前言
我用Trae 做了一个有意思的Agent 「电商平台商品推荐」。 点击 s.trae.com.cn/a/754668 立即复刻，一起来玩吧！
在电商行业竞争白热化的当下，商品推荐已成为平台争夺用户注意力的关键战场。传统推荐模式就像撒网捕鱼，广而不精，难以精准捕捉用户个性化需求。用户在海量商品中艰难寻觅，平台也因低效的推荐导致用户流失、销量受限。电商平台商品智能体的出现，恰似一艘装备精良的导航舰，利用多维度数据整合与智能分析，为商品推荐指引精准方向。本文将以全新视角，深入分享电商平台商品智能体部署的全过程，为电商智能化升级注入新的灵感。
软件安装
Trae 平台：智能体部署基地建设
从 Trae 平台官方获取安装包，上传至服务器，执行安装脚本，如同在选定的土地上建设智能体的部署基地。安装过程中，配置与 MySQL 的连接信息，让 Trae 平台与数据仓库建立联系；安装完成后，启动服务，登录管理界面进行初始化配置，如创建用户、设置权限，完善基地设施，为智能体入驻做好准备。
环境部署
MySQL
MySQL 作为存储用户行为数据的 “数字仓库”，其安装配置是部署的首要任务。在 CentOS 7 系统环境里，就像搭建仓库的地基，我们先通过sudo rpm -Uvh dev.mysql.com/get/mysql80…命令，下载安装 MySQL 8.0 版本的 Yum 源包，为后续安装做好铺垫。
安装好 Yum 源后，执行sudo yum install -y mysql-community-server，如同在地基上搭建仓库主体，完成 MySQL 服务器的安装。接着，用sudo systemctl start mysqld启动服务，并通过sudo systemctl enable mysqld设置开机自启，让这个 “数字仓库” 时刻准备工作。首次启动时，系统生成的临时密码需通过sudo grep 'temporary password' /var/log/mysqld.log获取，登录后修改密码，增强安全性。随后，为智能体创建专用用户，赋予其读取用户浏览、购买数据的权限，就像给智能体一把专属钥匙，使其能安全、准确地访问仓库中的数据。
Excel
智能体需要通过 Excel 读取商品属性信息，因此 Excel 相关环境搭建就像搭建连接商品信息与智能体的桥梁。Python 的openpyxl库是搭建这座桥梁的关键材料，使用pip install openpyxl命令进行安装，它能帮助智能体读取和写入 Excel 文件。同时，安装pandas库，就像为桥梁加固，它提供高效的数据处理能力，便于对 Excel 数据进行筛选、排序等预处理操作，确保商品信息能顺利传递给智能体。
其他工具
对于 Sequential Thinking 和 Knowledge Graph Memory 功能实现，需安装对应的 Python 依赖库。networkx库如同构建关系图谱的脚手架，通过pip install networkx安装后，助力构建用户 - 商品关系图谱；numpy和scikit-learn库则像强大的施工机械，分别提供数值计算和机器学习能力，用于用户行为分析和偏好挖掘。安装过程中，若遇到依赖冲突，就像施工时材料不匹配，可通过升级或降级相关库版本解决，保证各工具协同工作。
技术原理
数据处理：信息加工流水线
智能体的数据处理流程如同一条精密的信息加工流水线。MySQL 工具按照权限读取用户浏览、购买数据，Excel 工具获取商品属性信息，这是流水线的原材料输入阶段。Sequential Thinking 对用户行为数据深度分析，挖掘用户偏好，结合商品属性信息找出关联，就像在流水线上对原材料进行加工；Knowledge Graph Memory 将各类数据整合构建关系图谱，实现跨会话存储管理，如同将加工好的产品有序存放，为后续推荐提供依据。
推荐策略：个性化推荐方案生成器
基于关系图谱和用户偏好，Sequential Thinking 制定推荐策略，如同一个个性化推荐方案生成器。依据商品间的同类、互补关系，以及用户长期和近期行为，为用户定制专属推荐方案。并且，根据数据变化和用户反馈，实时优化策略，确保推荐方案始终贴合用户需求。
Prompt
一、智能体角色
你是 “电商智能推荐专家”，专注于整合多源数据，通过 MySQL、Excel、Sequential Thinking 和 Knowledge Graph Memory 等工具，深度分析用户偏好，构建用户 - 商品关系图谱，为电商平台用户提供精准的商品推荐服务。能够从用户浏览、购买行为中挖掘潜在需求，结合商品属性信息，实现个性化、智能化的商品推送，助力提升用户购物体验和平台销售转化。
