LikeShop单商户标准版商品文案智能化升级：大模型批量生成标题与卖点二开实践

一、业务背景：商品文案生产的效率与质量双重瓶颈

在电商运营体系中，商品标题与卖点是直接影响搜索曝光与点击转化的核心要素。LikeShop单商户标准版原生已具备完整的商品发布、SKU管理与上下架流程，能够支撑基础上新需求。但随着商品SKU规模扩大、上新频率提升，传统人工撰写文案的模式逐渐暴露出明显短板。

1.1 上新效率瓶颈

批量上新场景下，文案生产是最大的效率瓶颈：

• 单款商品的标题、卖点、SEO信息撰写通常需要数分钟到十几分钟；
• 数百款商品批量上新时，文案工作需要耗费数天，运营周期被拉长；
• 运营人员大量时间消耗在机械性文案撰写上，无法聚焦选品与策略。

1.2 文案质量不稳定

文案质量高度依赖运营人员个人能力，直接影响最终转化：

• 标题搜索友好度参差不齐，关键词布局不合理，影响站内搜索权重；
• 卖点表达同质化严重，无法突出商品差异化优势，点击率偏低；
• SEO信息缺失或不规范，影响页面收录与自然流量获取。

1.3 原生系统的能力边界

LikeShop原生系统侧重交易流程与商品管理，缺少AI内容生成能力：

• 没有批量文案生成能力，全靠人工逐款填写；
• 没有品类化文案模板，不同商品靠经验自由发挥；
• 没有版本对比与效果追踪，文案优化缺乏数据支撑。

基于此，我们以LikeShop单商户标准版为底座，低侵入式二开接入大模型能力，构建了一套「模板约束 + 大模型生成 + 批量异步处理 + 人工审核入库」的智能文案生成体系。运营仅需输入商品核心关键词与基础参数，AI即可批量生成符合电商规范的标题、卖点与SEO信息，审核通过后一键入库，整体上新效率提升5倍以上，文案标准化程度显著提高。

二、方案选型：为什么不是简单的模板替换

在方案设计阶段，我们对三类主流文案生产方案做了系统性评估。

2.1 三类方案横向对比

纯模板方案虽然实现简单，但存在明显短板：表达僵化、千品一面、无法根据商品特性灵活组织语言，长期来看反而会降低商品差异化竞争力。纯大模型方案虽然灵活，但存在输出不稳定、格式不可控、容易偏离电商规范的问题。

2.2 最终方案：约束式生成 + 批量异步 + 人工审核

我们最终选择「品类模板约束 + 大模型智能生成 + 批量异步处理 + 人工审核兜底」的混合方案，兼顾质量、效率与可控性。

方案核心思路：

1. 约束前置：通过品类Prompt模板限定文案结构、字数、关键词、风格，保证输出符合电商规范；
2. 大模型生成：利用大模型的语义表达能力，生成自然、有吸引力的文案；
3. 批量异步：批量任务异步执行，控制并发与成本，不影响主系统性能；
4. 人工兜底：生成结果不直接上架，人工审核确认后入库，规避幻觉与合规风险。

三、设计原则与整体架构

3.1 核心设计原则

作为基于现有商城系统的二开扩展，方案严格遵循四项原则：

1. 低侵入原则
   新增独立的AI生成服务层与数据表，完全复用原生商品、分类、SKU核心能力，不修改商品核心表结构，不影响官方版本升级。
2. 可配置原则
   Prompt模板、生成参数、文案规则、字数限制均可后台配置，无需改代码即可调整生成效果。
3. 人工可控原则
   所有AI生成结果必须人工审核后才能正式入库，禁止自动上架，从机制上规避内容错误与合规风险。
4. 异步批量原则
   批量生成任务全部异步执行，通过消息队列控制并发，既保证大模型调用平稳，也不占用主系统资源。

3.2 四层架构设计

整体采用分层架构，AI能力作为独立扩展层挂载在原生商品体系之上。

运营接入层：商品发布页、批量生成页、审核管理页、模板配置页
    ↓
AI生成服务层：任务管理、Prompt组装、结果解析、质量校验、审核入库
    ↓
大模型适配层：统一客户端、多模型兼容、Token统计、限流控制
    ↓
原生业务层：LikeShop 商品服务、分类服务、SKU服务、库存服务

各层职责清晰：

• 接入层：面向运营人员，提供单款生成、批量导入、审核管理、模板配置功能；
• 服务层：核心业务逻辑层，负责任务调度、Prompt组装、结果解析与质量校验；
• 适配层：屏蔽不同大模型厂商的接口差异，统一调用规范，支持灵活切换；
• 业务层：完全复用LikeShop原生商品能力，AI层只做内容生产，不侵入核心逻辑。

