从零设计一个智能商品管理 Agent：架构、知识库与决策流

最近在做智能商品管理 Agent——帮电商运营团队做销量预测、库存预警、定价优化，低风险操作自动执行，高风险推给人确认。目标是 7×24 小时的 AI 运营助理。

但这篇文章不打算只讲架构。我想重点聊一个在设计过程中最关键也最容易低估的问题：知识库。

因为在实际做的时候你会发现，Agent 能不能做出靠谱的决策，90% 不取决于模型多强，而取决于它有没有足够好、足够结构化的知识可以查。

一、Agent 要解决的核心问题

在动任何架构之前，先把问题定义清楚。

电商运营每天要处理的信息非常多：哪些 SKU 快断货了？哪些商品需要调价？下周销量趋势怎么样？

这些问题不是"有没有数据"——数据都在，但需要人去翻、去算、去判断。几千个 SKU 靠人肉一个个看根本不现实。

所以 Agent 的定位很明确：自动完成"看数据 → 查知识 → 做分析 → 出建议 → 执行动作"这个闭环。

但不是所有动作都应该让 Agent 自己执行。两条基本原则：

1. 1. 低风险操作自动执行：库存低于安全线自动生成补货单、非核心商品 ±5% 内自动调价

2. 2. 高风险操作推给人确认：大促商品调价、批量下架、供应商切换

二、知识库：Agent 决策的底层支撑

这是很多 AI Agent 设计里最容易被忽略的部分。

很多人把 Agent 想象成"LLM + 工具调用"就够了——模型够强，什么都能推理出来。但在电商运营这个场景里，你想让 Agent 做出合理的定价决策，它需要知道：

• 这款商品是引流款还是利润款？（商品分层知识）
• 去年的这个时候做过什么促销？效果如何？（历史决策知识）
• 这个品类的毛利率底线是多少？（业务规则知识）
• 这批货是临期清仓还是正常周转？（商品状态知识）

这些知识 LLM 的预训练数据里没有。你必须在推理时通过知识库喂给它。

2.1 三种知识形态

我们在系统中设计了三种互补的知识库，覆盖不同的查询场景。

① 结构化知识库（关系型数据库）

商品的主数据——SKU、类目、供应商、规格参数、进价、售价、库存——这些天然是结构化数据，用传统关系型数据库存储最合适。

Agent 通过 SQL 查询获取精确信息：“查询 A 类商品中库存低于安全水位的前 20 个 SKU”。

适用场景：精确查询、聚合统计、批量筛选。这部分权重约占知识查询的 60%。

② 向量知识库（Embedding + 语义检索）

非结构化的业务知识和历史经验——运营 SOP、历史决策记录、促销复盘报告、商品描述——用 Embedding 存入向量库，Agent 在做分析时通过语义相似度检索。

举个例子，当 Agent 要判断"某款羽绒服是否应该降价"，它会去向量库里检索：

• 检索条件：“冬季商品 降价决策 历史案例”
• 返回结果：去年 12 月同品类商品的调价记录、当时的决策逻辑、最终效果

这比让 LLM 凭空推理要靠谱得多。

适用场景：语义搜索、案例匹配、经验查询。约占知识查询的 30%。

③ 规则知识库（可执行的业务规则）

运营团队积累的业务规则——定价规则、促销规则、上下架规则、合规规则。这部分最特殊：它既是知识，也是约束。

在我们的设计里，规则知识库有两种存在形式：

• LLM 可读的规则文档：Agent 在推理时参考。比如"核心商品调价超过 3% 需要运营总监审批"。
• Guardrail 层可执行的规则代码：Agent 执行前，Guardrail 层用硬规则做二次校验。同一个规则，Agent 用来"参考"，Guardrail 用来"强制执行"。

这种双重机制的好处是：Agent 的决策有业务上下文，同时又有不可绕过的安全底线。

2.2 RAG Pipeline：Agent 怎么做知识检索

有了知识库之后，关键问题是：Agent 在什么时候、用什么策略去查知识？

我们设计了三级检索策略，按需触发：

Level 1 — 精确查询（每次必走）
  查结构化数据：当前库存、销量、价格
  耗时：毫秒级

Level 2 — 规则匹配（场景触发）
  根据场景查规则库
  比如触发调价决策时 → 查调价规则
  耗时：毫秒级

Level 3 — 语义检索（复杂决策时触发）
  需要综合判断时查向量库
  比如异常归因、趋势分析、综合决策
  耗时：百毫秒级

关键设计原则：能不查向量库就不查，先走精确查询和规则匹配。

原因是：向量检索有召回率问题，可能查到不相关的内容，反而污染 LLM 的推理上下文。结构化查询和规则匹配是确定性的，查到就是对的，这能让大多数常规决策不需要依赖"模糊的知识"。

2.3 知识库的维护与更新

知识库最怕的不是没有，而是过时。

我们设计了自动更新机制：

• 结构化数据：实时同步（CDC），订单/库存变更后秒级更新
• 向量知识库：增量更新。新产生的高质量决策记录 → 自动 Embedding → 写入向量库
• 规则知识库：半自动更新。Agent 发现规则冲突或缺失时，生成修订建议，人确认后生效

其中第二条最有意思。Agent 每一次做的决策，只要最终被人确认或修改了，就是一次高质量的训练样本。自动回流到向量库，下一次遇到类似的场景，Agent 就有了参考案例。Agent 越用越聪明。

