三层模型架构:通用、行业与专属店铺模型的分工

“用哪个大模型”经常被当作 AI 客服采购的首要问题。它当然重要，却不足以解释系统为什么在某家店可靠。通用模型负责广泛语言与推理能力，行业模型吸收品类共性，店铺模型适配客户特有的商品、规则、话术与客群；外部实时库则提供不断变化的事实。最终能力来自这些层的分工，而非某个模型名称。

三层架构不是学术界唯一标准术语，而是未来对话对自身生产体系的抽象。它与基础模型、领域自适应和任务适配研究相呼应，但必须通过自身数据验证。本文既说明它的合理性，也讨论它可能失败的条件。

一、第一层：通用模型提供广泛底座

基础模型在大规模多源数据上训练，可以被适配到广泛下游任务。Stanford CRFM 的基础模型报告强调，这类模型的通用性来自规模与迁移能力，同时也会把上游数据和模型的缺陷传播到大量下游系统¹。

在客服里，通用层适合承担：

• 中文理解与生成；
• 通用意图、实体和多轮语境理解；
• 基础推理与格式遵循；
• 通用安全能力；
• 面对分布外问题时提供广泛知识。

它不应承担店铺最新库存、活动有效期或专属赔付规则。通用模型知道“冲锋衣是什么”，不一定知道当前品牌这件冲锋衣的面料、库存与售后边界；它能写流畅回答，也不代表符合品牌的销售逻辑。

通用层的选择应综合任务质量、延迟、成本、部署与安全，而不是只看公开基准。基座升级还会改变上层适配表现，因此每次更新都需回归。

二、第二层：行业模型沉淀品类共性

行业层处理跨客户可复用、又不属于通用常识的模式。例如服饰中的版型与尺码表达、户外装备中的场景—参数关系、家居中的安装与空间决策。这些知识来自真实业务语料、领域专家与多个客户共有结构。

领域自适应研究为这一层提供了外部依据。Gururangan 等人在四个领域与八个任务中发现，在通用预训练后继续使用领域语料训练，能在高、低资源条件下改善下游表现；任务自适应在领域适配之后仍可继续带来收益²。这说明“模型越通用，领域训练越没必要”并非普遍成立。

未来对话对外披露的行业资产口径为 10.2B+ 真实电商交互训练量，单位是交互条数，不是用户数、会话数或营收；并覆盖 5+ 核心行业，这里的 5+ 是行业数量，不是客户数量³。这些规模只能说明训练素材与覆盖范围，不能单独证明效果。真正证据仍是独立测试与真实业务对照。

三、第三层：店铺模型适配客户独有差异

店铺层处理只属于某个客户的稳定模式：

• 商品结构、属性解释和选品逻辑；
• 品牌语气、禁用表达与服务标准；
• 特定客群的隐性需求与异议；
• 复杂规则下的决策习惯；
• 人工优秀回复中可复用的销售方式。

参数高效微调使独立适配在资源上更可行。LoRA 冻结基座权重、训练少量低秩参数，可显著减少不同任务保存完整模型的成本⁴。从架构上，可以共享通用与行业层，为各店铺保留隔离的适配器、知识与评测。

但“店铺模型”不应变成把所有客户信息塞进参数的口袋。经常变化的活动、库存和订单状态更适合保留在外部系统；需要硬性执行的权限和金额规则更适合确定性代码。店铺层主要学习相对稳定、反复出现的行为模式。

四、三层之外，还有六类实时数据

模型层级解决“能力如何组织”，实时库解决“当前事实是什么”。未来对话内部总结把生产信息抽象为品牌知识库、商品库、活动库、会话库、用户库和订单库。六类数据具有不同更新频率、权限和风险：

数据层	典型内容	主要要求
品牌知识	定位、语气、服务标准	版本与审批
商品	SKU、属性、图文、尺码	完整性与上新同步
活动	优惠、叠加、有效期	时效与冲突处理
会话	上下文、历史意图、反馈	隐私与长度控制
用户	画像、会员、偏好	最小化与授权
订单	状态、物流、售后	实时性与身份核验

RAG 的原始框架说明了参数化模型与可检索记忆结合的价值⁵。对三层模型而言，外部库不是附加项，而是防止模型参数承担过时事实的必要分工。

五、一次回答如何跨层协同

以“我 162、52kg，腿型不直，想要通勤黑裤”为例，系统可能依次完成：

1. 通用层理解语言、识别商品咨询和身体描述；
2. 行业层调用服饰版型知识，知道哪些版型可能修饰腿型；
3. 店铺层使用该品牌的商品结构、话术和禁用边界；
4. 商品库筛选当前可售 SKU；
5. 尺码数据给出候选并标注不确定性；
6. 活动库计算当前权益；
7. 风险规则避免作出绝对身材或功效承诺；
8. 生成回复并保留证据与可追踪版本。

这条链说明三层不是三个模型轮流聊天，而可能是共享基座、适配器、检索、路由和规则的组合。实现形式可以变化，分工与评测责任不能模糊。

六、为什么不能只做一个“万能行业模型”

