电商选品智能体的合理职责是汇总证据、统一计算口径和暴露缺失信息，而不是“自动找爆款”。选品智能体应输出“证据表 + 建议”，最终决策单独由人填写。
定义候选商品的数据契约
| 字段 | 来源 | 缺失时 |
|---|---|---|
| product_id | 内部候选表 | 拒绝处理 |
| demand_evidence | 查询词、趋势、调研 | 标 unknown |
| competition | 同平台同口径样本 | 标 unknown |
| sale_price | 拟定售价 | 不能算毛利 |
| landed_cost | 采购、运费、税费 | 不能算毛利 |
| stock_risk | 供应周期和起订量 | 转采购确认 |
| compliance | 类目与地区规则 | 转合规确认 |
毛利的最小演示公式是 sale_price - landed_cost - channel_fee - expected_return_cost。所有费用必须使用同一币种和含税口径；缺一个字段就输出“无法计算”，不能填 0。
让智能体解释评分，而不是给神秘总分
读取候选商品 JSON。
只使用输入字段，不搜索或补写事实。
对 demand / margin / stock / compliance 分别输出：
status=good|warning|unknown，evidence，checked_at。
若任一 landed_cost、channel_fee、return_rate 缺失，margin=unknown。
最后给 recommendation=observe|manual_review|reject；
禁止输出 auto_list 或 auto_purchase。
所有 recommendation 必须列出最关键的两条证据和缺口。Structured Outputs 可以约束字段和枚举，但不能保证输入数据正确。程序要再检查日期、币种、百分比范围和公式，避免模型把“15%”当成“15”。
需求信号怎么用
Google Trends 可以比较相对关注变化，但其数据经过抽样和归一化，不是平台的精确销量。建议同时记录站内查询、广告查询、客服问题、竞品价格和退货原因，并注明来源窗口。
例如趋势上升但供应周期 90 天、退货成本未知，建议应是 manual_review，而不是“高分上架”。相反，需求平稳但毛利、履约和复购证据完整，也可能值得小批量测试。
搭建最小闭环
- 先做一个只读版本：读取 CSV，输出结构化建议，不连接上架和采购接口。
- 用历史候选回放，检查智能体能否正确识别缺失字段。
- 让采购、运营、财务和合规分别确认自己的字段。
- 人工填写 decision、owner、reason 和 review_date。
- 小批量上线后回收曝光、转化、退货和售后原因，再调整规则。
验收与失败边界
- 随机抽 5 个候选，人工重算毛利、检查来源日期，并确认建议不会在缺数时自动上架。
- 输入负数售价、超过 100% 的退货率和不同币种，系统应拒绝或转人工。
- 删除合规字段后，结果必须是 unknown，不能默认安全。
- 同一输入重跑若建议变化，保存模型版本和差异供复核。
先准备 10 个候选商品，每个商品只填可追溯字段，缺失值保留为空，不让模型补全。模型评分不能证明市场需求，也不能替代采购、合规、质量和库存责任人的签字。
常见问题
是否需要一开始就接实时爬虫？
不需要。先把字段、口径和人工决策跑通，再评估合法、稳定的数据源；否则只会更快地产生不可解释的分数。
权重怎么定？
先由业务负责人写出取舍并用历史样本回测。不同类目应有不同权重，不能把一个模板当通用真理。
示例评分权重是教学方案，没有用任何真实店铺数据回测。
来源与适用范围
- OpenAI Structured Outputs 指南：用于核对结构化字段约束的范围
- Google Trends 数据说明：用于说明相对趋势数据的使用边界
- NIST AI 风险管理框架：用于核对治理、测量和人工责任原则
以上页面核验于 2026-10-01。产品界面、套餐和能力会变化，实际使用时以当前账号界面与官方说明为准。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/32176.html