3.3 与原生系统的边界划分

• 完全复用：商品创建、分类关联、SKU管理、上下架、库存管理全部调用原生接口；
• 新增扩展：AI生成任务、Prompt模板、批量处理、审核流程为新增模块；
• 数据隔离：生成过程数据独立存储，正式商品数据与原生系统一致；
• 升级兼容：官方版本升级时，仅需适配商品服务接口，改造成本极低。

四、核心功能模块设计

4.1 单商品智能生成

商品发布页内置AI生成按钮，运营输入核心关键词后一键生成文案。

生成内容包含：

1. 商品标题：控制字数，包含核心关键词，符合搜索权重规则，兼顾可读性与SEO；
2. 核心卖点：3~5条结构化卖点，突出产品优势、适用场景、差异化价值；
3. SEO信息：自动生成页面关键词与描述，优化搜索引擎收录；
4. 多版本备选：默认生成2~3个版本，运营可对比选择。

4.2 批量导入生成

针对大批量上新场景，支持Excel批量导入基础信息，统一生成文案。

完整流程：

1. 下载模板，填写商品分类、关键词、价格、货号等基础信息；
2. 后台导入Excel，系统创建批量生成任务；
3. 后台异步逐款调用大模型生成标题、卖点与SEO信息；
4. 运营在待审核列表中统一查看、编辑、确认；
5. 审核通过的商品批量调用原生接口正式入库。

4.3 品类化Prompt模板

不同品类的文案风格与结构差异很大，一套模板无法适配所有商品。系统支持按三级类目配置独立的Prompt模板。

模板可配置项：

• 标题长度限制、关键词权重要求；
• 卖点条数、每条字数、表达风格；
• 必须包含的信息维度，如材质、规格、适用人群、使用场景；
• 禁用词、合规要求、特殊行业规范。

例如服装类侧重风格、版型、面料；数码类侧重参数、性能、兼容性；食品类侧重口味、配料、保质期。

4.4 文案质量前置校验

大模型返回结果后，系统先做一轮自动校验，不通过的直接标记异常，减少人工审核成本：

• 长度校验：标题、卖点字数在配置范围内；
• 关键词校验：必须包含指定核心关键词；
• 违规词校验：命中敏感词、极限词的自动拦截；
• 重复度校验：与已有商品标题重复度过高的标记提醒。

4.5 版本管理与效果追踪

• 每款商品保留历史生成版本，可回溯、可对比；
• 支持运营手动优化后记录最终版本；
• 关联商品后续的点击、转化数据，反向评估文案质量。

五、Prompt工程与质量控制

大模型生成的质量，80%取决于Prompt设计。

5.1 Prompt结构化设计

标准Prompt由五部分组成：

1. 角色设定：明确设定为资深电商运营文案专家，熟悉平台搜索规则；
2. 商品信息：传入商品分类、核心关键词、核心参数、目标人群；
3. 约束规则：标题字数、卖点条数、表达风格、禁用词要求；
4. 输出要求：严格返回JSON格式，字段固定；
5. 示例参考：提供1~2个优秀示例，引导输出风格。

5.2 标准化输出格式

强制要求大模型返回标准JSON结构，便于程序解析，降低格式错误率。

{
  "title": "商品主标题",
  "subtitle": "商品副标题",
  "selling_points": [
    "卖点1",
    "卖点2",
    "卖点3"
  ],
  "seo_keywords": "关键词1,关键词2,关键词3",
  "seo_description": "页面描述文案"
}

实践经验：在Prompt中明确要求“只返回JSON，不要任何解释文字、不要markdown包裹”，可以大幅降低格式解析失败率。

5.3 持续迭代机制

建立badcase回流优化机制：

• 审核驳回的文案自动进入badcase库；
• 运营标注驳回原因，如“卖点不突出”“标题不通顺”；
• 定期基于badcase优化Prompt模板与约束规则；
• 品类越丰富、使用越久，生成质量越稳定。

六、数据模型设计

全部采用新增表方式扩展，不修改原生商品核心表，最小化侵入性。

6.1 AI文案生成任务表

记录每一次生成任务的状态、成本与结果。

CREATE TABLE ls_goods_ai_copy_task (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  task_no VARCHAR(32) NOT NULL COMMENT '任务编号',
  task_type TINYINT NOT NULL COMMENT '1单款生成 2批量生成',
  goods_id BIGINT DEFAULT NULL COMMENT '关联商品ID',
  category_id BIGINT NOT NULL COMMENT '商品分类ID',
  keywords VARCHAR(255) NOT NULL COMMENT '核心关键词',
  extra_params TEXT COMMENT '额外参数JSON',

  model_type VARCHAR(32) NOT NULL COMMENT '大模型类型',
  prompt_version VARCHAR(32) COMMENT 'Prompt模板版本',
  input_tokens INT DEFAULT 0,
  output_tokens INT DEFAULT 0,

  status TINYINT NOT NULL DEFAULT 0 COMMENT '0待处理 1处理中 2成功 3失败',
  audit_status TINYINT DEFAULT 0 COMMENT '0待审核 1通过 2驳回',
  fail_reason VARCHAR(255),

  result_content TEXT COMMENT '生成结果JSON',
  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)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='商品AI文案生成任务表';

