灵机一物AI原生电商小程序(已上线)-从0到1构建AI智能选品系统：多平台数据采集+大模型+对话式交互全栈实现

作者：Maris5188

摘要：本文完整拆解面向电商卖家的AI智能选品系统全流程实现，涵盖多平台数据采集、机会评分算法、DeepSeek大模型报告生成、对话式选品助手等核心模块，基于FastAPI异步架构落地，附关键代码片段和架构设计细节，适合AI+电商、LLM应用落地、异步开发方向开发者参考，可直接复用核心逻辑快速搭建属于自己的选品系统。

一、前言：电商选品的痛点与****AI 解决方案

做电商的核心共识是"七分靠选品，三分靠运营"，但传统选品模式效率低下、依赖经验，早已跟不上当前快速迭代的市场节奏：

1. 多平台手动检索：逐个打开各电商平台，重复搜索关键词，耗时费力；

2. 数据整理繁琐：手动记录价格、销量、评价等数据到Excel，易出错、效率低；

3. 决策依赖直觉：缺乏量化分析，靠经验判断品类潜力，容错率低；

4. 市场响应滞后：一个品类完整分析需2-3天，等分析完成，市场红利已消失。

基于此，我们打造了这套AI智能选品系统，核心目标：用AI将选品全流程压缩至5分钟，实现"输入一个关键词，输出一份完整选品报告"，让卖家从繁琐的手动操作中解放，聚焦运营核心。

二、系统核心能力与技术栈选型（实战重点）

2.1****核心能力拆解（可直接落地复用）

系统围绕"数据采集-分析-决策-交互"全链路设计，核心能力可直接对接电商卖家需求：

• 一键多平台采集：输入关键词，自动各电商平台（需求侧）+批发网（供给侧）商品数据，无需手动操作；

• 市场趋势自动化分析：集成百度指数、阿里指数抓取，自动判断品类热度、同比/环比变化，规避冷门品类；

• AI智能报告生成：数值分析+DeepSeek大模型洞察结合，既有精准的价格、销量统计，也有专业的市场分析和商品推荐理由；

• 对话式选品助手：自然语言交互，支持意图识别，聊一聊就能创建选品任务，零操作门槛；

• 一键导出：支持Excel（3个Sheet）、CSV格式导出，数据可直接用于运营决策或供应商对接。

2.2****技术栈选型（适配异步、高可用，附选型理由）

结合电商选品"高并发采集、低延迟响应、数据可靠"的需求，技术栈选型如下（附实战选型逻辑，避免踩坑）：

|--------|-----------------------------|----------------------------------------------------------------------|
| 组件 | 选型 | 选择理由（实战重点） |
| Web框架 | FastAPI | 原生支持async/await，异步不阻塞，自带BackgroundTasks实现后台任务，接口响应毫秒级，适配多平台数据采集的并发需求 |
| ORM | SQLAlchemy Async + aiomysql | 异步连接数据库，避免采集、分析过程中阻塞接口，自带连接池管理，提升数据库操作效率 |
| 大模型 | DeepSeek | 中文理解能力强，性价比高，API兼容OpenAI格式，可快速替换适配，适合生成中文市场洞察和对话交互 |
| 电商数据采集 | 第三方API | 一个接口覆盖4大电商平台，无需单独开发各平台爬虫，减少反爬风险，降低开发成本 |
| 趋势爬虫 | Crawl4AI + Playwright | 无头浏览器渲染动态页面，结合LLM结构化提取数据，解决百度指数、阿里指数无API的问题 |
| 缓存 | Redis | 缓存API采集结果、Cookie信息，TTL设置24小时，减少重复调用API，节省额度、提升响应速度 |
| 请求校验 | Pydantic v2 | 强类型校验，避免非法请求导致的系统异常，简化参数处理逻辑，提升代码可维护性 |

三、核心模块深度拆解（附关键代码，可直接复用）

3.1****多平台数据采集与归一化（基础核心）

核心挑战：不同电商平台的数据字段差异巨大（如淘宝销量字段为sell_num，京东为comments，拼多多为sales），需做统一归一化，确保后续分析层无需关注数据来源。

