例如，一個用戶要購買“咖啡工具”和“戶外裝備”，可以輸入“手沖咖啡愛好者的沖泡工具和配件”“戶外運動愛好者的裝備”等。

不過，這些描述過于籠統，無法讓nterests篩選出非常符合用戶細分需求的商品，因此，用戶還可以輸入較長的提示（prompt），以進一步“定制”自己的購物頁面。

例如，一個用戶正在給家里搞裝飾，其想要的裝飾風格，比較復雜，他可以寫一段很長的提示，讓Interests幫他找到對應的裝飾品，比如，可以輸入一個這樣的長提示：“家里正在裝修，我在尋找墻壁藝術裝飾品，風格必須是抽象或現代的，由黑色金屬制成（不要帆布），可能是幾何風格的極簡主義作品，能彰顯個性的工業風格裝飾，切記，不要太傳統。”

用戶如果同時有N個需求，就可以同時輸入N個提示。

在用戶創建了“購物提示”之后，系統會自動“保存”，接著，Interests就會在后臺持續運行，開足馬力地為用戶篩選、匹配其“感興趣”的商品。

值得注意的是，該“匹配”和“推薦”過程，不是靜態的，而是動態的。Interest推薦了一輪商品之后，如果某一天某一個賣家又上架了一個新商品，該商品又非常符合用戶之前“定制”的需求，此時，Interests就會通知該用戶，又一個新商品“到貨”了。此外，相關商品有打折優惠活動、缺貨補貨等情況等，Interests也會及時通知到用戶。

Interests 依托于大型語言模型 (LLM)，將用戶的“日常語言”，“翻譯”成傳統搜索引擎可以理解并處理的“查詢指令”（queries），最后轉化成“商品推薦”。

總體而言，Interests與我們熟悉的“千人千面”個性化推薦，有一定的區別。

傳統電商的“千人千面”有一定的弊端，算法根據用戶的瀏覽、搜索、購買等行為數據，描繪出用戶畫像，然后推送他們可能感興趣的商品。然而，算法容易陷入信息繭房之中，推薦的內容過于單一化和片面化，容易讓用戶產生審美疲勞，降低購物體驗。

Interests不僅會抓取用戶的歷史軌跡，最重要的是讓用戶直接參與進來，自己提出需求，自己定制購物頁面，最關鍵的是，Interests基于亞馬遜AI算法COSMO，更加擅長于透視和挖掘用戶意圖（intent），從這個角度上講，比傳統的“千人千面”的個性化推薦，Interests可能會更懂用戶的需求。