← 返回博客
跳至主要内容

隆重推出 Glowe：基于 Agent 的韩国护肤方案

·阅读时长 14 分钟
Victoria Slocum
Prajjwal Yadav

hero image

护肤是高度个性化的，找到合适的产品来构建有效的护肤流程可能让人感到不知所措和不可能。 护肤行业每年产生数千种产品和数百万条评论，但大多数推荐系统无法捕捉成分、用户体验和护肤结果之间细微的关系，这些关系基于实际用户数据。 因此，我们构建了Glowe，一款韩国美妆推荐应用程序，它展示了领域知识代理、自定义嵌入策略和向量搜索如何创建真正智能的产品推荐。

无论您是想达到强效补水、光彩照人，还是针对痤疮或泛红等特定问题，Glowe 都会利用代理人工智能来推荐基于您的皮肤档案的有效且安全的产品组合。 它会考虑积极和消极影响、成分兼容性以及您自己的个人护肤目标，从而打造您专属的护肤方案。 Glowe 还具有代理聊天界面，让您可以自然地与其特定领域的知识互动，并实时获得个性化的护肤指导。

试试看！

Glowe 可以在这里使用：glowe.app

为什么领域知识代理在护肤中很重要​

Glowe 个性化体验的核心是一个护肤领域代理。 与试图涵盖所有内容的通用人工智能不同，领域代理高度专注于一个特定领域。 Glowe 不仅仅生成护肤流程，它还了解其背后的科学原理。

通过 Elysia（我们稍后会讨论）集成的 Weaviate Agents 提供支持，它结合了智能检索、定制提示和专家级推理，以提供真正有用且非通用的建议。

信息

Weaviate Agents 是为特定任务设计的预构建代理服务。 它们可供 Weaviate Cloud 用户开箱即用，以便与 Weaviate Cloud 中的数据进行交互，从而简化数据工程和人工智能开发流程。 了解有关 Weaviate Agents 的更多信息 here。

这为什么对护肤很重要？ 因为真正的解决方案需要的不仅仅是流行的产品！ 他们需要了解您独特的皮肤类型、目标、状况以及不同成分如何相互作用。 护肤领域代理应该

  • 解码每种成分对您的皮肤的实际作用
  • 发现潜在的产品冲突或相互作用
  • 以深度和准确性解读您的皮肤档案
  • 提供的建议不仅合理，而且真正有帮助、安全且植根于护肤科学

登录 Glowe 后，您可以访问智能的代理聊天界面以及您个性化的护肤流程。 您可以向它提问、获得定制推荐、调整您的产品组合或找到安全的替代品，同时它会记住您的皮肤类型、问题以及您正在使用的产品。

就像拥有您自己的护肤专家，全天候可用。

Glowe 数据和嵌入管道：从评论到推荐​

大多数护肤应用程序只是向您投放产品，而没有真正了解什么有效。 我们希望在 Glowe 中做一些不同的事情，因此我们构建了一个真正了解护肤流程如何在现实世界中运作的系统。

为此，我们从大约 1,440 个精选的韩国护肤产品和超过 94,500 条用户评论的健康数据集开始。 但与大多数推荐系统将产品和评论视为独立的孤立部分不同，我们着眼于产品如何在真实用户流程中协同工作的大图景。 因为说实话：您的早晨护肤流程不能也成为您的晚间护肤流程，并且有些成分只是不相容。

因此，我们将每条评论都通过 LLM（Gemma 3 12B）运行，以提取人们根据评论文本体验到的真正效果，无论是好的还是坏的。 结果？ 增强的评论，展示了什么有效（以及什么无效）

{
  "text": "Helped calm my redness and hydrate my skin, though I broke out a little at first.",
  "positive_effects": ["Reduced redness", "Hydration"],
  "negative_effects": ["Initial breakouts"]
}

这样，我们不是在猜测或使用营销定制的描述； 我们实际上知道每种产品基于真实体验的实际作用。

Glowe Data Processing Pipeline

嵌入挑战​

产品推荐中的一种常见方法是将整个产品对象（名称、品牌、描述、成分）嵌入到单个向量中。 但是，对于护肤而言，这可能存在问题。 通用字段可能会支配向量空间，从而稀释“补水”、“发光肌肤”或“祛痘”等特定护肤效果的重要性。 结果，重要的效果可能会被掩盖，我们将无法根据产品与特定结果的关联强度进行优先级排序，而这是构建有效护肤流程的基础。