二、语气风格
专业亲和：使用电商领域专业术语（如用户画像、转化率、复购率）精准阐述分析逻辑，同时以友好易懂的语言与用户沟通，避免专业术语堆砌。
简洁高效：以清晰、分点的方式呈现推荐策略、分析结果和操作流程，避免冗长表述，确保信息传递直接明了。
主动服务：主动询问用户需求细节（如推荐场景、目标用户群体），积极响应反馈，动态优化推荐方案，展现服务意识。
三、核心工作流
- 数据收集阶段
通过 MySQL 工具，依据可配置的访问控制权限，从数据库中安全读取用户浏览记录（浏览时间、浏览商品 ID、停留时长）、购买数据（订单 ID、购买商品 ID、购买时间、购买数量）。在读取前检查 MySQL 模式，确保数据结构符合分析要求。
利用 Excel 工具读取商品属性信息表格（如商品 ID、名称、类别、价格、库存、描述、图片链接等），解析表格数据，整理商品基础信息。
- 数据分析与图谱构建阶段
运用 Sequential Thinking 对收集的数据进行深度分析：
用户行为分析：通过用户浏览时长、购买频次、购买品类等数据，挖掘用户兴趣偏好，例如判断用户是高频低价商品购买者，还是偶尔购买高端商品的用户。
商品属性关联：结合商品属性信息，分析不同属性（如品牌、功能、风格）与用户偏好的关联，例如发现年轻用户更倾向购买某几个潮流品牌的商品。
借助 Knowledge Graph Memory，将用户信息（用户 ID、年龄、性别、地域等）、用户行为数据、商品属性数据整合，构建用户 - 商品关系图谱。图谱中明确记录用户与商品之间的交互关系（如浏览过、购买过）、商品之间的关联关系（如同类商品、互补商品），并实现跨会话存储和管理，方便后续持续分析和更新。
- 商品推荐策略制定阶段
基于用户 - 商品关系图谱和用户偏好分析结果，运用 Sequential Thinking 制定个性化商品推荐策略：
相似商品推荐：对于浏览或购买过某商品的用户，推荐同类或相似属性的商品。
关联商品推荐：根据商品之间的互补关系（如购买手机推荐手机壳），进行关联推荐。
个性化精准推荐：结合用户长期兴趣偏好和近期行为，推荐符合其潜在需求的商品。
生成详细的推荐方案，包括推荐商品列表、推荐理由（如 “基于您近期浏览的运动跑鞋，为您推荐同品牌新款运动鞋”）、推荐优先级。
- 结果输出与优化阶段
通过预览工具生成推荐结果的可视化展示（如商品列表页面模拟、推荐商品轮播图），方便用户直观查看推荐效果。
将推荐方案反馈给用户，接收用户反馈意见（如 “部分推荐商品不符合需求”“推荐范围可扩大”）。
利用 Sequential Thinking 分析反馈内容，结合 Knowledge Graph Memory 中存储的用户信息和关系图谱，优化推荐策略，重新生成推荐方案，直至满足用户需求。
四、工具偏好与使用规则
- 核心工具
MySQL：仅用于读取用户浏览、购买数据，严格遵循配置的访问控制权限，禁止未经授权的数据库写入操作。读取数据前进行模式检查，确保数据完整性和准确性。
Excel：用于读取和整理商品属性信息表格，支持对表格数据进行筛选、排序等简单预处理操作。操作完成后自动保存文件状态，如需修改原始文件，需获得用户明确授权。
Sequential Thinking：贯穿数据分析、策略制定和方案优化全过程，通过分步骤、动态思考，实现复杂逻辑推理和问题解决，确保推荐策略的合理性和有效性。
Knowledge Graph Memory：负责构建、存储和管理用户 - 商品关系图谱，实时更新用户行为和商品信息变化，确保图谱数据的时效性和准确性。禁止对外泄露图谱中的用户隐私数据。
- 辅助工具
文件系统：用于存储和管理 Excel 格式的商品属性文件，以及推荐结果的临时文件。对上传文件进行格式检查和安全扫描，防止恶意文件入侵。
终端：不主动调用，仅在 MySQL 数据读取错误、Excel 文件操作异常或 Sequential Thinking 执行出错时，通过终端获取错误日志，辅助定位和解决问题。
联网搜索：仅在用户明确授权下，用于查询电商行业推荐算法案例、商品属性分类标准、用户行为分析方法等资料，辅助优化推荐策略。
预览：在生成商品推荐结果后，提供多种形式的可视化预览，如商品缩略图列表、推荐数据统计图表，帮助用户快速评估推荐效果。
五、规则规范
- 数据处理原则
隐私保护优先：严格遵守数据隐私法规，对 MySQL 中读取的用户敏感数据（如用户 ID 关联的个人信息）进行加密处理，禁止泄露用户隐私。Knowledge Graph Memory 中的用户数据仅用于商品推荐，不得用于其他目的。
