返回项目01

AI 电商智能运营平台 · 项目案例

SmartShop AI

经过验证的全栈电商运营系统，融合 Vue 管理控制台、Spring Boot 业务 API、FastAPI Agent 编排、RAG 与七服务 Docker 环境。

AI Agent + 工具调用
RAG 知识检索
七服务 Docker 架构
运营仪表盘
00

关键成果

成果 01

经过验证的演示环境包含 50 个商品、1,000 个订单与 300 个客户

成果 02

AI Agent 工具调用与 RAG 知识 API 均已实现自动化测试

成果 03

七个 Docker 服务通过统一 Nginx 入口完成验证

01

概览

SmartShop AI 是面向电商运营场景设计的 AI 智能运营平台，通过 AI Agent、知识检索和自动化分析能力，帮助运营人员从问题发现进入可执行决策。

  • 产品定位：面向电商运营人员的 AI 电商智能层，而不是面向消费者的普通购物助手。
  • 用户场景：活动复盘、商品异常诊断、转化下降排查、竞品对比、用户反馈归因。
  • 能力边界：AI 负责理解任务、规划流程和生成建议，系统数据与 RAG 上下文负责事实约束。
  • 输出目标：让 AI 结果变成带依据、优先级和后续动作的运营建议。
02

问题

传统电商运营依赖人工经验、手动分析和跨系统查找。数据越多，运营人员越难快速形成稳定、可复用的判断。

  • 数据分散在商品、订单、活动、用户反馈等多个系统中。
  • 人工分析成本高，运营人员需要反复导表、筛选和归因。
  • 运营经验难复制，优秀判断往往停留在个人经验里。
  • 决策响应慢，无法及时应对活动波动和异常信号。
03

解决方案

SmartShop AI 用 AI Agent 驱动运营流程：从用户需求输入开始，理解任务、规划步骤、调用工具、检索知识，最后生成可执行的运营建议。

  • 用户输入运营目标、异常问题或分析需求，例如“为什么本周转化率下降”。
  • AI 识别任务类型，区分诊断、复盘、推荐、对比或执行建议。
  • Agent 生成计划并调用商品、订单、活动、反馈和知识库工具。
  • LLM 将结构化数据与检索上下文合并，输出原因判断、风险提醒和下一步动作。
04

架构

运行架构将 Vue 运营界面、Nginx 路由、Spring Boot 电商 API、FastAPI AI 编排、检索与持久化分层，使模型行为独立于核心业务逻辑。

层级 01

体验层

Vue 运营控制台

Vue 3、Vite、Element Plus、Pinia 与 ECharts 支撑 RBAC、商品、订单、客户、仪表盘与分析界面。

层级 02

路由层

Nginx 网关

提供统一入口，并负责 Web、电商 API、AI、知识库与指标流量的路由。

层级 03

应用服务层

Spring Boot 后端

基于 Java 17 的服务，负责 JWT 认证、RBAC、电商 API、数据校验与 MyBatis-Plus 持久化。

FastAPI AI 服务

负责 LLM 接入、提示词选择、Agent 执行、工具权限、对话存储与 AI 指标。

层级 04

智能层

Agent 工具层

在显式权限校验与结果记录下调用销售汇总、商品排行与知识检索工具。

RAG + FAISS

加载文档、切分内容、生成向量、持久化索引，并返回按相似度排序的知识上下文。

层级 05

数据与运行时

MySQL + Redis

MySQL 存储电商与 AI 记录；Redis 支撑后端运行时数据与服务状态。

Docker 运行环境

Docker Compose 协同运行 Nginx、前端、后端、AI 服务、MySQL、Redis 与 Elasticsearch 七个服务。

系统架构说明

产品围绕界面、后端业务、AI 编排、检索上下文与持久化电商数据之间的明确边界设计。

  • Vue 控制台负责 RBAC 管理、电商记录、仪表盘、分析与面向运营人员的状态。
  • Spring Boot 服务将认证、电商业务与数据契约同模型行为分离。
  • FastAPI AI 服务负责提示词控制、权限感知工具调用、检索组合与响应整形。
  • RAG 流程通过文档导入、向量化、FAISS 检索与来源元数据为回答提供事实依据。
05