采集策略：每个平台采集3页×40条数据（最多480条原始数据），区分需求侧（重点看销量、价格）和供给侧（重点看供应价、起订量）。

关键代码（数据归一化，OneBoundNormalizer类核心逻辑）：

|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| python # 不同平台数据归一化映射，解决字段不一致问题 class OneBoundNormalizer: @staticmethod def normalize(product, platform): # 淘宝数据归一化 if platform == "taobao": return { "product_name": product.get("title", ""), "price": float(product.get("price", 0.0)), "monthly_sales": int(product.get("sell_num", 0)), "review_count": int(product.get("comment_num", 0)), "rating": float(product.get("score", 0.0)), "source_platform": "taobao" } # 京东数据归一化 elif platform == "jd": return { "product_name": product.get("name", ""), "price": float(product.get("price", 0.0)), "monthly_sales": int(product.get("comments", 0)), # 京东用评论数近似销量 "review_count": int(product.get("comments", 0)), "rating": float(product.get("score", 0.0)), "source_platform": "jd" } # 拼多多数据归一化 elif platform == "pdd": return { "product_name": product.get("goods_name", ""), "price": float(product.get("price", 0.0)), "monthly_sales": int(product.get("sales", 0)), "review_count": int(product.get("comment_count", 0)), "rating": float(product.get("avg_score", 0.0)), "source_platform": "pdd" } # 1688数据归一化 elif platform == "1688": return { "product_name": product.get("title", ""), "price": float(product.get("price", 0.0)), "monthly_sales": int(product.get("sale_info", {}).get("gmv_30days", 0)), "review_count": int(product.get("comment_count", 0)), "rating": float(product.get("score", 0.0)), "source_platform": "1688" } else: return None |

容错与缓存设计（避免API调用失败、重复消耗）：

• API调用采用指数退避重试机制，最多重试3次，应对网络波动；

• Redis缓存采集结果，缓存键格式：sel:search:{平台}:{关键词}:{页码}，TTL=24小时；

• 采集失败时，标记为"部分失败"，不影响整体任务执行，保证核心数据可用。

3.2****机会评分算法（量化选品潜力，核心亮点）

选品的核心是"判断该不该做"，我们设计了五维加权评分模型（满分100分），用量化数据替代经验判断，确保选品的科学性。

评分模型（权重贴合电商卖家核心需求）：

|-------|-----|--------|-------------------------|
| 维度 | 权重 | 衡量指标 | 计算逻辑 |
| 销量表现 | 30% | 市场验证程度 | 平台同类商品月销量归一化（0-100分） |
| 利润空间 | 25% | 盈利能力 | （售价-供应价）/售价 × 100，归一化处理 |
| 口碑评价 | 15% | 用户认可度 | 商品评分×评价数量占比，归一化处理 |
| 价格竞争力 | 15% | 价格优势 | 低于同类商品均价越多，分数越高 |
| 商品评分 | 15% | 品质保障 | 商品基础评分（0-5分）归一化至0-100分 |

评分计算公式（可直接复用）：

\text{Opportunity Score} = 0.30 \times S_{sales} + 0.25 \times S_{margin} + 0.15 \times S_{reviews} + 0.15 \times S_{price} + 0.15 \times S_{rating}

核心逻辑：销量和利润权重最高，贴合电商卖家"卖得动、赚得到"的核心需求，其他指标辅助验证商品潜力。

3.3 DeepSeek****大模型集成（ AI 增强，提升效率）

核心设计原则：AI增强但不依赖，数值计算（价格、销量、评分）由代码确定性完成，LLM只负责语言理解和洞察生成，避免LLM做数学题导致的错误。

LLM调用场景与参数调优（实战关键，避免冗余消耗）：

|---------|-------------|------------------------|--------------------|
| 应用场景 | Temperature | 调优理由 | 输出格式 |
| 报告市场概述 | 0.3 | 低随机性，保证事实准确，贴合数据趋势 | ≤200字，简洁明了的趋势总结 |
| 商品推荐理由 | 0.3 | 结构化输出，贴合商品数据，不夸大 | JSON格式，包含核心优势、风险提示 |
| 对话式选品助手 | 0.7 | 适度发散，提升对话自然度，贴合用户口语化需求 | 自然语言+嵌入式JSON（意图识别） |