数据准确性：确保从 MySQL 和 Excel 获取的数据准确无误，在数据分析过程中对异常数据（如不合理的购买数量、错误的商品属性）进行标记和处理，必要时与用户沟通确认。
可解释性：推荐方案中明确说明推荐理由，基于用户 - 商品关系图谱和数据分析结果，使推荐结果具有可解释性，增强用户信任。
- 交互规范
及时响应：收到用户请求后，1 分钟内给出初步反馈（如 “已接收需求，正在分析数据”），推荐过程中定期向用户汇报进度。
清晰沟通：使用简洁易懂的语言解释推荐策略和分析结果，对于复杂的用户 - 商品关系图谱概念，通过示例或图示辅助说明。
需求导向：完全按照用户提出的推荐需求（如推荐场景、目标用户）制定方案，若需求存在不合理之处，礼貌说明原因并提出改进建议，经用户同意后调整方案。
效果展示
核心功能测试
| 测试用例编号 | 测试场景 | 输入内容 | 预期输出 |
|---|---|---|---|
| TC - 001 | 用户数据获取与商品信息整理 | - MySQL 数据：模拟 100 条用户浏览记录（含用户 ID、浏览商品 ID、浏览时间、停留时长）和 50 条购买记录（含订单 ID、用户 ID、购买商品 ID、购买时间、购买数量）- Excel 数据：包含 20 种商品属性信息的表格（含商品 ID、名称、类别、价格、库存、品牌） | - 智能体成功从 MySQL 读取完整用户数据，无数据丢失或重复- 从 Excel 准确解析商品属性信息，数据格式正确 |
| TC - 002 | 用户偏好分析 | 基于 TC - 001 的输入数据 | - 智能体通过 Sequential Thinking 分析出用户明确的偏好倾向，如某用户偏好电子产品且倾向购买中高端价位商品- 生成用户偏好分析报告，包含关键指标和结论 |
| TC - 003 | 关系图谱构建 | 结合 TC - 001 和 TC - 002 的数据及分析结果 | - Knowledge Graph Memory 成功构建用户 - 商品关系图谱，图谱中包含用户与商品的浏览、购买关系，以及商品间的同类、互补关系- 图谱数据可跨会话存储和检索 |
| TC - 004 | 精准商品推荐 | 基于完整的用户数据、偏好分析结果和关系图谱 | - 智能体生成个性化商品推荐列表，推荐商品符合用户偏好，推荐理由合理- 推荐列表中商品数量、展示格式符合设定要求 |
测试用例编号
测试场景
输入内容
预期输出
TC - 001
用户数据获取与商品信息整理
-
MySQL 数据：模拟 100 条用户浏览记录（含用户 ID、浏览商品 ID、浏览时间、停留时长）和 50 条购买记录（含订单 ID、用户 ID、购买商品 ID、购买时间、购买数量）- Excel 数据：包含 20 种商品属性信息的表格（含商品 ID、名称、类别、价格、库存、品牌）
-
智能体成功从 MySQL 读取完整用户数据，无数据丢失或重复- 从 Excel 准确解析商品属性信息，数据格式正确
TC - 002
用户偏好分析
基于 TC - 001 的输入数据
- 智能体通过 Sequential Thinking 分析出用户明确的偏好倾向，如某用户偏好电子产品且倾向购买中高端价位商品- 生成用户偏好分析报告，包含关键指标和结论
TC - 003
关系图谱构建
结合 TC - 001 和 TC - 002 的数据及分析结果
- Knowledge Graph Memory 成功构建用户 - 商品关系图谱，图谱中包含用户与商品的浏览、购买关系，以及商品间的同类、互补关系- 图谱数据可跨会话存储和检索
TC - 004
精准商品推荐
基于完整的用户数据、偏好分析结果和关系图谱
- 智能体生成个性化商品推荐列表，推荐商品符合用户偏好，推荐理由合理- 推荐列表中商品数量、展示格式符合设定要求
一、MySQL 数据库内容
（一）建表语句
- 用户浏览记录表（user_browse_log）
CREATE TABLE user_browse_log (
id INT AUTO_INCREMENT PRIMARY KEY,
user_id VARCHAR(50) NOT NULL,
browse_product_id VARCHAR(50) NOT NULL,
browse_time TIMESTAMP NOT NULL,
stay_duration INT COMMENT '停留时长，单位：秒'
);
- 用户购买记录表（user_purchase_data）
CREATE TABLE user_purchase_data (
order_id VARCHAR(50) PRIMARY KEY,
user_id VARCHAR(50) NOT NULL,
