AI 智能体赋能电商：LikeShop 单商户高级版商品信息自动生成与批量上架二开实践

一、引言

随着大模型能力的成熟，AI 智能体开始从实验性应用走向业务落地。在电商商品运营场景中，商品上新、文案撰写、属性补全、SEO 优化是高频重复工作，非常适合通过 AI 智能体实现自动化处理。

LikeShop 单商户高级版本身具备完整的商品、SKU、库存、分类、上下架体系，但在商品内容生产环节仍依赖人工输入。对于运营人员来说，一款商品从关键词整理到最终上架，通常需要经历标题生成、卖点提炼、详情文案撰写、规格属性补全、SEO 信息设置等多个环节。商品数量较大时，人工处理不仅效率低，还容易出现内容质量不稳定、参数遗漏、关键词覆盖不足等问题。

本文提出一种基于 AI 智能体的商品信息自动生成与批量上架方案，在不侵入 LikeShop 核心业务逻辑的前提下，通过新增 AI 服务层、任务调度层和审核入库层，实现商品内容的自动生成、批量处理与人工确认后上架。

二、业务痛点与问题分析

LikeShop 单商户版原有商品管理流程主要存在以下问题：

2.1 商品上新效率低

商品内容生产依赖人工逐款编辑。一款商品通常需要花费数十分钟完成标题、卖点、详情、属性和 SEO 信息整理。批量上架数百款商品时，运营周期会被显著拉长。

2.2 内容质量不稳定

文案质量受运营人员经验影响较大。不同人员输出的标题吸引力、详情转化力、卖点表达能力存在明显差异，难以形成统一的商品内容标准。

2.3 属性补全难度高

不同品类商品需要不同的规格参数。人工填写时容易遗漏关键属性，导致商品筛选条件不完整，影响前台搜索和筛选体验。

2.4 SEO 优化能力不足

多数运营人员缺乏系统的 SEO 方法，商品关键词、页面描述、标题词频设置不够规范，影响站内搜索曝光和外部收录效果。

AI 智能体的价值，在于将这些重复性内容生产工作标准化、自动化，让运营人员从机械录入工作中解放出来，专注于商品审核、选品和运营策略。

三、方案设计目标与原则

3.1 设计目标

本方案希望实现以下目标：

1. 自动生成商品内容：包括标题、卖点、详情、标签、规格属性和 SEO 信息；
2. 支持批量处理：通过批量导入实现批量生成，提升大商品量场景下的上新效率；
3. 人工审核可控：AI 结果必须经过人工确认后才能正式入库；
4. 低侵入二开：不破坏 LikeShop 原有商品体系，便于后续版本升级；
5. 可配置可扩展：支持不同品类、不同模型、不同 Prompt 策略的灵活配置。

3.2 设计原则

为保证方案的可落地性，设计时遵循以下原则：

1. 最小侵入原则：新增 AI 任务表、AI 服务层和审核流程，不直接改造 LikeShop 核心商品表；
2. 能力复用原则：商品入库、SKU 管理、库存、上下架等能力全部复用 LikeShop 原生服务；
3. 人工可控原则：AI 生成结果不得直接上架，必须经过审核确认；
4. 异步处理原则：批量生成任务异步执行，避免影响前端交互体验；
5. 可观测原则：任务状态、Token 消耗、失败原因、生成结果全部可追踪。

四、整体架构设计

4.1 分层架构

本方案采用四层架构设计：

应用层：商家后台、运营后台、批量导入页面
  ↓
AI 业务层：任务管理、Prompt 执行、内容解析、审核入库
  ↓
大模型适配层：模型客户端、限流控制、Token 统计、配置管理
  ↓
原生业务层：LikeShop 商品服务、分类服务、SKU 服务、库存服务

4.2 核心流程设计

商品 AI 生成与批量上架的完整流程如下：

1. 运营人员导入商品基础信息；
2. 系统创建批量任务；
3. 异步调度器逐行执行 AI 生成；
4. 大模型返回结构化内容；
5. 系统解析并暂存生成结果；
6. 运营人员审核并修改内容；
7. 审核通过后调用 LikeShop 原生服务完成商品入库；
8. 商品进入原有上下架流程。