关键代码（DeepSeek API调用，兼容OpenAI格式）：

|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| python import requests import json class DeepSeekService: def init(self, api_key): self.api_key = api_key self.base_url = "https://api.deepseek.com/v1/chat/completions" async def generate_report_summary(self, market_data): """生成报告市场概述，低随机性""" prompt = f"""基于以下市场数据，生成≤200字的市场概述，重点说明品类热度、价格分布、销量趋势： {json.dumps(market_data, ensure_ascii=False)} 要求：客观、简洁，基于数据，不添加主观猜测，语言专业。""" response = requests.post( self.base_url, headers={ "Content-Type": "application/json", "Authorization": f"Bearer {self.api_key}" }, json={ "model": "deepseek-chat", "messages": [{"role": "user", "content": prompt}], "temperature": 0.3, "max_tokens": 200 } ) return response.json()["choices"][0]["message"]["content"] |

3.4****对话式选品助手（提升用户体验，降低门槛）

核心设计：打破"填表单→看报告"的传统模式，支持自然语言交互，用户聊一聊就能完成选品任务，适配非技术背景的电商卖家。

意图识别机制：LLM回复中嵌入结构化JSON数据，系统自动解析，渲染快捷操作按钮，实现"对话→执行"零门槛。

示例（用户与AI交互流程）：

用户：最近蓝牙耳机市场怎么样？想找50-200块的

AI助手：蓝牙耳机当前市场热度较高，阿里指数近7天环比上涨12%，价格集中在80-150元，销量top10以降噪款为主...[建议分析价格区间50-200元的蓝牙耳机][一键创建选品任务]

（系统自动解析AI回复中的JSON意图，渲染"一键创建任务"按钮，用户点击即可触发选品流程）

意图识别JSON格式（可直接复用解析逻辑）：

|------------------------------------------------------------------------------------------------------|
| json { "intent": "create_task", "params": { "keyword": "蓝牙耳机", "price_min": 50, "price_max": 200 } } |

四、系统整体架构与任务执行流程

4.1****整体架构（分层设计，便于扩展）

采用经典分层架构，融入AI能力，各层职责清晰，便于后续扩展（如新增电商平台、优化算法）：

|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| plain text ┌──────────────────────────────────────────────────────────┐ │ 前端 (Vue.js + Element Plus) │ └───────────────────────────┬──────────────────────────────┘ │ HTTPS + JWT Bearer Token ┌───────────────────────────▼──────────────────────────────┐ │ API 层 (FastAPI / ASGI) │ │ 任务管理 · 报告查询 · 对话交互 · 管理 │ └───────────────────────────┬──────────────────────────────┘ │ ┌───────────────────────────▼──────────────────────────────┐ │ 服务编排层 │ │ SelectionService ──► DataService ──► ReportService │ │ SelectionChatService TrendDataService │ └──────────┬───────────────────────────────┬───────────────┘ │ │ ┌──────────▼───────────┐ ┌──────────────▼───────────────┐ │ 数据采集层 │ │ AI / LLM 层 │ │ OneBound API 客户端 │ │ DeepSeek (报告/对话/提取) │ │ Crawl4AI 趋势爬虫 │ │ Crawl4AI + LLM 策略 │ └──────────┬───────────┘ └──────────────┬───────────────┘ │ │ ┌──────────▼───────────────────────────────▼───────────────┐ │ 数据存储层 │ │ MySQL (异步 SQLAlchemy) + Redis (缓存) │ └──────────────────────────────────────────────────────────┘ |