行业共性确实能提高新客户起点，却无法完整覆盖店铺差异。问题不只是知识缺失，还包括决策冲突：同样的用户需求，不同品牌可能主推不同款式、使用不同尺度解释和营销边界。

如果把所有客户数据混到一个行业模型，可能发生三种污染：

• 多品牌冲突规则相互干扰；
• 客户专有话术或信息泄漏到其他客户；
• 高频大客户分布压制小客户场景。

所以行业层应学习可授权、可泛化的模式，店铺层保留专属差异。跨客户迁移需要数据权利与独立评测，不能把“行业沉淀”当作绕过隔离的理由。

七、为什么也不能为每家店从零训练

从零训练会重复学习语言和行业共性，成本高、数据需求大，也可能降低通用能力。分层的规模价值正来自复用：通用层共享语言底座，行业层共享品类结构，店铺层只处理增量差异。

这种结构是否真的降低成本，需要用同一行业新客户的冷启动起点、跨线人天和稳态维护人天验证。若每家店仍需大量手写规则，三层架构只是一张图；若复用层持续改善新客户起点，专属层适配投入下降，才说明分层有效。

八、持续学习带来的遗忘与版本问题

模型适配不是只增不减。持续预训练研究指出，面对随时间变化的新语料，模型需要在学习新分布与保留旧知识之间权衡⁶。店铺层更新新品时，可能损伤旧品类；行业层吸收新客户经验时，可能影响其他客户。

因此，每层都要独立版本化：

• 基座模型版本与许可证；
• 行业语料、训练配方与行业基准；
• 店铺数据快照、适配参数与专属回归；
• 六类实时库的版本和生效时间；
• 路由与规则版本。

一次线上回答应能追溯到这组版本。升级时先跑通用、行业与店铺三套回归，再灰度放量；发生问题可只回退受影响层。

九、如何评测三层是否各司其职

可以设计消融实验：

• 只有通用层；
• 通用层加行业层；
• 再加店铺层；
• 再接实时检索与工具；
• 最后加入规则、拒答与质检。

在相同样本、知识快照和工具权限下比较，才能知道每层带来的增益。指标应包括任务完成、严重错误、证据支持、店铺规则遵守、延迟、成本和跨客户泄漏。

还要准备“相似但相反”的对抗样本：两家店对同一活动有不同叠加规则，系统必须选择当前店铺版本；同一商品旧版与新版政策冲突时，必须使用生效版本。分层最重要的能力不是知道得多，而是知道当前应该用哪一层的什么信息。

十、数据隔离与模型隔离不是同义词

“专属模型”常被误解为所有计算都在客户本地。更准确的含义应由合同和架构具体说明：原始数据是否隔离、适配参数是否独立、日志与知识库如何访问、是否用于其他客户训练、终止后如何删除或导出。专属层可以建立在共享基座上，关键是客户特有资产与决策边界可控、可审计。

NIST AI RMF 要求对第三方模型、数据与组件的风险进行映射和持续管理⁷。三层越复杂，供应链与责任边界越需要文档化。

十一、三层架构的反证条件

若出现以下情况，应承认架构未达到目标：

• 行业层没有提高同类客户冷启动表现；
• 店铺层相对提示词与 RAG 基线无显著增益；
• 适配一个客户导致其他客户退化或泄漏；
• 六类实时数据无法版本化，答案不可追溯；
• 基座升级需要所有客户重新人工调试；
• 单客户跨线人天与维护成本长期不降。

可反证，才使架构从叙事变成方法。

十二、架构命名必须对应可检查的边界

“通用、行业、店铺”若只出现在方案图里，团队很容易把任何逻辑都归入任意层。每项能力应有归属表：谁提供数据、谁批准更新、影响哪些客户、用什么测试验收、发生错误回退哪一层。跨层依赖也应显式记录。

例如活动叠加规则属于店铺实时知识，不应因频繁出现就擅自沉淀到行业模型；服饰通用版型知识可以进入行业层，但具体品牌的内部尺码修正不能跨租户复用。边界清楚，才既能积累共性，又能保护专属差异。

结语

三层模型的价值不在“模型数量多”，而在把共性、行业性与客户特性放入不同生命周期：通用层共享广泛能力，行业层积累品类模式，店铺层保留专属行为，六类实时库提供当前事实，规则与权限控制行动边界。

这套分工能否成立，要靠消融评测、版本追踪和单位客户适配成本证明。要进一步理解专属层为何不必等于项目制，可读如何把定制压缩为训练；要理解事实层为何不能只靠模型参数，则读RAG 的能力边界。

Footnotes

1. Bommasani et al., “On the Opportunities and Risks of Foundation Models,” Stanford CRFM, 2021。arXiv ↩

2. Gururangan et al., “Don’t Stop Pretraining: Adapt Language Models to Domains and Tasks,” ACL 2020。ACL Anthology ↩

3. 未来对话公开口径：10.2B+ 为真实电商交互训练量，单位为交互条数；5+ 为核心行业深度覆盖数。二者是资产规模口径，不是效果统计。 ↩

4. Hu et al., “LoRA: Low-Rank Adaptation of Large Language Models,” ICLR 2022。arXiv ↩

5. Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks,” NeurIPS 2020。arXiv ↩

6. Jin et al., “Lifelong Pretraining: Continually Adapting Language Models to Emerging Corpora,” NAACL 2022。ACL Anthology ↩

7. NIST AI RMF Core, Map 4：要求识别与记录第三方数据、软件和模型组件风险。NIST AIRC ↩