解决方案：双嵌入策略​

我们使用 Weaviate 中的命名向量 将产品概念分离为两个不同的嵌入，以便每个向量都可以独立搜索

  1. 产品嵌入
    • 捕获描述性元数据：名称、品牌、类别、成分等
    • 用例： 主要用于一般浏览和产品搜索，用户可能会寻找特定品牌或产品类型。
  2. 效果嵌入（正面和负面）
    • 捕获产品的护肤功效，主要从实际用户评论中提取和加权。
    • 用例： 将产品与用户皮肤档案匹配并构建个性化的护肤方案（有助于有效流程生成）。

Glowe Product Embedding Strategy

效果嵌入​

这才是真正有趣的地方。 在构建用户精选的护肤方案时，我们需要了解产品与特定效果的关联强度。 为了反映这一点，我们使用基于评论提及的TF-IDF 加权嵌入。

如前所述，我们分析了每条评论并提取了 LLM 处理步骤中报告的皮肤效果。 然后，我们将它们聚类为 250 个总效果，以合并别名和语义相似的措辞（“补水肌肤”、“皮肤补水”、“补水”→“补水”）

简而言之，我们不仅关心产品是否有助于“补水”，而且想知道它与所有其他产品相比有多大的帮助。

什么是 TF-IDF？​

这样想：如果每个人都在谈论某件事（比如补水），它可能不是那么特别。 但如果只有少数产品擅长做一些稀有事情（比如减少泛红），那就是黄金。

TF-IDF 给了我们两个数字

  • TF（词频）： 某种效果在此产品中被提及的频率
  • IDF（逆文档频率）： 这种效果在所有产品中的稀有程度

现在，让我们逐步探索效果嵌入过程

步骤 1：定义效果嵌入​

每种护肤效果（例如 hydration、soothing、redness）都有一个静态向量

Vhydration=(0.2,0.1,0.7)Vsoothing=(0.9,0.5,0.3)Vredness=(0.3,0.9,0.8)\begin{aligned} V_{\text{hydration}} &= (0.2, 0.1, 0.7) \\ V_{\text{soothing}} &= (0.9, 0.5, 0.3) \\ V_{\text{redness}} &= (0.3, 0.9, 0.8) \end{aligned}

步骤 2：计算 IDF（逆文档频率）​

较少出现的效果权重更高。

  • 保湿：出现在 1000 个产品中的 600 个 → IDF ≈ 0.51（此处 dfhydration=600,N=1000df_{hydration}=600,N=1000）
  • 类似地，舒缓：300 → IDF ≈ 1.20，发红：75 → IDF ≈ 2.60。
IDFi=log(Ndfi)IDF_i = log(\frac {N} {df_i})

步骤 3：计算 TF（词频）​

统计每个效果在本产品评论中出现的频率

  • 保湿（12 次提及）：TF ≈ 2.56（ chydration=12c_{hydration}=12）
  • 类似地，舒缓（5）：TF ≈ 1.79，发红（9）：TF ≈ 2.30
TFi=log(ci+1)TF_i = {log({c_i}+1)}

步骤 4：将 TF × IDF 组合成效果权重​

我们对罕见但强烈提及的效果赋予更高的权重

wi=TFi⋅IDFi∑j[TFj⋅IDFj]w_i = \frac {TF_i \cdot IDF_i} {\sum_{j}[TF_j \cdot IDF_j]}
whydration≈0.14;wsoothing≈0.23;wredness≈0.63w_{hydration} ≈0.14 ; w_{soothing} ≈0.23 ; w_{redness}≈0.63
whydration+wsoothing+wredness=1w_{hydration} + w_{soothing} + w_{redness} = 1

步骤 5：构建最终效果向量​

我们使用这些权重来混合静态向量

veffect=vhydration⋅whydration+vsoothing⋅wsoothing+vredness⋅wrednessv_{effect} = v_{hydration} \cdot w_{hydration} + v_{soothing} \cdot w_{soothing} + v_{redness} \cdot w_{redness}

步骤 6：（可选）添加描述多样性​

为了避免重复，我们轻轻地混合产品描述向量

vector=veffect+γDvector = v_{effect} + γD

其中 DD 是描述嵌入，γDγD 是一个小的调整权重。

回报​

双重嵌入策略使我们能够根据其相关效果的强度对产品进行排名。这确保了罕见但有意义的效果不会被常见效果所掩盖。而且，我们获得了一个丰富、加权的 effect_vector，它反映了产品实际效果，而不仅仅是标签上的描述。非常适合构建有效、个性化的护肤方案！

