有一个产品明细表，数据10万条，带价格，现在有一个1000条产品的表格，需要到10万条数据里面找最相似的，并将价格列出来，同一产品名称不同，比如数据库里有大竹杆，大扫把，竹扫把1.9米，大扫帚等，我们查的产品可能是芨芨草扫把，需要从里面找到最相似的，我们现在的做法是系统一个字符一个字符去比对，找到比对上最多的，列出来，人工判定，今天通过大模型比对了一些案例，感觉效果很好，

主要体现在：一、分词很好，能找出一条数据里面的关键词，能识别规格型号，材质、工艺、品牌等等，都能识别出来；

二、有逻辑，比如，烧杯有50ml、100ml、500ml，能找到最接近的；

三、能根据逻辑判断哪个最相似，

如，玻璃烧杯/100ml 高型烧杯|50ml 高型烧杯|3000ml，这三个最接近的是哪两个，大模型给出的回答是：我们可以设定一个简单的评分系统，其中每个匹配的特征得到一定的分数，不匹配的特征得0分。假设满分为3分（每项1分），

我们可以这样计算：1.关键名词：烧杯与高型烧杯在功能上相似，但高型烧杯更具体，考虑到这一点，我们可以给“烧杯”与“高型烧杯”之间相似度评分为0.5分（因为高型烧杯是烧杯的一种，但不是所有烧杯都是高型的）。

2.3.材质：“玻璃”在第一个描述中出现，而在后两个描述中未提及。但由于烧杯通常默认为玻璃材质，我们可以假设相似度为1分，除非有相反的证据。

4.5.规格尺寸：容量不同，这意味着在这一项上没有相似性，得分为0分。

6.基于以上，我们可以计算两两之间的相似度得分：玻璃烧杯/100ml 与 高型烧杯|50mlo名称相似度 = 0.5分o材质相似度 = 1分o规格尺寸相似度 = 0分o总相似度 = 1.5分玻璃烧杯/100ml 与 高型烧杯|3000mlo名称相似度 = 0.5分o材质相似度 = 1分o规格尺寸相似度 = 0分o总相似度 = 1.5分高型烧杯|50ml 与 高型烧杯|3000mlo名称相似度 = 1分（因为两者都是高型烧杯）o材质相似度 = 1分（假设两者都是玻璃材质）o规格尺寸相似度 = 0分o总相似度 = 2分如果将总分3分视为完全相同，那么可以认为：“玻璃烧杯/100ml”与另外两种烧杯的相似度为50%（1.5/3）。“高型烧杯|50ml”与“高型烧杯|3000ml”的相似度为66.67%（2/3）。

但是，大模型只能一个一个去问，如果我有一个数据库，存了10万条数据，现在有1000条数据去一条一条找10万条数据里面最相似的，用什么样的方法更好呢？

假设我们现在有"关键名词、型号、尺寸及规格、材质、工艺、重量、标准号、外观颜色、包装、其他技术要求"这些属性,我们对10万条基础数据进行处理，让大模型先分词，然后导出存到本地查询数据库里，若每次查询的时候就先导入大模型，分词完以后，到本地查询数据库，用常规模糊查询，但是，这里面有个特别关键的问题，外面的系统查询能不能做的更像大模型，比如，导出一个烧杯75ml，分词以后，烧杯，75ml，但是系统只有50ml和100ml的，还有其他的250ml的，等等，能不能导出最接近的价格略高的那个尺寸，如这几个里面最优解就是100ml，这种怎么实现，这种例子很多，再比如，系统存了单位是公斤，如果大模型，天然的知道和kg是一个东西，然而，导出以后，没有大模型的帮助，这些都很难判断，类似的例子太多了。

谁有更好的办法解决这个问题，可以联系我，价格面议。