4.3 技术选型建议

五、功能模块设计

5.1 商品信息智能生成模块

该模块负责生成商品核心内容，包括：

• 商品标题；
• 商品副标题或卖点；
• 商品详情文案；
• 商品标签；
• SEO 关键词；
• SEO 页面描述。

生成过程中，系统根据商品分类加载对应 Prompt 模板，将关键词、价格、分类、目标人群等变量传入大模型，并要求模型返回结构化 JSON 结果。

5.2 规格属性自动补全模块

不同品类商品需要不同属性。系统根据商品分类匹配属性模板，并调用大模型生成属性值。

例如：

• 服装类：材质、尺码、风格、季节；
• 数码类：品牌、型号、配置、接口；
• 食品类：配料、保质期、储存方式、规格。

生成后的属性值会映射到 LikeShop 商品属性体系中，减少人工逐条录入成本。

5.3 SEO 优化模块

SEO 优化模块围绕站内搜索和页面收录展开，主要包括：

• 标题关键词优化；
• 页面关键词生成；
• 页面描述生成；
• 标签补全；
• 文案结构规范化。

5.4 批量导入与生成模块

批量导入模块支持运营人员通过 Excel 导入商品基础信息，包括：

• 商品分类；
• 商品关键词；
• 价格；
• 库存；
• 货号；
• 备注信息。

系统导入后生成批量任务，并通过异步方式逐款调用 AI 生成。

5.5 审核入库模块

AI 生成结果进入待审核列表，运营人员可查看、编辑和确认。审核通过后，系统调用 LikeShop 原生商品服务完成创建。

六、数据库设计

为降低侵入性，本方案采用新增表方式扩展能力。

6.1 AI 商品生成任务表

CREATE TABLE ls_goods_ai_generate_task (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  task_no VARCHAR(32) NOT NULL,
  task_type TINYINT NOT NULL,
  goods_id BIGINT DEFAULT NULL,
  category_id BIGINT NOT NULL,
  keywords VARCHAR(255) NOT NULL,
  extra_params TEXT,
  model_type VARCHAR(32) NOT NULL,
  prompt_version VARCHAR(32),
  input_tokens INT DEFAULT 0,
  output_tokens INT DEFAULT 0,
  status TINYINT NOT NULL DEFAULT 0,
  audit_status TINYINT DEFAULT 0,
  fail_reason VARCHAR(255),
  result_content TEXT,
  create_time DATETIME NOT NULL,
  finish_time DATETIME,
  create_by BIGINT,
  INDEX idx_task_no(task_no),
  INDEX idx_status(status),
  INDEX idx_goods_id(goods_id)
);

6.2 批量导入记录表

CREATE TABLE ls_goods_batch_import (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  batch_no VARCHAR(32) NOT NULL,
  total_count INT NOT NULL,
  success_count INT DEFAULT 0,
  fail_count INT DEFAULT 0,
  import_file VARCHAR(255),
  status TINYINT NOT NULL DEFAULT 0,
  create_time DATETIME NOT NULL,
  create_by BIGINT,
  INDEX idx_batch_no(batch_no)
);

6.3 Prompt 配置表

CREATE TABLE ls_ai_prompt_config (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  category_id BIGINT,
  prompt_type VARCHAR(32) NOT NULL,
  prompt_template TEXT NOT NULL,
  model_config VARCHAR(255),
  status TINYINT DEFAULT 1,
  create_time DATETIME NOT NULL,
  INDEX idx_category_id(category_id)
);

七、核心实现逻辑

7.1 大模型统一接口封装

为屏蔽不同模型厂商差异，系统抽象统一模型接口。

public interface LlmService {
    LlmResponse generate(String prompt, LlmConfig config);
}

@Service
public class QwenLlmService implements LlmService {

    @Value("${ai.qwen.api-key}")
    private String apiKey;

