经营分析平台:接口、工作流、对话框怎么定

经营分析平台:接口、工作流、对话框怎么定

写这篇东西,是因为做 AI 经营分析时,这三件事几乎每次都会一起乱:

  1. 店长能问的经营问题很多,到底要开多少个接口?
  2. 每个接口背后,是不是都要单独配一套智能体工作流?
  3. 前端是做一个对话框,还是做多个入口?

很多人会下意识选「一个万能智能体 + 一个对话框 + 一个接口」,觉得这样最省事、也最像 ChatGPT。做经营分析,这套往往先爽后崩:步骤不固定,出了问题不知道该查谁,换一批问法结果就不一样。

先把结论放这里:

按「经营任务类型」来定,不按每一句话来定。一类任务 = 一套工作流 = 一个分析接口。前端可以只有一个对话框,但对话框下面仍然要分流到不同工作流,不能把所有问题打进同一套万能智能体。

这篇不绑某一种框架、某一套类名。Spring 还是 FastAPI,LangGraph 还是自研编排,判断方法一样。


目录

  1. 先分清四样东西,别把 Controller 当成智能体
  2. 有很多经营问题,要开多少个接口
  3. 接口背后是不是都对应一套单独工作流
  4. 前端做一个对话框,还是多个入口
  5. 智能体按什么拆,不按什么拆
  6. 第一版怎么起步,平台变大怎么加
  7. 一张总图和三句口诀

1. 先分清四样东西,别把 Controller 当成智能体

很多人会把这四层混在一起,所以会觉得:写一个 HTTP 接口,后面再挂一堆 Agent 就行了。

名称 是什么 例子
经营任务 店长要办成的一件事 「上周 GMV 为什么掉了,并给本周动作」
工作流 这件事固定怎么分析,谁先谁后 先看指标,再并行看商品 / 流量 / 评价,最后给动作
智能体 工作流里的专家,各自读一类数据、写一段结论 指标专家、商品专家、投放专家
接口 任务的触发入口 /commerce/analyze 这种分析接口

接口不是智能体。服务层也不是智能体。它们只是把任务启动起来,再把结果拿回来。

工作流定义和服务编排,也不是专门伺候某一个 Controller 的附属品。它们描述的是「这条任务怎么执行」。同一套分析,可以被页面对话框触发,也可以被定时周报触发,也可以被预警消息触发。入口可以有多个,任务本身还是那一类。

四层一旦混了,后面三个问题都会答错:

  • 把「一句话」当成「一类任务」,接口会无限膨胀。
  • 把「一个接口」当成「一个万能大脑」,工作流会失去边界。
  • 把「一个对话框」当成「一套分析逻辑」,前端壳和后端骨架会绑死。

2. 有很多经营问题,要开多少个接口?

不要一个问题一个接口。

用户可能这样问:

  • 上周 GMV 怎么掉了?
  • 是不是销量不行?
  • 外面天气......不对,是转化是不是差了?
  • 给我出点本周动作。

这些话术不同,但都是同一类任务:店铺经营异常归因,并给出动作。

所以它们共用一个分析接口,共用同一套工作流。

只有任务的「目标、步骤、数据」变了,才需要新接口、新工作流。

任务类型 用户典型问法 分析步骤是否同一套 要不要新接口
GMV 归因 + 动作建议 为什么掉了、怎么办 看经营指标,再拆商品 / 流量 / 评价 一类,一个接口即可
投放计划复盘 直通车是不是亏了、预算怎么调 不同,看的是计划 / 花费 / ROI 另开
滞销品处理 哪些货该降价、该停采 不同,看的是库存周转和动销 另开
差评预警 最近差评为啥涨 不同,看的是评价聚类和售后 另开
同一类的换种说法 「GMV 怎么了」「是不是转化不行」 同一套 不要新开

判断口诀:

  • 问法变了,任务没变 → 还是原接口
  • 要看的数据变了,分析步骤变了 → 新工作流,新接口
  • 只是换了店铺、换了时间 → 还是原接口,把店铺、周期当参数

也可以把它想成三个问题,三个都「是」才新开:

  1. 这件事要达成的目标,是不是换了?
  2. 固定分析步骤,是不是换了?
  3. 主要依赖的数据域,是不是换了?

只换了说法,或者只换了筛选条件,不要新开。

第一版如果只有「经营归因」这一类,有一个分析接口就够了。平台变大,是 多几条这样的任务,不是把所有专家塞进现在这一个接口。

也不要给每个取数工具开 HTTP 接口。店铺指标查询、商品洞察、流量明细,是给模型取数用的,不是给前端点的。前端问的是「为什么掉了、怎么办」,不是「帮我调一下指标工具」。

两种常见死法,都见过:

第一种:一句话一个接口。

/gmv-drop/conversion-drop/give-me-actions 各开一条。用户换种说法就 404,后端也维护不动。

第二种:所有问题进一个接口。

投放复盘、滞销处理、差评预警全打进 /analyze。表面上接口很干净,里面却是一套没有边界的超级智能体。结果不稳定,出了错也无法复盘是哪一步跑偏。

正确的粒度在中间:一类经营任务,一个分析接口。


3. 接口背后是不是都对应一套单独工作流?