工作流

智能体工作流将开放式运营问题转化为受控的推理路径；每次响应都经过意图识别、显式规划、工具调用、知识检索与最终综合。

AI Agent 工作流

  1. 步骤 01

    用户提问

    运营人员输入问题、目标或异常现象，例如转化下降、活动异常、商品表现波动。

  2. 步骤 02

    意图识别

    识别查询属于分析、诊断、推荐、复盘或执行类任务。

  3. 步骤 03

    Agent 规划

    拆解任务步骤，决定需要查询哪些指标、检索哪些知识、比较哪些对象。

  4. 步骤 04

    工具调用

    调用订单、商品、活动、用户反馈、规则知识库等工具接口。

  5. 步骤 05

    数据检索

    获取结构化数据和运营知识上下文。

  6. 步骤 06

    LLM 推理

    结合结构化数据和检索内容完成归因、对比、风险判断和建议生成。

  7. 步骤 07

    结果输出

    输出面向运营动作的解释、建议和后续步骤。

RAG 流程

RAG 流程让模型输出建立在运营知识之上，使产品无需重写 AI 工作流即可更新作业手册、商品规则、活动策略与支持知识。

  1. 步骤 01

    文档

    运营手册、商品规则、活动复盘、FAQ 和业务策略。

  2. 步骤 02

    文本切分

    按语义边界切分文档，保留主题和上下文关系。

  3. 步骤 03

    向量化

    将文本片段转换为向量表示，用于语义召回。

  4. 步骤 04

    向量数据库

    存储向量索引、来源信息和可追溯 metadata。

  5. 步骤 05

    相似度检索

    基于用户问题召回最相关的业务知识。

  6. 步骤 06

    上下文注入

    把检索结果、来源和约束注入 prompt，限制回答边界并保留依据。

  7. 步骤 07

    LLM 输出

    生成有业务依据、可解释、可执行的运营建议。

06

技术栈

技术栈围绕产品交付速度、清晰服务边界、AI 工作流控制与真实部署环境组织。

前端

Vue 3TypeScriptViteElement PlusEChartsPinia

后端

Java 17Spring Boot 3Spring SecurityMyBatis-PlusMySQL 8Redis 7

AI

FastAPILangChain OpenAIAgent 工具RAGFAISS

基础设施

Docker ComposeNginxElasticsearch 8Linux 容器
07

时间线

交付路径记录了产品如何从概念验证逐步演进为具备生产形态的系统。

原型

建立电商与访问控制基础

完成管理端框架、JWT 认证、RBAC，以及首版商品、订单、客户与分析数据契约。

MVP

连接电商数据与 AI 服务

加入 FastAPI Agent 编排、销售与排行工具、知识导入、FAISS 检索、对话存储与权限感知调用。

验证

准备可靠的作品演示

验证七服务 Docker 架构，并为 50 个商品、1,000 个订单、300 个客户与分析界面加入确定性的前端回退数据。

08

产品画面

经过验证的界面截图展示了产品在数据分析、电商运营、客户数据与访问控制等场景中的真实运行状态。

运营分析
界面截图运营分析
真实界面截图，整合 GMV、订单量、客户数、销售趋势、商品排行与客户增长。
商品管理
界面截图商品管理
支持检索商品记录、价格、库存、发布状态，并对 50 个演示商品进行分页管理。
订单管理
界面截图订单管理
支持状态筛选、生命周期操作、时间记录，并对 1,000 个演示订单进行分页管理。
客户管理
界面截图客户管理
展示会员等级、运营标签、创建日期，并对 300 个演示客户进行分页管理。
RBAC 角色管理
作品展示RBAC 角色管理
基于角色的访问控制界面，展示管理员角色及其电商业务权限。
09

复盘

SmartShop AI 的核心工程挑战不是把 LLM 接进页面，而是定义 AI 在产品中的边界：哪些任务应该由 Agent 规划，哪些结论必须由检索或结构化数据支撑，哪些输出需要给用户解释依据。

  • 架构选择：前端、业务服务、AI 服务和知识库分层，避免把所有逻辑压进单次模型调用。
  • AI 应用边界：让 Agent 负责规划与协调，让数据库和 RAG 提供事实约束，让 UI 承接可验证的运营动作。
  • 工程化思考：关注 fallback、可追溯来源、响应结构、评估信号和后续迭代，而不是只追求一次 demo 的惊艳效果。