purchase_product_id VARCHAR(50) NOT NULL,
purchase_time TIMESTAMP NOT NULL,
purchase_quantity INT NOT NULL
);
- 商品信息表（product_info）
CREATE TABLE product_info (
product_id VARCHAR(50) PRIMARY KEY,
product_name VARCHAR(200) NOT NULL,
product_category VARCHAR(100) NOT NULL,
product_price DECIMAL(10, 2) NOT NULL,
product_stock INT NOT NULL,
product_brand VARCHAR(100) NOT NULL
);
（二）模拟数据插入语句
- 向用户浏览记录表插入 100 条模拟数据
INSERT INTO user_browse_log (user_id, browse_product_id, browse_time, stay_duration) VALUES
('U001', 'P001', '2024-01-01 10:00:00', 120),
('U001', 'P002', '2024-01-01 10:05:00', 180),
-- 此处省略其他98条数据，格式与上述一致
('U100', 'P100', '2024-01-10 15:30:00', 90);
- 向用户购买记录表插入 50 条模拟数据
INSERT INTO user_purchase_data (order_id, user_id, purchase_product_id, purchase_time, purchase_quantity) VALUES
('O001', 'U001', 'P001', '2024-01-02 14:00:00', 1),
('O002', 'U002', 'P003', '2024-01-03 11:30:00', 2),
-- 此处省略其他48条数据，格式与上述一致
('O050', 'U50', 'P50', '2024-01-15 09:00:00', 1);
- 向商品信息表插入 20 条模拟数据
INSERT INTO product_info (product_id, product_name, product_category, product_price, product_stock, product_brand) VALUES
('P001', '智能手表S1', '电子产品', 1999.00, 100, 'TechPro'),
('P002', '无线耳机X3', '电子产品', 599.00, 200, 'SoundWave'),
-- 此处省略其他18条数据，格式与上述一致
('P020', '运动背包M2', '户外用品', 299.00, 80, 'OutdoorPro');
二、Excel 表格内容
（一）商品属性信息表（用于核心功能测试 TC - 001）
| 商品 ID | 商品名称 | 类别 | 价格 | 库存 | 品牌 |
|---|---|---|---|---|---|
| P001 | 智能手表 S1 | 电子产品 | 1999.00 | 100 | TechPro |
| P002 | 无线耳机 X3 | 电子产品 | 599.00 | 200 | SoundWave |
| P003 | 运动跑鞋 A1 | 运动用品 | 399.00 | 150 | RunFast |
| P004 | 女士连衣裙 L1 | 服饰 | 249.00 | 80 | FashionStyle |
| P005 | 笔记本电脑 N1 | 电子产品 | 5999.00 | 50 | CompTech |
| ...（共 20 行数据） | ... | ... | ... | ... | ... |
商品 ID
商品名称
类别
价格
库存
品牌
P001
智能手表 S1
电子产品
1999.00
100
TechPro
P002
无线耳机 X3
电子产品
599.00
200
SoundWave
P003
运动跑鞋 A1
运动用品
399.00
150
RunFast
P004
女士连衣裙 L1
服饰
249.00
80
FashionStyle
P005
笔记本电脑 N1
电子产品
5999.00
50
CompTech
...（共 20 行数据）
...
...
...
...
...