是。至少在「工作流优先」的架构里,应该是这样。

推荐关系:

text 复制代码
一类经营任务
    └── 一个分析接口
            └── 一个服务方法
                    └── 一套工作流(串行 / 并行组合好的固定步骤)
                            └── 一组智能体(每个专家 + 自己的工具 + 自己的产出)

也就是说:

  1. 一个接口背后,对应一套单独定义的工作流。
  2. 这套工作流里,配置、组合了一系列智能体。
  3. 智能体怎么串行、怎么并行,写在工作流配置里,不写在接口层。

接口层只负责收参数、启任务、返回结果。它不应该知道「先调哪个专家、哪个可以并行」。

以「经营归因」为例,工作流通常长这样:

text 复制代码
经营归因接口
    → 服务层启动工作流
        → 先做指标解读(必须先知道异常在哪)
        → 再并行做商品 / 流量 / 评价诊断
        → 最后汇总成动作建议

如果以后加「投放复盘」,不要把投放专家塞进现在这条流水线。应该再配一套工作流、再开一个接口。两条任务步骤不同,硬揉在一起,模型会乱跑,结果也不好比对。

接口怎么暴露,可以有两种写法,效果等价:

  • 多个接口:/commerce/analyze/ads/review/product/slow-movers(更直观,推荐)
  • 一个接口加场景参数:/analyze?scene=gmv / scene=ads(接口少,但服务层仍要按场景选不同工作流)

无论哪种,背后都是多套工作流,不是一套包打天下。 场景参数只是路由,不是把所有专家焊进同一个大脑。

工作流优先,图的就是三件事:

  1. 步骤固定。 同一类任务,每次都按同一套顺序跑,结果才好比、才能回归。
  2. 责任可拆。 指标看错了查指标专家,动作胡建议查最后一步,不要整段黑盒重跑。
  3. 数据域隔离。 商品专家只碰商品数据,投放专家只碰投放数据,工具权限也跟着收窄。

如果某个接口背后没有独立工作流,只是把用户原话丢给一个挂了全部工具的智能体,那就还是「对话优先」,只是外面套了一层 API。


4. 前端做一个对话框,还是多个入口?

对话框是产品壳,工作流是后端骨架。两者不是 1:1。

方案 A:一个对话框(可以,也最像 ChatGPT)

用户只看到一个输入框。真正流程是:

text 复制代码
用户随便问
    → 先做意图识别(规则,或一个很薄的路由智能体)
        → 识别为「GMV 归因」   → 调经营归因接口
        → 识别为「投放复盘」   → 调投放复盘接口
        → 识别为「滞销处理」   → 调滞销处理接口
        → 识别不清             → 追问用户是哪一类

这意味着:

  • 前端可以只有一个对话框
  • 后端仍然是多套工作流、多个接口
  • 对话框负责「听懂用户想办哪件事」,工作流负责「把这件事办完」

意图识别要薄。它只做分流,不做分析。别让路由层自己查数、自己写结论,否则分流和工作流又混回去了。

不要让这一个对话框直接打进唯一一个挂了全部工具的超级智能体。那和「工作流优先」是反着的:步骤不固定,出了问题很难查是哪个专家的责任。

方案 B:多个入口,每个入口里还是对话框(更稳)

页面上先放几个明确入口:「经营归因」「投放复盘」「滞销处理」。点进去再聊天。

每个入口已经绑死一套工作流,不用猜意图,结果更稳。适合内部经营系统、店长每天有固定动作的场景。

入口里仍然可以是对话框。用户继续追问「是不是转化不行」「那就给动作」,只是这些追问还在同一类任务里,不会跳到投放复盘。

怎么选

你更在意
像一个助手,用户随便问 一个对话框 + 后台分流
步骤稳定、结果可解释、好排查 多个入口,每个入口一套工作流
工作流优先 后端必须多套工作流;前端两种都行

还有一种折中,内部系统里很常见:顶部是场景入口,入口里是对话框,对话框上方再留一个「转到其他任务」的入口。用户既不用从零猜意图,也不用每次回到首页重选。

无论选哪种,前端传给后端的都应该是「用户问题 + 店铺 / 周期 / 场景」,而不是前端自己拼分析步骤。分析步骤属于工作流,不属于页面。


5. 智能体按什么拆,不按什么拆

按经营角色和数据域拆,不按工程文件夹拆。

要拆成两个智能体,当同时满足:

  • 职责不同(一个看商品,一个看投放)
  • 用的数据 / 工具不同
  • 或者可以并行,拆开能少等

不要拆,当:

  • 同一个人设、同一批数,只是多写两句(解读 GMV 和解读转化不必拆成两个专家)
  • 只是接口层、服务层、配置层三个文件夹(那是工程分层,不是经营角色)
  • 只是为了让架构图上专家更多(专家多不等于分析更准,上下文和费用会一起涨)

以经营归因为例,常见拆法是「1 + N + 1」:

  • 指标解读必须先做,否则后面不知道异常在哪 → 单独、串行
  • 商品、流量、评价看的表不同,可以同时做 → 多个专家并行
  • 动作建议不查新数,只做决策 → 单独、放最后

这是 这一类任务内部 怎么拆专家。另一类任务会有另一套拆法,不要复用错。

投放复盘很可能是:先拉计划花费,再并行看创意 / 人群 / 时段,最后给预算调整。

滞销处理很可能是:先看周转和库龄,再并行看定价 / 流量 / 可替代品,最后给降价或停采。

步骤长得像,并不等于可以共用一套工作流。看的数据不同,决策标准不同,就该分开。

工具也不要和智能体一一对应到接口上。工具是专家的手,接口是任务的门。店长进的是门,不是去握某一只手。


6. 第一版怎么起步,平台变大怎么加

第一版建议故意做窄:

  • 后端先只做一类任务,例如经营归因,只开一个分析接口、一套工作流
  • 前端可以先做一个对话框,只接这一类问题;识别不清就明说「我目前只会做经营归因」
  • 取数工具只给这一类任务用到的数据域,不要提前把投放、库存、评价的工具全挂上

不要第一版就做万能助手。一类任务跑稳了,你才知道:

  • 接口入参要哪些(店铺、周期、对比基准通常就够)
  • 工作流哪一步最容易胡说
  • 前端要不要改成多入口

平台往后加能力,是再复制这一套「接口 + 工作流 + 服务」,而不是把新专家全部塞进现有接口。

可以按这个顺序加:

  1. 第二类任务真的出现了,且现有步骤接不住 → 新工作流、新接口
  2. 前端已经经常被问到第二类 → 再加分流,或再加一个入口
  3. 同一类任务开始被定时任务、预警、群机器人调用 → 复用同一套服务和工作流,不必再包一层新接口给每个触发源

触发源变多,不等于任务类型变多。对话框、周报、预警可以打同一类任务;投放复盘仍然是另一类。

什么时候不要加:

  • 用户只是把「为什么掉了」说成「帮我看看最近不好」
  • 只是多了一个店铺、多了一个自然周
  • 只是想在结论里多写两句「也看看转化」------这仍然是归因任务里的一个分析角度,不是新任务

7. 一张总图和三句口诀

text 复制代码
【前端】
  一个对话框  或  多个场景入口
        │
        │  只传:用户问题 + 店铺 / 周期
        ▼
【意图分流】(第一版可以不做,只有一类任务时)
        │
        ├─ GMV 归因     →  经营归因接口
        ├─ 投放复盘     →  投放复盘接口
        └─ 滞销处理     →  滞销处理接口
                │
                ▼
【每个接口背后】
  接口层  →  服务层  →  一套独立工作流
                        (组合好的一组智能体)

口诀就三句:

  1. 一类经营任务,一个分析接口。
  2. 每个接口背后,单独定义一套工作流,里面组合一组智能体。
  3. 前端可以只有一个对话框,但对话框下面要分流;不能一个万能工作流接所有问题。

记住一件事就够了:用户换说法,不是新系统;用户换目标,才是新系统。

相关推荐
starzy19901 小时前
SparkStreaming 之接收数据原理剖析
大数据·spark
微三云-张梅10 小时前
【三人成团机制如何激活沉默用户的复购意愿?】
大数据·华一健康·微三云·拼团
IT小白杨10 小时前
工程视角下的浏览器环境API:资源模型、权限审计与MCP实践
大数据·经验分享·selenium·chrome devtools·安全架构·指纹浏览器
遥感知识服务11 小时前
从局部阈值、双极化到暗地表剔除:NASA OPERA DSWx-S1全球动态水体算法拆解
大数据·人工智能·深度学习·神经网络·算法·机器学习
小K讲AI营销12 小时前
AI算力中心要花多少钱?拆解显卡、电费和选址
大数据
固定资产管理系统软件13 小时前
商务局RFID固定资产管理系统的应用价值与落地要点解析
大数据·python
FoldWinCard15 小时前
K8s集群部署的方法原理
大数据·容器·kubernetes
招财小梗15 小时前
AI矩阵获客,品牌连锁落地方案揭秘
大数据·人工智能·矩阵
用户36105886261216 小时前
SparkSQL 之 Hive On Spark 原理分析
大数据·spark