两边服务市场正从固定表单的确定性请求转向基于大语言模型（LLM）的 AI 原生概率匹配。LLM 能从自然语言中推断意图、偏好和潜在约束，使平台必须重新构建面向服务提供者的偏好标签体系，以支撑匹配、搜索和定价，同时保持对平台决策的有效信号。
我们提出一种 autoresearch 循环，逐职业生成标签体系，并已于 2026 年 4 月在美国大型消费服务市场上线，覆盖 132 个职业。循环不采用全局层级，而是把每个职业视为独立的生成任务，执行 提议‑评估‑保留 的迭代优化。
每轮候选标签集合由重新校准的六维评分框架（LLM‑as‑judge）打分，随后由 7 位不同角色的评审依据加权惩罚调整得分，整个过程没有硬性否决。
在生成标签后，系统进入等价映射阶段，将传统表单的问答对映射回新标签。映射首先推断每个旧问题意在衡量的提供者属性，而不是直接把问题文字转为标签，从而得到覆盖率信号并提供人工质量检查界面。
该方法实现了从固定表单到灵活语义匹配的平滑迁移，显著提升了标签覆盖率和匹配质量。
点评