做外賣產品的幾年裡，我有很長一段時間都在做 Search 和 Recommendation。
這兩個東西常常被放在一起講，但解決的 User Problem 其實不太一樣。
最簡單的理解是：
Search：我大概知道我要找什麼。
Recommendation：我不知道要什麼，你先給我一些選擇。
例如今天突然很想吃麥當勞，我會直接 Search：
「麥當勞」
甚至：
「麥脆雞」
這時 User Intent 很明確，Search 要做的事情就是：
快、準，不要擋路。
但如果今天是：
「晚餐吃什麼？」
不知道。
那我可能開始滑首頁，看看附近熱門、最近常吃、猜你喜歡。
這就是 Recommendation 很重要的場景。
以前做產品時，這兩條 Journey 我非常熟悉。
但現在回頭看，我覺得中間其實一直存在第三種 User。
例如今天我腦袋裡其實有一些想法：
今天有點冷，想吃熱的。
不想吃太油。
最近那些店有點吃膩了。
最好不要超過 300 元。
我不是「不知道要吃什麼」。
我其實知道很多。
但問題是：
我要 Search 什麼？
「熱的」？
「不油」？
「300 元」？
「沒吃過」？
這些都不像我們以前習慣的 Search Query。
但如果直接去滑 Recommendation，也不一定能解決。
因為 Recommendation 可能知道：
我過去很常吃日料。
所以又推了一排日料給我。
問題是：
我今天就是不想吃平常那些。
這群 User，其實卡在 Search 和 Recommendation 中間。
以前做 Search，我很常遇到一個問題：
User 輸入的東西，不一定是標準 Keyword。
有人搜店名、有人搜菜名、有人搜 Cuisine，同一個東西大家的講法也可能完全不同。
所以 Search 背後一直都在做：
Query
↓
Query Understanding
↓
Intent / Rewrite / Synonym
↓
Recall
↓
Ranking
也就是：
把 User 的表達，轉成 System 理解的東西。
所以「理解 User 說什麼」並不是 LLM 出現之後才有。
Search 已經做很多年了。
Recommendation 面對的是另一個問題：
User 根本沒有 Query。
那怎麼辦？
只能從其他 Signal 判斷。
例如：
最後回答：
「在 User 什麼都沒說的情況下，我應該先給他看什麼？」
所以 Search 和 Recommendation 本來就是互補的。
一個從 Query 出發。
一個從 Behavior / Context 出發。
但一直有一塊比較難處理：
User 有 Intent，只是還不夠明確。
例如：
「想吃清淡的，但不要沙拉。」
「最近吃太多便當了，想換點不一樣的。」
「下雨天想吃熱的，30 分鐘內可以送到。」
「今天跟小孩一起吃，不要辣，最好有麵。」
這些需求非常自然。
我們每天都可能這樣跟朋友講。
但以前放進 App，可能得先拆成：
Price [300 以下 ▼]
Spicy [不辣 ▼]
Delivery [30 min ▼]
Category [麵食 ▼]
問題是：
User 腦袋裡原本根本不是一張 Filter Form。
他只是想：
「今天想吃個小孩也能吃、不要辣的麵。」
AI 真正改變的，不只是讓 Search 可以輸入更長的 Query。
而是：
產品開始可以接受一個還沒有完全結構化的需求。
這讓我想到 Recommendation 裡一個很典型的問題：
Exploration vs. Exploitation。
已經知道 User 喜歡什麼，就繼續推薦，通常比較容易轉換。
但如果永遠只推吃過、點過、喜歡過的東西，User 也很難發現新的選擇。
所以 Recommendation 本來就會做適度 Exploration。
但問題是：
我們以前其實不知道 User 今天想不想 Explore。
有時候我想的是：
「拜託不要冒險，我今天只想吃平常那家。」
有時候卻是：
「吃膩了，拜託給我點新的。」
同一個 User，Historical Behavior 完全一樣。
但今天的：
Current Intent 完全不同。
自然語言剛好可以補上這個 Signal。
例如 User 說：
「最近那些都吃膩了，想換新的，但不要太冒險。」
System 已經知道他平常吃日料、台式、韓式，很少吃辣，客單價通常在 200～300。
那 AI 就可以把：
Current Intent + Historical Preference
一起拿來縮小候選。
這時候 Search 和 Recommendation 的界線也開始變得沒那麼清楚。
它不是單純 Search。
也不是被動 Recommendation。
而是讓 User 從一個還不完整的想法開始：
「想吃熱的」
↓
「但不要太油」
↓
「最近那些有點吃膩了」
↓
Current Intent + Context
↓
縮小候選
↓
給出幾個真正適合的選擇
User 不需要一開始就知道正確 Keyword。
也不需要自己面對十幾個 Filter。
他只需要：
把目前知道的講出來。
System 再幫忙把模糊 Intent 收斂成可以 Search、Recommendation、Ranking 的條件。
這也是我現在看 AI Product 很在意的一件事。
有 Chatbox，不代表所有 Journey 都應該 Conversation First。
如果 User 說：
「Starbucks」
結果 AI 回：
「好的！請問今天想喝什麼類型的飲料呢？」
我可能會很想把 App 關掉。
因為 Intent 已經很明確。
直接給 Search Result 就好。
反過來，如果 User 說：
「今天很冷，想喝熱的，但不要咖啡。」
這時還要求他自己去：
飲料
→ 非咖啡
→ 熱飲
→ Filter
也很笨。
所以真正好的 AI UX，不是把所有 Search 變成 Chat。
而是：
根據 User Intent 的清晰程度，選擇最有效率的 Interaction。
「麥當勞」
「牛肉麵」
「XX 店」
不要多問。
直接找。
「不知道吃什麼。」
「先看看。」
用 Historical Behavior、Context、Popularity 幫 User 開始探索。
「想吃熱的、不辣，最近那些有點吃膩了。」
User 已經有 Constraints，只是還沒有答案。
這時自然語言最有價值。
模糊 明確
│──────────────────────────────────────│
Recommendation Conversational Search
Discovery
以前我們很常問：
「這個 User 是 Search User 還是 Browse User？」
現在我可能會先問：
「他的 Intent 到底有多清楚？」
做了幾年 Search 和 Recommendation，我現在還是不覺得它們會被 AI 取代。
因為 User 本來就有不同狀態。
有時候：
我知道我要什麼。
有時候：
我完全不知道。
但其實更多時候是：
我知道一點，但還說不出一個精準答案。
以前我們用 Category、Filter、Collection、Search Suggestion、Recommendation，努力幫 User 收斂這些模糊需求。
現在 Natural Language 多提供了一種可能：
User 不需要先學會怎麼描述給 System 聽，而是先把自己知道的講出來，讓 System 幫忙把需求收斂。
Intent 明確，就別逼 User 聊天；Intent 模糊，也別逼 User 猜 Keyword。
Search、Recommendation 和 AI 不需要互相取代。
它們應該服務不同程度的 Intent。
而 AI 真正補上的，是中間那塊以前比較難做好的：
「我知道一些，但還不知道自己到底要找什麼。」
iThome鐵人賽
看影片追技術