与小邯对话
智能体运行轨迹
意意图解析
检知识检索
策组合决策
文文化解释
易交易执行
校结果校验
发送一条消息，这里会实时展示智能体如何理解需求、调用工具、做出决策。
用户画像 · 长期记忆
对话中自动生成
购物车
尚未选购
店铺经营台赵都有礼特产店 · 数据截至 2026-09-25（中秋）· 销量与库存为演示用模拟数据
🎬 演示视图店长经营助手
智能体运行轨迹
经营助手会依次调用：经营指标 → 销量预测 → 需求洞察 → 流失分析 → 组合促销，再给出行动清单。
销量预测与智能补货预测区间 9/26 – 10/2（含国庆黄金周）
| 商品 | 状态 | 近 30 天 ┊ 未来 7 天 | 库存 | 日均 | 环比 | 7 天预测 | 可售天数 | 安全库存 | 建议补货 |
|---|
预测：加权移动平均（近 7 天 ×0.7 + 前 7 天 ×0.3）× 星期系数（周末 ×1.2）× 节假日系数（国庆礼品类 ×1.35、其他 ×1.15）。
安全库存：SS = z·σ·√L（z=1.65，对应 95% 服务水平；L = 补货提前期 3 天）。建议补货量 = 7 天预测 + SS − 当前库存。可售 < 3 天为缺货风险，> 45 天为库存积压。
━ 历史销量╌ 预测
顾客预算分布
送礼对象
偏好标签热度
未被满足的需求 · 选品机会
数据来自导购对话中智能体抽取的需求（预算、对象、偏好），以及检索不到商品的请求。每在“顾客导购”聊一次，这里就实时更新一次。
用户流失预警按风险分排序
| 用户 | 人群 | 未访问 | 订单 / 消费 | 流失风险 |
|---|
流失风险分 = 未访问天数 × 1.2 + 低频用户加成（订单 ≤ 2 单 +10）；≥ 60 为高风险，30–59 为中风险。
AI 个性化召回
在左侧选择一位用户，点击“生成召回”
新品一键入库录入基础信息，AI 自动生成商品卡与成语故事
商品卡预览
生成后在这里预览，确认无误再入库。入库后，顾客导购即可检索和推荐该商品。
分人群营销内容生成
主推商品（可多选）
生成结果
选择人群、主题和商品后点击“生成内容”。
让每一份地方好礼，都讲得出一段成语故事
邯灵 · 文化语义引擎 基于通义千问大模型 + 地方文化商品知识库构建的垂直智能体
“邯郸有礼 · AI 导购官”是面向地方特色消费场景的文化语义智能导购 Agent：通过自然语言理解外地游客、在外邯郸人与本地送礼人群的预算、收礼对象、出行方式、消费场景和文化偏好，从真实的地方商品知识库中进行多约束筛选与组合决策，生成可解释的地方文化消费方案；顾客需求再实时反哺商家的补货、选品与营销，形成“需求 → 推荐 → 成交 → 经营”闭环。
交互层Web 单页
顾客导购对话导购 · 选礼礼单 · 一键下单
商家经营台经营助手 · 库存预测 · 需求洞察
营销中心流失召回 · 分人群文案 · 短视频脚本
▼ ▼ ▼
智能体层大模型 + Function Calling
导购 Agent · 小邯一个主 Agent 负责任务规划与多轮对话，通过 Function Calling 调度六类能力模块（工具）：意图解析 → 知识检索 → 组合决策 → 文化解释 → 交易执行 → 结果校验；长期记忆需用户开启
经营 Agent · 店长助手调用 5 个经营工具，输出诊断与行动清单
营销能力召回消息、推文、短视频分镜的个性化生成
▼ ▼ ▼
算法层可解释 · 纯 Python
多约束选礼优化先硬约束过滤（价格待核实、超预算、缺货、乘机液体），再按 Score = αP+βC+γM+εK（偏好/文化/对象/携带便利）加权，组合枚举精确求解
销量预测加权移动平均 × 星期系数 × 节假日系数
智能补货安全库存 1.65σ√L（95% 服务水平；短保 / 耐储 / 文创三类提前期不同），可售天数预警
流失评分未访问天数 + 低频加成
▼ ▼ ▼
数据层可替换 · 可迁移
地方文化商品知识库首批 36 件真实邯郸商品：参考价区间、核验状态、来源说明、高铁携带提示、文化标签与关联边界
销售与库存（模拟）30 天日销量、库存为演示用模拟数据，用于展示经营分析能力
用户与需求日志画像、流失、未满足需求
传统搜索推荐 vs 文化语义智能导购维度参照商务部研究院《“人工智能+零售业”创新发展报告》（2026）表 1
| 维度 | 传统搜索 / 推荐 | 邯郸有礼 · AI 导购 |
|---|---|---|
| 意图理解 | 关键词匹配，“邯郸特产”只能搜到热销榜 | 语义级意图解析：一句话拆成预算、收礼对象、出行方式、消费场景、文化偏好 5 个槽位 |
| 结果呈现 | 孤立的商品罗列，用户自己比较、组合 | 决策导向的礼单：按对象分配、总价控制在预算内，给出完整消费方案 |
| 决策支持 | 只展示价格、销量等信息 | 推理 + 比较 + 建议：偏好 / 文化 / 对象 / 携带四维打分，约束下求最优组合，得分可视化 |
| 上下文利用 | 单次会话，每次从头开始 | 跨会话长期记忆：记住常送对象、偏好与上次购买，回头客直接续上 |
| 用户交互 | 被动浏览、层层筛选、多次跳转 | 主动对话引导：缺失关键信息时追问，对话内一键加购下单 |
| 文化价值 | 不可见，特产沦为同质化商品 | 文化语义融入推荐：成语典故量化为“文化价值”参与排序，并讲给顾客听 |
评测指标自建测试集 · 运行 python eval.py 更新
加载中…
文化语义文化语义推荐
把成语典故、非遗属性量化为“文化价值”维度参与打分，推荐不只看价格和销量。
多约束优多对象多约束选礼
一次为导师、父母、室友等多人分配预算，同时满足库存、液体 / 易碎与出行约束。
需求反哺需求反哺经营
对话中沉淀的需求与“未满足需求”实时进入商家端，驱动补货和选品。
过程可见决策过程透明
智能体每一步工具调用与依据实时可视化，结果可解释、可复核。