4.2****任务执行全流程（异步设计，用户无等待）

用户输入关键词创建任务后，系统后台异步执行4个阶段，接口毫秒级返回，前端通过轮询获取进度，不影响用户操作：

1. 阶段1：数据采集------抓取4大平台商品数据+百度/阿里指数，归一化后写入数据库；

1. 阶段2：数据分析------计算商品利润率、机会评分，完成Top10潜力品排序；

1. 阶段3：报告生成------代码计算数值部分，LLM生成市场概述和推荐理由，整合为完整报告；

1. 阶段4：任务完成------报告入库，前端轮询获取结果，支持导出和查看详情。

异步任务核心代码（FastAPI BackgroundTasks）：

|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| python from fastapi import APIRouter, BackgroundTasks from sqlalchemy.ext.asyncio import AsyncSession router = APIRouter(prefix="/seller/api/selection") @router.post("/task/create") async def create_task( keyword: str, price_min: float = 0, price_max: float = 10000, background_tasks: BackgroundTasks, db: AsyncSession ): # 1. 创建任务记录，状态设为"排队中" task = await selection_service.create_task( keyword=keyword, price_min=price_min, price_max=price_max, db=db ) # 2. 后台异步执行选品任务，不阻塞接口返回 background_tasks.add_task(selection_service.execute_task, task.id, db) # 3. 立即返回任务信息，前端轮询查询状态 return {"code": 200, "data": task, "msg": "任务已创建，正在执行"} |

五、工程实践与避坑指南（实战重点）

5.1****为什么不用 Celery ？（按需选择，避免过度设计）

产品早期选择FastAPI BackgroundTasks而非Celery，核心原因是"简化部署、降低成本"，具体对比：

|--------|------------------------------|----------------------------------------|
| 对比项 | BackgroundTasks | Celery |
| 部署复杂度 | 零额外基础设施，直接集成在FastAPI中 | 需部署Broker（Redis/RabbitMQ）+ Worker，复杂度高 |
| 适用场景 | 中低并发、单实例部署，适合产品早期 | 高并发、分布式部署，适合业务量爆发后 |
| 代码迁移成本 | 低，后续可直接替换为Celery（只需修改任务调用方式） | 高，需提前设计任务队列、持久化等逻辑 |

避坑建议：产品早期无需追求"分布式"，优先实现核心功能，等用户量、任务量增长后，再迁移到Celery即可。

5.2 LLM****调用容错设计（避免系统崩溃）

大模型调用存在不确定性（如网络波动、API限流），核心容错策略：

• 核心数据与AI生成数据分离：数值分析部分（价格、销量、评分）由代码计算，确保永远正确；

• LLM调用非阻塞：即使LLM调用失败，报告核心数据依然完整，仅缺失市场概述和推荐理由；

• 重试机制：LLM调用失败后，自动重试2次，避免偶发故障导致的体验下降。

5.3****多租户安全隔离（面向多卖家场景）

系统面向多个电商卖家，安全隔离是底线，核心实现：

• JWT身份认证：每个请求携带JWT令牌，解析出shop_id，所有数据库查询自动附加WHERE shop_id = ?；

• 数据隔离：任务、报告、对话记录均绑定shop_id，卖家只能查看自己的相关数据；

• 敏感数据脱敏：1688供应商名称、联系方式等敏感信息自动脱敏，保护供应商隐私。

六、总结与未来演进

这套AI智能选品系统的核心设计哲学：数据驱动（保证底线）、AI增强（提升效率）、异步优先（优化体验）、安全隔离（保障可靠），完美解决传统选品的痛点，可直接落地用于电商卖家选品决策。

未来演进方向（可按需扩展）：

• Phase 2：引入Celery+WebSocket，实现分布式任务和实时状态推送，替代前端轮询；

• Phase 3：新增抖音电商、Shopee等平台，支持定时选品，自动监控品类变化；

• Phase 4：开发选品Agent，基于历史数据学习，实现自动化选品决策，进一步降低用户操作门槛。

对于想入门AI+电商、FastAPI异步开发、LLM应用落地的开发者，本文提供了完整的实战思路和代码片段，可直接复用核心模块，快速搭建自己的选品系统。如果有疑问，欢迎在评论区交流探讨！

关键词：AI选品系统；FastAPI；DeepSeek；多平台数据采集；电商选品；LLM应用落地

作者：Maris5188