    @Override
    public LlmResponse generate(String prompt, LlmConfig config) {
        QwenClient client = new QwenClient(apiKey);
        QwenResult result = client.call(prompt, config.getModelName(), config.getTemperature());

        LlmResponse response = new LlmResponse();
        response.setContent(result.getOutput().getText());
        response.setInputTokens(result.getUsage().getInputTokens());
        response.setOutputTokens(result.getUsage().getOutputTokens());
        return response;
    }
}

7.2 商品信息生成服务

@Service
public class GoodsAiGenerateService {

    @Autowired
    private LlmService llmService;
    @Autowired
    private AiPromptConfigMapper promptConfigMapper;
    @Autowired
    private GoodsAiTaskMapper taskMapper;
    @Autowired
    private GoodsService goodsService;

    @Transactional(rollbackFor = Exception.class)
    public GoodsAiTaskVO generateGoodsInfo(GoodsAiGenerateDTO dto) {
        GoodsAiGenerateTask task = new GoodsAiGenerateTask();
        task.setTaskNo(SnGenerator.generate("AI"));
        task.setCategoryId(dto.getCategoryId());
        task.setKeywords(dto.getKeywords());
        task.setStatus(1);
        taskMapper.insert(task);

        try {
            AiPromptConfig promptConfig = promptConfigMapper.getByCategory(dto.getCategoryId(), "full");
            String prompt = buildPrompt(promptConfig.getPromptTemplate(), dto);

            LlmConfig config = new LlmConfig();
            config.setModelName("qwen-plus");
            config.setTemperature(0.7);
            LlmResponse response = llmService.generate(prompt, config);

            task.setResultContent(response.getContent());
            task.setInputTokens(response.getInputTokens());
            task.setOutputTokens(response.getOutputTokens());
            task.setStatus(2);
            task.setFinishTime(new Date());
            taskMapper.updateById(task);

            return BeanCopyUtils.copy(task, GoodsAiTaskVO.class);
        } catch (Exception e) {
            task.setStatus(3);
            task.setFailReason(e.getMessage());
            taskMapper.updateById(task);
            throw new BizException("AI生成失败：" + e.getMessage());
        }
    }
}

7.3 审核入库逻辑

@Transactional(rollbackFor = Exception.class)
public Long auditAndPublish(Long taskId) {
    GoodsAiGenerateTask task = taskMapper.selectById(taskId);
    if (task.getAuditStatus() != 0) {
        throw new BizException("请勿重复审核");
    }

    GoodsAiResult result = JSON.parseObject(task.getResultContent(), GoodsAiResult.class);

    GoodsCreateDTO goodsDTO = new GoodsCreateDTO();
    goodsDTO.setName(result.getTitle());
    goodsDTO.setSubtitle(result.getSubtitle());
    goodsDTO.setCategoryId(task.getCategoryId());
    goodsDTO.setDescription(result.getDetail());
    goodsDTO.setKeywords(result.getSeoKeywords());
    goodsDTO.setPrice(result.getPrice());
    goodsDTO.setStock(result.getStock());

    Long goodsId = goodsService.createGoods(goodsDTO);

    task.setAuditStatus(1);
    task.setGoodsId(goodsId);
    taskMapper.updateById(task);

    return goodsId;
}

7.4 批量生成异步处理

@Component
public class GoodsBatchGenerateConsumer {

    @Autowired
    private GoodsAiGenerateService generateService;
    @Autowired
    private GoodsBatchImportMapper batchMapper;

    @RocketMQMessageListener(topic = "goods_ai_batch_topic", consumerGroup = "goods_ai_group")
    public class BatchGenerateListener implements RocketMQListener<BatchGenerateMessage> {