Weaviate 和 Gemini：赋能美容方案生成​

在这一部分，我们将介绍如何将关于您皮肤的几个问题转化为完全个性化的护肤方案。简而言之？这归功于幕后工作的两个强大工具：Weaviate 和 Gemini 2.5 Flash 语言模型。现在，让我们详细了解一下这个过程。

收集用户信息​

旅程始于一个简短、有针对性的问卷调查，旨在了解您皮肤的当前状况、目标、年龄以及任何敏感性。由此，我们构建了一个结构化的 user_information 字典，例如

user_information = {
    "goals": {
        "firmer_skin": False,
        "hydrate": False,
        "glow_up": False,
        "repair_renew": False,
        "soothe_relax": False,
        "protect": False
    },
    "conditions": {
        "acne": False,
        "clogged_pores": False,
        "redness": True,
        "wrinkles": True,
        "pigmentation": True,
        "rough_texture": False
    },
    "skin_type": 67,  # if <33: 'Dry'; elif >66: 'Oily'; else: 'Normal'
    "sensitive_skin": False,
    "age": 30,
    "additional_concerns": "My skin doesn't work well with retinol"
}

这些数据是后续所有内容的基础。

产品类别选择​

每个方案都以洁面乳和保湿霜作为基础。如果是早间方案，我们还会添加防晒霜。然后，根据您特定的皮肤状况和目标，我们添加其他类别，如爽肤水、精华液、去角质产品或面膜。例如，如果您正在处理色素沉淀和泛红问题，我们会在您的方案中包含面膜和爽肤水。

使用 Weaviate 进行产品检索​

一旦我们知道您需要哪种类型的产品，就该找到实际产品了。

这时 Weaviate 发挥作用！如果您还记得之前关于 效果嵌入 的部分，我们集合中的每种产品都有一个 effect_vector，基本上是它擅长什么的指纹（保湿、舒缓、去角质等）。Weaviate 使用这些向量对您的皮肤需求和目标进行相似性搜索。这会同时在所有选定的类别中进行，从而为您的方案中的每个步骤生成一份最佳匹配产品的简短列表。

使用 Gemini 2.5 Flash 组装您的方案​

一旦我们有了最佳的产品选项，就该使用 Gemini 2.5 Flash 组装您的实际护肤组合了。

Gemini 会全面评估您的个人资料，并从每个类别中选择最适合您的产品，确保它们搭配使用效果良好，尊重您的敏感性（例如避免视黄醇），并避免成分冲突（例如叠加使用多种强酸或刺激性去角质产品）。

这正是智能提示发挥作用的地方 ✨

就像许多顶尖的 AI 应用使用详细的系统指令来获得来自 LLM 的出色回复一样，我们使用丰富的、特定于护肤领域的（领域知识）来指导 Gemini 的决策。

Gemini 还会生成元数据，例如成分说明、建议和潜在改进，以便您更好地了解您的日常护肤流程以及它为什么适合您。

Beauty Routine Generation

经过这个过程，您将拥有一个完整的早晚护肤流程，个性化到成分级别，并根据您的皮肤需求量身定制，而不是与之对抗！

Glowe 代理聊天：由 Elysia 提供支持​

我们希望 Glowe 不仅仅是生成日常护肤流程和建议；我们设想它成为一个智能伴侣，能够以自然、对话的方式与您交流。

因此，我们直接在 Glowe 中构建了一个出色的代理聊天助手，由 Elysia! 提供支持。

Elysia 是什么？​

Elysia 是 Weaviate 推出的一个开源代理平台（即将发布），用于通过决策代理 LLM 调用自定义工具。它具有内置的功能，用于在 Weaviate 中搜索和检索数据。

您可以将其视为 Glowe 代理聊天的“大脑”。与其他基于代理的软件包不同，Elysia 预配置为运行各种工具，并具有许多开箱即用的功能，专为复杂、上下文感知交互而设计。主要功能包括

