问题到知识（Q2K）：用于产品映射的可检验事实多智能体生成

识别两个产品列表是否指向同一个库存单位（SKU）是电子商务中的一个持久挑战，尤其是在显式标识符缺失且产品名称在不同平台上差异很大的情况下。基于规则的启发式方法和关键词相似度常常因忽略品牌、规格或捆绑配置中的细微差别而错误分类产品。为克服这些局限，我们提出了问题到知识（Q2K），这是一个利用大语言模型（LLM）进行可靠 SKU 映射的多智能体框架。Q2K 集成了：（1）一个推理智能体，生成有针对性的消歧问题；（2）一个知识智能体，通过聚焦的网络搜索解决这些问题；以及（3）一个去重智能体，重用经过验证的推理轨迹以减少冗余并确保一致性。人机协同机制进一步优化了不确定的案例。在真实世界消费品数据集上的实验表明，Q2K 超越了强大的基线模型，在捆绑包识别和品牌来源消歧等困难场景中实现了更高的准确性和鲁棒性。通过重用检索到的推理而非重复搜索，Q2K 平衡了准确性与效率，为产品集成提供了一个可扩展且可解释的解决方案。