        @Override
        public void onMessage(BatchGenerateMessage message) {
            String batchNo = message.getBatchNo();
            List<GoodsImportItem> items = message.getItems();

            int success = 0;
            int fail = 0;

            for (GoodsImportItem item : items) {
                try {
                    GoodsAiGenerateDTO dto = new GoodsAiGenerateDTO();
                    dto.setCategoryId(item.getCategoryId());
                    dto.setKeywords(item.getKeywords());
                    dto.setPrice(item.getPrice());
                    generateService.generateGoodsInfo(dto);
                    success++;
                } catch (Exception e) {
                    fail++;
                    log.error("批量生成失败，item={}", item, e);
                }
            }

            batchMapper.updateResult(batchNo, success, fail, 2);
        }
    }
}

八、Prompt 设计策略

Prompt 是影响生成质量的关键因素。本方案建议按品类建立 Prompt 模板库。

8.1 Prompt 结构建议

一个完整的商品生成 Prompt 应包含以下部分：

1. 角色设定；
2. 商品品类说明；
3. 用户输入信息；
4. 输出字段要求；
5. 格式约束；
6. 风格约束；
7. 合规约束。

8.2 输出格式建议

为便于程序解析，应要求大模型返回标准 JSON。

示例输出结构：

{
  "title": "商品标题",
  "subtitle": "商品副标题",
  "sellingPoints": ["卖点1", "卖点2"],
  "detail": "商品详情内容",
  "tags": ["标签1", "标签2"],
  "seoKeywords": "关键词",
  "seoDescription": "页面描述",
  "specs": {
    "材质": "纯棉",
    "尺码": "M/L/XL"
  }
}

九、审核与质量控制

AI 生成内容不能直接等同于可上架商品，必须建立审核机制。

9.1 审核内容

审核人员重点确认以下内容：

• 标题是否准确；
• 卖点是否完整；
• 详情是否通顺；
• 属性是否正确；
• SEO 信息是否合理；
• 是否存在违规或敏感内容。

9.2 质量控制建议

• 所有结果默认进入待审核状态；
• 敏感品类增加专项审核；
• 建立违规词检测机制；
• 对失败任务自动记录原因；
• 对低质量结果进行 Prompt 迭代。

十、成本控制与限流

AI 批量生成会产生模型调用成本，需要进行控制。

10.1 成本控制方式

• 记录每次调用的 Token 消耗；
• 设置批量任务并发上限；
• 设置单日调用阈值；
• 不同场景使用不同模型；
• 高频字段使用缓存结果。

10.2 限流建议

十一、方案收益评估

本方案落地后，可带来以下收益：

1. 商品上新效率提升；
2. 文案内容标准化；
3. 属性补全更完整；
4. SEO 信息更规范；
5. 批量处理能力增强；
6. 人工审核可控；
7. 对 LikeShop 核心系统侵入低。

对于商品数量较多、上新频率较高的商家，这套方案能够显著降低运营人员的机械录入成本。

十二、风险与避坑建议

12.1 大模型输出不稳定

大模型可能出现格式错误、内容幻觉、字段缺失等问题。

建议：

• 要求输出标准 JSON；
• 增加结果校验；
• 对解析失败任务标记为失败；
• 持续优化 Prompt。

12.2 直接生成后自动上架

AI 结果未经审核直接入库，可能带来错误内容和合规风险。

建议：

• 所有结果必须人工审核；
• 敏感品类加强审核；
• 建立内容校验规则。

12.3 侵入 LikeShop 核心逻辑

如果 AI 能力与商品核心逻辑深度耦合，后续升级会很困难。

建议：

• AI 层只负责生成内容；
• 商品入库复用原生服务；
• 新增表和新服务层独立维护。

12.4 批量任务阻塞主线程

批量生成如果同步执行，会导致前端超时。

建议：

• 批量任务异步处理；
• 任务状态可查询；
• 失败任务可追踪。

十三、结语

AI 智能体在电商商品运营中的价值，不在于替代运营人员，而在于将高频、重复、机械的内容生产工作自动化。LikeShop 单商户高级版具备成熟的商品和交易底座，在此基础上增加 AI 商品信息生成与批量上架能力，不需要重构核心业务，只需要围绕 AI 任务、内容解析和审核入库建立独立扩展层，就能获得明显的效率提升。

对于商品量大、上新频率高的商家来说，这类二开方案的投入产出比很高。它既保留了 LikeShop 原有系统的稳定性，又让 AI 能力真正落到具体业务场景中。