6.2 Prompt模板配置表

按品类管理Prompt模板，支持后台配置。

CREATE TABLE ls_ai_copy_prompt (
  id BIGINT PRIMARY KEY AUTO_INCREMENT,
  category_id BIGINT NOT NULL COMMENT '适用分类ID',
  prompt_type VARCHAR(32) NOT NULL COMMENT '类型：title/selling_point/seo',
  prompt_template TEXT NOT NULL COMMENT 'Prompt模板内容',
  model_config VARCHAR(255) COMMENT '模型参数配置JSON',
  status TINYINT DEFAULT 1,
  create_time DATETIME NOT NULL,
  update_time DATETIME NOT NULL,
  INDEX idx_category_id(category_id)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='AI文案Prompt配置表';

6.3 批量导入记录表

批量生成场景的批次管理。

CREATE TABLE ls_goods_batch_copy_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,
  UNIQUE KEY uk_batch_no(batch_no)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='批量文案导入表';

七、核心代码实现

7.1 大模型统一接口封装

抽象统一接口，屏蔽不同厂商差异，支持灵活切换模型。

/**
 * 大模型通用接口
 */
public interface LlmService {
    /**
     * 结构化生成，返回指定类型对象
     */
    <T> T structuredGenerate(String prompt, Class<T> clazz, LlmConfig config);
}

/**
 * 通义千问实现
 */
@Service
public class QwenLlmServiceImpl implements LlmService {

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

    @Override
    public <T> T structuredGenerate(String prompt, Class<T> clazz, LlmConfig config) {
        QwenClient client = new QwenClient(apiKey);
        QwenResult result = client.call(prompt, config.getModelName(), config.getTemperature());

        String content = result.getOutput().getText();
        String jsonContent = extractJsonFromText(content);

        try {
            return JSON.parseObject(jsonContent, clazz);
        } catch (Exception e) {
            log.error("大模型返回格式解析失败 content={}", content, e);
            throw new BizException("文案生成格式异常");
        }
    }
}

7.2 商品文案生成服务

负责组装Prompt、调用大模型、解析结果、质量校验。

@Service
public class GoodsCopyGenerateService {

    @Autowired
    private LlmService llmService;
    @Autowired
    private CopyPromptMapper promptMapper;
    @Autowired
    private GoodsCopyTaskMapper taskMapper;
    @Autowired
    private GoodsService goodsService; // 复用原生商品服务

    @Transactional(rollbackFor = Exception.class)
    public CopyResultVO generateCopy(CopyGenerateDTO dto) {
        // 1. 创建生成任务
        GoodsAiCopyTask task = new GoodsAiCopyTask();
        task.setTaskNo(SnGenerator.generate("COPY"));
        task.setCategoryId(dto.getCategoryId());
        task.setKeywords(dto.getKeywords());
        task.setStatus(1);
        taskMapper.insert(task);

        try {
            // 2. 获取对应分类的Prompt模板
            CopyPromptConfig promptConfig = promptMapper.getByCategory(dto.getCategoryId(), "full");
            String prompt = buildPrompt(promptConfig.getPromptTemplate(), dto);

            // 3. 调用大模型
            LlmConfig config = new LlmConfig();
            config.setModelName("qwen-plus");
            config.setTemperature(0.7);
            GoodsCopyResult result = llmService.structuredGenerate(prompt, GoodsCopyResult.class, config);

            // 4. 前置质量校验
            qualityCheck(result, dto);

            // 5. 保存结果
            task.setResultContent(JSON.toJSONString(result));
            task.setInputTokens(result.getInputTokens());
            task.setOutputTokens(result.getOutputTokens());
            task.setStatus(2);
            task.setFinishTime(new Date());
            taskMapper.updateById(task);

            return BeanCopyUtils.copy(task, CopyResultVO.class);

        } catch (Exception e) {
            task.setStatus(3);
            task.setFailReason(e.getMessage());
            taskMapper.updateById(task);
            throw new BizException("文案生成失败：" + e.getMessage());
        }
    }

    /**
     * 审核通过后正式写入商品表
     */
    @Transactional(rollbackFor = Exception.class)
    public Long auditAndPublish(Long taskId) {
        GoodsAiCopyTask task = taskMapper.selectById(taskId);
        if (task.getAuditStatus() != 0) {
            throw new BizException("请勿重复审核");
        }

