这是什么

工程师 Doug Turnbull 分享了一个反直觉的分类技巧：不要让大模型（LLM）从你的现有标签里挑，而是让它先"自由发挥"生成新词——业界戏称 hallucinate（幻觉，意思是模型生成不在输入依据里的内容），再用向量嵌入（把文字转成一串数字，用于计算相似度）去找现有词库里最接近的几个。

他用家具电商举例：给模型一个查询"棕色咖啡桌"，让它编出几个分类建议（比如"Furniture / Living Room Furniture / Coffee Tables"），再用这些新标签和已有的 1856 个真实标签做相似度比对，挑出最匹配的。

这套做法绕开了传统分类的两难：词表太大塞不进提示词，词表太小又覆盖不全。

行业怎么看

我们注意到，把这条分享出来的是 Simon Willison——英文圈最有影响力的 AI 实操博主之一，他把它放到博客显眼位置，本身就是一种背书。

更值得关心的是背后的思路：把"大模型擅长的事"和"你要它遵守的约束"分开处理。LLM 负责天马行空，向量检索负责拉回现实。这与过去两年业界力推的 RAG（Retrieval-Augmented Generation，先检索相关文档、再让模型基于检索结果回答）模式一脉相承。

但也有反对声音。搜索工程师社区指出，向量匹配本身有误差，对边角品类和新奇特商品容易匹配错。更大的隐患是：如果你的现有标签库本身就有冗余和错误，AI 再怎么"幻觉"，错的还是错的——这套方法优化了流程，没优化源头。

对普通人的影响

  • 对企业 IT：有商品库、内容库、文档库的中小企业，可以参考这个思路做低成本标签整理，不必立刻上专业分类系统。
  • 对个人职场：做内容运营、电商运营的人值得记住这种"AI 出草稿、向量做校验"的人机分工模板。
  • 对消费市场：电商搜索和推荐可能因此更准，但也可能偶尔出现"明明搜的是咖啡桌，推荐的是边几"的偏差，购物时多看一眼分类树。