智能选品 AI Agent
项目背景
为什么会有这个产品
一个零食电商朋友描述了他每天的工作流程："早上打开京东看竞品今天什么价。然后看自己店铺哪个品卖不动了、要不要降价清掉。中午刷差评，看看是不是包装出问题了。月底最头疼——要定下个月进什么货，预算就五千块，选错了就压货。"
问他用什么工具做这些决策？回答是："Excel。还有感觉。"
三只松鼠等大品牌有几十人的数据团队做选品分析，但中国有数百万中小电商店主每天做同样的选品/定价/清仓决策。数据分散在京东/淘宝/慢慢买等多个平台，靠人工根本拼不起来。
核心问题
需要解决什么问题
中小电商店主面临大品牌同等级别的决策复杂度，但只有 Excel 和直觉作为决策工具。信息不对称不是能力问题，是基础设施问题。
• 价格带空白不可见："坚果 50-100 元区间有多少竞品？"——靠眼睛看表格回答不了
• 竞品对标效率极低：打开 5 个网页复制价格除以克重排序——一个品 10 分钟，十个品两小时
• 促销 ROI 算不清楚：满减和直降哪个效果好？没有数据
• 差评根因靠感觉：集中在口味还是包装破损还是保质期？说不清楚
功能定义
因此定义什么功能
六大场景独立 Agent
每个经营场景对应一个独立 Agent，各有专属 System Prompt 和工具组合：
• 清仓 Agent（库存+进价→三档降价方案）
• 选品 Agent（品类+价格→TOP 潜力品）
• 竞品对标 Agent（全维度拆解→差异化方案）
• 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→预算约束采购清单）
单品全维度分析（6 维）
输入商品链接，输出：
• 市场定位（低价/主流/高端）
• 价格竞争力（★ 评分可视化）
• 机会与风险（空白带识别+竞争拥挤度）
• 竞品对比表
• 语料洞察（品类高频关键词分布）
• 选品推荐（综合性价比评分 TOP N）
每条建议可追溯到源头（核心差异化）
每条选品建议附带三层证据链：
• 数据证据（具体数字和来源文件）
• 置信度标注（样本量够不够？数据新鲜度如何？）
• 局限性声明（盲区是什么）
这是和 ChatGPT"凭感觉给建议"最本质的区别。
5+1 面板数据看板
• 首页总览（8500）
• 策略面板——CR3/CR5 集中度热力图+价格带空白点识别（8501）
• 单品 6 维分析报告（8502）
• Prompt 在线调优——保存即生效（8503）
• 决策追踪——三个月自动回看（8504）
• Web Chat 流式聊天（5173）
实现路径
如何实现
数据管道：爬取层（DrissionPage 反检测浏览器→京东评论/详情+慢慢买历史价格）→ 存储层 → 分析层（Pandas 聚类/统计/去重）→ Agent 推理 → 输出层。
核心架构——三层证据链模型：Evidence（记忆最小单元，每条数据可追溯到源文件+行号+爬取时间）→ Advice（强制绑定 evidence，is_grounded 只有 evidence 非空才为 true）→ Report（完整会话记忆，可完全回放）。
• 6 个独立场景 Agent + 两层路由（Python 词袋打分+Agent 语义覆写）
• LangChain ReAct 循环：Agent 自主决策调用工具、判读返回数据
• 四级 LLM 降级：Claude Sonnet → GPT-4o-mini → DeepSeek → 纯本地规则路由（无 LLM 也能用）
• Connector 抽象层：淘宝/拼多多连接器预留接口，未实现时优雅降级不阻塞管线
• 数据不进入上下文：Python 侧先完成分析，Agent 收到的是提炼后的关键发现而非 13,400 行原始 CSV
结果与提升
之前 vs 之后
| 维度 | 之前 | 之后 |
|---|---|---|
| 竞品分析效率 | 手工打开 5 个网页，10 分钟/品 | 输入链接或名称，30 秒出报告 |
| 选品决策依据 | Excel + 感觉 | 13,000+ 条数据 + 置信度标注 + 证据链追溯 |
| 清仓定价 | 拍脑袋降价 | 三档方案（激进/平衡/保守）+ 毛利损失预估 |
| 差评定位 | "最近差评多了"——说不清维度 | 自动分类统计，精确到口味/包装/物流 |
| 决策学习 | 没有复盘机制，同一个坑反复摔 | 三个月自动回看，追踪预期 vs 实际偏差 |
产品截图
数据看板与聊天
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，5+1 面板前端
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
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
相关思考
Agent 评测体系：Agent 是"干活"不是"考试"
传统 LLM 评测关注知识问答准确率，但 Agent 的价值在于完成任务链。五维度分层评测框架——工具调用准确率、任务完成率、异常恢复能力、token 使用效率、人工接管率。
Agent 记忆系统设计：从工作记忆到程序记忆
参考人类记忆的四层架构（工作记忆→情景记忆→语义记忆→程序记忆），设计 Agent 的记忆分层。关键是明确"什么该记住、什么该忘、什么该自动化"。
Perplexity AI 拆解：从搜索工具到 Agent 平台的转型路径
Perplexity 的进化路径对 Agent 产品设计有重要参考价值。拆解其定位演变、核心功能、商业模式，提炼可迁移的产品设计思维。