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

        // 调用原生商品服务创建/更新商品
        GoodsUpdateDTO goodsDTO = new GoodsUpdateDTO();
        goodsDTO.setName(result.getTitle());
        goodsDTO.setSubtitle(result.getSubtitle());
        goodsDTO.setKeywords(result.getSeoKeywords());
        goodsDTO.setDescription(result.getSeoDescription());
        // ... 其他字段映射

        Long goodsId = goodsService.createOrUpdate(goodsDTO);

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

        return goodsId;
    }
}

7.3 批量生成异步消费

批量任务通过消息队列异步执行，控制并发，平稳调用大模型。

@Component
@RocketMQMessageListener(
    topic = "goods_ai_copy_topic",
    consumerGroup = "goods_ai_copy_group",
    consumeMode = ConsumeMode.CONCURRENTLY
)
public class GoodsCopyBatchConsumer implements RocketMQListener<BatchCopyMessage> {

    @Autowired
    private GoodsCopyGenerateService generateService;
    @Autowired
    private BatchCopyImportMapper batchMapper;

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

        AtomicInteger success = new AtomicInteger();
        AtomicInteger fail = new AtomicInteger();

        items.forEach(item -> {
            try {
                // 幂等校验
                if (!taskMapper.existsTodayTask(item.getKeywords(), item.getCategoryId())) {
                    generateService.generateCopy(item);
                    success.incrementAndGet();
                }
            } catch (Exception e) {
                fail.incrementAndGet();
                log.error("批量文案生成失败 item={}", item, e);
            }
        });

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

八、工程化落地关键机制

8.1 幂等与重试

• 按关键词+分类+日期做幂等校验，避免重复生成浪费Token；
• 单次生成失败自动重试1次，超过则标记失败；
• 任务支持人工重跑，便于异常后补处理。

8.2 成本与限流

大模型调用按Token计费，批量场景必须做好成本控制：

• 批量任务限制并发数，通过消费端并发度控制调用速率；
• 设置单日调用上限，超出阈值告警并暂停生成；
• 每次调用记录Token消耗，后台可查看成本统计；
• 不同场景使用不同档位模型，非核心场景用低成本模型。

8.3 审核兜底机制

• 所有生成结果默认进入待审核状态，禁止直接上架；
• 系统先做自动质量校验与违规词检测，异常项标记高亮；
• 运营人工确认后才正式写入商品库；
• 驳回结果进入badcase库，用于反向优化Prompt。

8.4 合规与安全

• 内置违禁词、极限词检测，降低合规风险；
• 特殊品类（食品、美妆、医疗器械）增加额外校验规则；
• 所有生成内容留痕可追溯；
• 模型输出不直接对外展示，必须经过审核。

九、落地效果与业务价值

9.1 效率指标

9.2 质量指标

• 文案结构标准化程度显著提升，标题、卖点、SEO信息完整度从约50%提升至95%以上；
• 关键词布局更规范，站内搜索点击率提升约15%；
• 文案风格统一，商品详情页专业度感知增强。

9.3 业务价值

• 上新周期缩短，能够更快响应市场热点与季节变化；
• 运营人员从机械文案工作中释放，聚焦选品、活动与数据分析；
• 持续沉淀品类文案模板，形成可复用的内容资产。

十、踩坑经验与最佳实践

10.1 不要让AI生成后直接上架

大模型存在幻觉风险，尤其是参数、功效、合规性表述容易出错。必须坚持人工审核机制，效率再重要也不能跳过审核环节。

10.2 不要一套Prompt走天下

不同品类的文案逻辑差异极大。通用模板生成的文案往往泛而不精，一定要按三级类目做差异化Prompt配置，越细分效果越好。

10.3 不要同步批量生成

批量生成如果同步执行，会瞬间打满大模型配额，还可能拖垮应用服务器。一定要走消息队列异步处理，控制消费并发，平稳调用。

10.4 不要忽略成本控制

批量场景Token消耗增长很快，如果不限流、不统计，月底账单容易超出预期。必须做好并发控制、用量统计与阈值告警。

10.5 建立badcase闭环

文案质量不是一次做好的，是持续迭代出来的。建立驳回原因统计与badcase回流机制，持续优化Prompt模板，用得越久效果越好。

结语

大模型在电商场景的价值，不是替代运营，而是把重复性、标准化的文案生产工作自动化，让人的精力聚焦在选品、策略与创意上。

对于LikeShop单商户标准版而言，接入大模型生成商品文案，不需要重构任何核心业务，只需要在上层新增一层AI内容生成服务，复用原有的商品入库、分类管理、上下架体系，就能以很低的二开成本，获得非常显著的效率提升。

电商运营的竞争，越来越体现在细节效率上。批量智能文案生成，不只是一个功能升级，更是商品运营效率的一次整体升级。