三、整体架构：三层一库

有了知识库的支撑，完整的架构就清晰了。

┌─────────────────────────────────────────────────┐
│                  触达层                            │
│  Dashboard + 企微/钉钉/飞书机器人                  │
└──────────────────────┬──────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────┐
│              Agent 核心循环                       │
│                                                  │
│  感知 ──→ 查知识 ──→ 推理 ──→ Guardrail ──→ 执行 │
│  (数据)   (三级检索)  (LLM)   (规则校验)   (动作)  │
│                    │              │               │
│                    ▼              ▼               │
│              知识库层        Guardrail 规则库       │
└──────────────────────┬──────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────┐
│                  知识库层                         │
│  ┌──────────┐ ┌──────────┐ ┌───────────────┐    │
│  │ 结构化库  │ │ 向量知识库│ │ 规则知识库    │    │
│  │ (MySQL/  │ │ (Milvus/ │ │ (规则引擎 +   │    │
│  │  ClickH.)│ │  PG Vec) │ │  规则文档)    │    │
│  └──────────┘ └──────────┘ └───────────────┘    │
│                   │                              │
│              ┌────▼────┐                        │
│              │ 预测模型  │                       │
│              │ (销量/    │                       │
│              │  需求)    │                       │
│              └─────────┘                        │
└──────────────────────────────────────────────────┘

核心循环比之前多了一个环节：查知识。这是 Agent 每次做决策的必经步骤。

核心循环详解

Step 1 — 感知

定时（每小时轮询）或事件驱动（库存低于阈值、订单量突增），拉取当前需要关注的上下文。

不是所有数据都拉。分级处理——A 类商品（高价值 TOP 20%）逐个分析，B/C 类商品聚合处理。

Step 2 — 查知识

根据触发场景，执行三级检索策略：

• 必查：结构化数据（当前库存、销量）
• 场景触发：相关业务规则
• 复杂决策：向量库语义检索历史案例

Step 3 — 推理

将感知数据 + 检索到的知识 + 系统指令一起拼成 Prompt，交给 LLM。

Prompt 结构示例：

你是一个电商运营助手。
当前任务：判断 A 类商品 SKU-10086 是否需要调价。

【实时数据】
  7日销量：1200 件，环比下降 15%
  当前库存：850 件
  当前售价：¥89.9
  进货成本：¥52.3

【业务规则】
  核心商品调价 ±3% 内自动执行
  超过 ±3% 需运营经理审批
  毛利率不得低于 25%

【历史案例】
  去年 6 月同品类商品 SKU-2034 降价 5%
  效果：销量提升 22%，但毛利率下降 3%
  归因：季节性需求波动，非竞争因素

【指令】
  请分析是否需要调价。
  如果需要，给出建议价格、调价幅度、理由和风险评级。

Step 4 — Guardrail

LLM 输出决策动作后，进入 Guardrail 层：

• 权限校验
• 阈值校验（不超过 ±5%、毛利率不低于 25%）
• 风险评级 → 低/中/高

低风险自动执行，中风险推批，高风险跳过并告警。

Step 5 — 执行 + 记录

执行完成后，把本次决策的完整记录（触发条件、知识检索结果、LLM 推理过程、最终动作、执行结果）写入向量知识库，作为下一次决策的历史案例。

这就是 Agent 能够自我进化的机制——每次决策都在丰富知识库。

四、关键架构决策

为什么不用纯规则引擎？

你可能想问：库存预警、调价建议这些，写规则不是更简单吗？

是的。纯规则能覆盖 80% 的常规场景。但剩下 20% 的模糊场景——“A 商品销量下滑是竞品降价还是季节性因素？”“这个异常是孤例还是系统性问题？”——规则很难写周全。

我们的做法是规则 + 知识 + LLM 三层叠加：

• 规则引擎处理常规触发（快、稳、便宜）
• 知识库提供业务上下文（让 LLM 不盲目推理）
• LLM 处理模糊判断和综合分析（灵活、智能）

向量库 vs 结构化查询，怎么选？

一个容易犯的错误：所有知识都想塞进向量库。

但我们偏向把知识分成两类：

• 事实型知识（价格、库存、类目）→ 结构化存储，SQL 查询
• 经验型知识（历史案例、业务判断、市场分析）→ 向量库，语义检索

原则是：能确定回答的就不用语义检索。 语义检索只在需要"模糊匹配"和"综合判断"时启用。这既降低了延迟，也减少了检索噪音。

审批超时怎么处理？

推给人审批的流程有一个容易忽略的问题：人没看到怎么办？

设计原则：默认驳回比默认执行更安全。

• 24 小时内无人审批 → 自动驳回
• Agent 生成执行失败记录，下次决策时会作为参考
• 连续驳回 3 次以上的建议类型 → Agent 主动降低该类型建议的频率

五、MVP 落地路径

如果从零开始，不建议一上来就搭完整系统。三步走：

Phase 1 — 数据基建 + 规则告警

先把数据通路建好，跑固定的 SQL 查询生成销量日报和库存预警表。配置关键阈值规则。这一步能让运营团队"不打开后台也能知道发生了什么"。

Phase 2 — 知识库建设

收集历史运营决策记录、SOP 文档、定价规则，构建结构化知识库和向量知识库。这个阶段 Agent 还不介入，知识库先让人用——运营人员可以通过搜索历史案例来做决策。

Phase 3 — Agent 接入

在前面两步的基础上加入 Agent 循环。先用只建议不执行的模式（纯分析型），团队信任建立后再放开自动执行。

每一步都有独立价值，不需要等到全部做完才能上线。

关注本号，后续会继续更新 AI Agent 实际落地的工程实践。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