随着电子商务的发展从信息经济转向注意力经济，商家在瞬息万变的数码市场中，需要花越来越多的精力吸引和维持消费者的注意力。生成式人工智能，特别是大型语言模型，正在改变商家与客户互动的方式，它能够与客户进行个人化、人性化和情境感知的交流。这一转变将电子商务从静态的搜索系统推向动态的代理互动。尽管先前的研究通过各种方法检视了客户的注意力，例如注意力分配模型、眼动追踪、认知负担理论和行为经济学，但这些方法往往难以整合多模态数据、情境及情感因素，以及社会动态。传统的预测和决策模型也缺乏自然语言理解和生成能力，这限制了它们在捕捉客户意图和支持适应性、注意力驱动策略方面的有效性。

本项目的目标是为基于注意力的电子商务应用开发人工智能代理，这些代理能支持实时互动、适应性反应和自主决策。在第一阶段，生成式人工智能将从多模态数据中发掘客户注意力和行为的新模式，随后为商家开发少量样本（few-shot）和零样本（zero-shot）预测模型。根据这些洞见，本项目将设计适应性、注意力驱动的产品选择和销售策略，结合大型模型来进行情感分析、意图识别、产品定位和内容生成，与较小、更高效的模型（如动态规划和机器学习）相结合，以优化关键词选择、目标广告投放和自然及付费渠道上的个性化销售。

在第二阶段，项目将开发以任务为主的人工智能互动优化工具，以及专为电子商务运营而设计的基于代理的决策框架。这些优化工具将结合自然语言和数值反馈，协助商家完成特定任务，包括产品选择优化、适应性匹配和配给决策。我们将研究基于代理的建模和混合专家架构，以支持动态对话和复杂环境的模拟。项目将进一步引入一个严谨的监督性微调框架，用于基于扩散模型的连续时间强化学习，将其构建为随机控制问题，使模型输出与商家的目标保持一致，最终让商家能够获得稳健、高效且可扩展的人工智能驱动决策支持。