Fashion E-Commerce Chatbot — Architettura Multi-Agent

💬

Ingresso — Messaggio Utente

Query Utente

L'utente invia un messaggio in italiano al chatbot. La query può essere esplicita (es. "cerco scarpe rosse") o ambigua in contesto multi-turno (es. "di rosse?", "me ne consigli?").

MemorySaver di LangGraph mantiene la cronologia dei messaggi tra turni conversazionali.

🔀

Step 1 — Router Agent

Intent Classification + Context Resolution

Il Router analizza la query e decide quale agente specializzato deve gestire la richiesta.

FAISS Few-Shot: recupera 5 esempi simili dal dataset ecommerce-intent-routing (2.750 esempi etichettati con intent).

LLM Structured Output: GPT-4o-mini classifica l'intent con schema Pydantic (RouteDecision) → agent_ricerca, agent_recommender, agent_saluti o agent_default.

Context Resolution: se conversazione multi-turno (len > 1), l'LLM estrae keyword pulite dal contesto conversazionale rimuovendo parole come "consigliami", "simili", "cerco". Es: "consigliami di simili" → "scarpe rosse donna". Il risultato viene salvato in resolved_query e passato agli agenti downstream.

GPT-4o-mini (max 2 calls) FAISS Router Index

RECOMMENDER

SALUTI

DEFAULT

🔍

Search Agent

Ricerca Prodotti

Ricerca semantica nel catalogo Amazon Fashion (100.000 prodotti).

Riceve resolved_query in italiano

Traduzione IT→EN tramite LLM

Ricerca FAISS (k=20 prodotti)

Filtro pertinenza + risposta IT (LLM)

2 LLM calls FAISS 100k

✨

Recommender Agent

Raccomandazione

Sistema ibrido LightFM (content-based + collaborative filtering).

Riceve resolved_query in italiano

Traduzione IT→EN tramite LLM

FAISS trova anchor contestuale

Dot product LightFM → top 5 simili

1 LLM call LightFM

👋

Saluti Agent

Saluti

Risposta statica di benvenuto/ringraziamento.

Gestisce: "ciao", "grazie", "arrivederci".

0 LLM calls

❓

Default Agent

Fuori Scope

Rimanda al supporto umano per richieste fuori dominio.

Gestisce: spedizioni, resi, account, bug tecnici.

0 LLM calls