fast_search_products 失败	尝试降级到普通产品搜索结果；仍失败则返回安全失败
AgenticOne 搜索任务规划失败	回退单个 product 任务搜索
Redis exact cache 失败	跳过精确缓存，继续语义缓存
Redis Vector 失败	跳过语义缓存，继续实时查询
实时查询失败	写 product:error，主 Agent 输出安全失败
货架过滤后无结果	返回无候选状态，不编造商品卡片
深档案批量失败	剔除失败产品，少于 1 个则返回无候选
SSE 写事件失败	继续主链路，但记录告警；最终 agent run snapshot 仍要写

无候选文案：

当前货架里没有找到足够匹配的候选产品。你可以换一种描述，或者补充被保人年龄、地区、预算和健康情况。

线上指标要分开看：

指标	目的
product_intent_rate	主 Agent 有多少请求进入搜品
fast_tool_rate	简单搜品占比
deep_graph_rate	复杂搜品占比
exact_cache_hit_rate	精确缓存是否有效
semantic_cache_hit_rate	语义缓存是否真的复用
live_query_rate	缓存未命中的压力
filter_empty_rate	货架过滤是否过严或缓存污染
dossier_load_fail_rate	产品档案服务稳定性
fast_tool_p50/p95	快搜工具延迟
deep_graph_p50/p95	复杂搜品子图延迟
shelf_card_ctr	候选货架是否被点击
query_rewrite_rate	用户是否频繁重新提问
agent_run_error_rate	主链路错误率

上线前最小测试集：

好医保长期医疗
给爸妈买医疗险
孩子重疾险怎么选
给全家买保险
出国去日本旅游买什么保险
经常骑电动车买什么意外险
预算不高想买个寿险
这款和百万医疗有什么区别
推荐一个保险

测试必须覆盖：

1. 具名产品走 fast_search_products tool；
2. 宽泛需求走 ProductSearchGraph / subagent；
3. 精确缓存命中；
4. 语义缓存命中；
5. 缓存未命中后走传统 fast search；
6. 缓存未命中后走 AgenticOne 产品召回链路；
7. 货架下架后，缓存命中仍被过滤；
8. 深档案失败时，不生成虚假卡片；
9. SSE 断线后能从 Last-Event-ID 续传；
10. 主 Agent 不把完整候选池塞进 messages。

十、第一版不做什么

这些能力先不放进第一版：

• 把搜品做成独立用户入口；
• template cache；
• 用户画像强过滤；
• 年龄、健康、职业、预算等投保适配判断；
• “换一批”“第一款多少钱”“和刚才比”的多轮指代；
• Agent 最终排序；
• 展示模型原始思考链；
• 缓存最终货架文案。

画像、保障缺口、核保和业务策略留到后续版本。第一版只验证主 Agent 调用搜品能力、候选复用、当前货架校验、深档案卡片和可恢复事件。

前一篇 从对话到交互式音画同步动画讲解：一次保险产品介绍 AIGC 链路的工程化实践 里有个判断：LLM 做导演，后端做确定性制片，前端消费事件。

搜品链路也是同一件事，只是对象从动画变成了货架：

主 Agent 负责：
  理解用户 query / 判断是否搜品 / 选择 tool 或 subgraph / 组织最终回复
 
搜品能力负责：
  fast search / AgenticOne 产品召回 / cache / 货架过滤 / 深档案 / 规则排序
 
前端负责：
  展示主 Agent 的阶段过程、文本和产品卡片

搜品能力坐在主 Agent 的工具箱里。简单问题走快工具，复杂问题走子图。无论候选从哪条链路回来，最后一张卡片都必须通过当前货架和产品深档案的校验。