智能选品 AI Agent
项目背景
中小零食店主的选品、定价、清仓、进货决策缺乏数据支撑，行业信息分散于多个平台，人工整合成本过高。大品牌拥有专门的数据团队，中小商家缺乏同等资源却面临相同的决策复杂度。年 GMV 千万级的店可能只有 2-3 个运营，根本没有专门的分析师或数据工程师。
我的角色
职责
AI 产品经理 · 产品规划与前后端开发
时间
2026.05 – 至今
核心功能
6 场景独立 Agent
清仓 Agent（库存+进价→清仓优先级）、选品 Agent（品类+价格→TOP 潜力品）、竞品对标 Agent（SKU ID→对比分析）、促销 Agent（预算→最优组合）、差评归因 Agent（文本→根因分类）、月进货 Agent（销量+库存→采购清单）
四级 LLM 降级
Claude → GPT-4o-mini → DeepSeek → 纯规则引擎逐级降级，90% 日常查询不依赖大模型，成本最优
三层证据链
每份报告经过 Evidence（数据证据）→ Advice（建议）→ Report（最终报告）三层构建，确保每条建议有数据源头
质量监控体系
11 项自动化指标持续运行，周快照 + 决策追踪闭环（3 月回看），22/22 测试通过
产品截图
封面
智能客服选品方案
促销策略分析
品类洞察
差评归因分析
Prompt 配置面板
产品架构
六场景独立 Agent 架构 + 四级 LLM 降级策略（Claude → GPT-4o-mini → DeepSeek → 纯规则引擎），LangChain ReAct 驱动，DrissionPage 反检测爬虫，Streamlit + Vite 双面板前端
数据成果
产品三问
Q1 我做了什么判断？
选品是"匹配"问题不是"排名"问题——通用的爆款榜单对单个店铺没有可操作意义
Q2 为什么这么判断？
市面上已有工具都在做"什么好卖"的排名，但真正的问题是"我的店、我的渠道、我的成本结构，适合卖什么"。没有两个店是一样的。Agent 的真正价值是把决策流程自动化——爬数据→匹配自身情况→生成选品建议→追踪决策结果，而不只是做第一步
Q3 如果再做一次会改什么？
应该先人工用 Excel 跑一遍选品分析流程，验证方法真的能帮店主做决策，再去写爬虫和 Agent 代码。评分模型的权重设计应该更早引入业务方反馈，至少需要 2-3 轮验证才能达到可用水平