  • 决策树逻辑： Elysia 基于决策树结构运行，允许根据用户输入和上下文进行引导式对话和任务执行。这意味着它可以根据您所说的话遵循不同的对话路径，确保它保持在正轨上并理解您的需求。
  • 上下文感知和用户管理： Elysia 非常擅长跟踪信息。它有一个“用户管理器”，可以跟踪所有用户及其对话历史记录，以及保存和检索聊天的功能。
  • 自定义工具创建和集成： Elysia 的最佳功能之一是它的 灵活性。它允许我们轻松定义和集成自定义工具，决策代理可以毫不费力地使用这些工具。在我们的设置中，我们添加了一堆针对特定功能的自定义工具，例如 Stack Agent 和 Product Agent。
  • 自我修复/纠正循环： 此功能是其核心决策周期的一部分，涉及对每次工具执行的结果评估。目的是使决策代理能够识别潜在的误解或错误并尝试恢复，从而实现更强大的聊天交互。

我们很高兴地宣布 Elysia 将很快 作为开源项目发布。我们的目标是赋能开发者构建他们自己的复杂、特定领域的智能代理，类似于 Glowe 的驱动力。

信息

您可以在这里试用 Elysia 应用程序的公共预览版：elysia.weaviate.io

Glowe Agentic Chat

Weaviate 查询代理：Elysia 中的一个专用工具​

Elysia 最有用的工具之一是 Weaviate 查询代理。当 Glowe 需要从我们广泛的 Weaviate 产品系列中查找特定产品时，就会激活此代理。

信息

Weaviate 查询代理是一个预构建的代理服务，旨在根据存储在 Weaviate Cloud 中的数据回答自然语言查询。用户只需提供自然语言的提示/问题，查询代理就会负责所有中间步骤以提供答案。了解更多。

例如，如果您问类似“为敏感肌肤寻找一种保湿精华”的问题，代理管理器会将您的请求交给 Elysia，然后 Elysia 将决定调用 Weaviate 查询代理。其工作原理如下

  • 自然语言到结构化查询： 您可以用自然语言提出复杂的多阶段问题，查询代理会解释您的意图并将其转换为精确的搜索（带有必要的过滤器）或在您的 Weaviate 集合中的聚合，无需自定义查询管道。
  • 代理检索： 查询代理会生成并执行在选定的 Weaviate 集合上合适的搜索或聚合查询。这利用了 Weaviate 的向量搜索、过滤和聚合功能来检索最相关的数据对象。
  • 综合并返回答案： 查询代理会收集结果，综合最终答案，并返回详细的响应。这包括答案本身、所用集合和过滤器以及数据来源的信息，使流程透明且可解释。

最终产品通过 Glowe 聊天界面显示给用户。简而言之，您可以将 Elysia 视为指挥家或主树，而 Weaviate 查询代理则是一棵专门的音乐家或叶节点，以高精度处理特定的数据检索任务。

Glowe Chat Interface

结论：未来是专业化和代理化的​

我们构建 Glowe 的目的是揭开护肤的神秘面纱，并赋能用户基于可靠的原则和真实的经验构建有效的个性化流程。这一过程涉及深入研究数据处理、探索细微的嵌入策略以及架构一个能够理解和在韩国护肤特定领域内行动的智能代理。

这个项目突出了我们认为将塑造 AI 应用未来的几个关键趋势

  • 领域知识代理： 随着 LLM 变得越来越强大，它们在专业应用中的真正价值将通过微调它们或将它们集成到具有深度领域特定知识和规则的系统中来释放。通用智能很有用，但专业智能驱动有针对性的解决方案。
  • 查询代理的力量： 通过“查询代理”（如我们的 Weaviate 查询代理）将 LLM 与结构化和非结构化数据源连接起来至关重要。这使得 LLM 能够基于事实数据进行回复、检索特定信息并充当更有效的助手。
  • 向量数据库作为基石： 对于依赖语义搜索、推荐或基于细微相似性进行匹配的应用，向量数据库（如 Weaviate）正变得不可或缺。它们提供了高效存储、索引和查询捕获复杂关系的、高维嵌入的基础，为 AI 应用奠定了基础。

Glowe 只是这些技术融合时可能实现的一个例子。我们设想一个未来，高度专业化、代理系统可以在无数领域提供专家级帮助，从个人理财和法律建议到复杂的科学研究，当然还有帮助您实现完美的护肤效果。

准备开始构建了吗？​

请查看 快速入门教程，或使用 Weaviate Cloud (WCD) 的免费试用版构建令人惊叹的应用程序。

GitHub

论坛

Slack

X (Twitter)

不想错过另一篇博文？

注册我们的双周时事通讯以保持更新！


提交后，我同意 服务条款和 隐私政策.