ShopMind 智能电商导购产品系统Vibe Coding

用户在购物APP上浏览时，像逛街一样，但大多数用户往往对所需物品的需求不明确，或者不知道想买什么东西，此时如果能有一个数字导购员进行引导协助，提供参考和建议，就能帮助用户精准定位到理想商品。

用户只需要进行自然语言交互，而 导购 Agent 就行电商系统的代理，一位商品管理员，一位有经验的商品体验者，基于 Agent 智能体范式，通过多轮对话，与用户核对需求、商品的属性信息，并基于评论区反馈， 为用户提供准确、满意、个性化的商品推荐。

相对于传统的推荐和搜索算法，Agentic 导购具备的优势：
- 精确推荐。从用户的使用场景出发，从源头上解决用户需要什么，防止用户因为遗漏某些关键点，而买到用不上或者买后后悔的东西。
- 可解释强。Agent 的推荐，往往经过了多轮对话，拼凑出商品的全貌，有理有据，完全贴合用户需求。而传统的搜索和推荐，基于用户行为历史和关键词。
- 没有冷启动的问题。Agent 能直接调取商品服务的接口、商品的评论、商家位置等信息，做出推荐，而无需基于用户行为历史。
- 跨品类和多推荐。Agent 能考虑到用户的使用场景，推理出一件商品还需要什么样的属性作为补充，或者除了这件商品外，可能还需要其它什么商品。
- 信息收敛。搜索和推荐往往会返回一大堆的商品，对 “选择困难症” 的用户很不友好 ，而 Agent 一般只返回几个，降低用户的困惑度和认知负荷。
- 售后支持与全链路体验。用户通过 agent 购买商品，之后 “怎么安装”、“怎么使用” 等这些售后问题，可以调取商家的售后说明书进行解答。
- 人性化。传统的电商推荐，更像是推销员，只负责预测和展示用户可能喜欢的商品，而 Agent 就像一位人性化的助手，不仅帮用户“挑”东西，还能参与协助用户的整个购物和售后流程，增加平台信任度和黏度。

项目地址：http://124.223.73.34 （目前只有测试环境）
开源地址：https://github.com/hcy1-88/shopmind-frontend

1，设计并实现端到端 AI智能导购 Agent
✧ 基于 LangGraph 构建多轮对话 React Agent，通过多次优化提示词指导 Agent 的行为，引导用户完善购物需求(如商品的属性、价位、款式等)，时机成熟进行推荐
✧ 对平台通用规则进行 RAG 知识库检索，如 售后政策、如何下单、怎么开店、遇到系统问题如何联系我

2，构建混合检索 + 重排序
✧ 召回层：由 Java 商品服务调用 Python AI 服务，进行 Query 改写，构建出核心词和扩展词，然后利用 PostgreSQL 全文检索（ jieba 分词器扩展 + tsvector）能力，获取初始候选集
✧ 精排层：在 Milvus 中通过语义重排（HNSW索引 + IP内积）对召回层商品进行重排序
✧ 相较于传统的数据库层模糊匹配，大幅提高商品的召回率和准确率

3，实现轻量级个性化推荐
✧ 基于文本嵌入，根据用户的兴趣、行为日志埋点（搜索、下单、查看商品详情页），计算用户向量作为参数，查询 Milvus 中的商品，从而推荐相似的商品，吸引并留住用户
✧ 冷启动节点，自动降级为热门商品或者新品推荐，等用户行为数据多了再做个性化推荐
✧ 热门商品，基于其销量、时间滑动窗口浏览量、点赞量等多维度进行加权和归一化计算，存入 redis，并定时更新

4，AI 驱动的商品合规审核与商品文案生成
✧ 通过模版方法和泛型，设计出扩展性良好的、基于 LangChain 的抽象 pipeline
✧ 商品审核链、文案生成链等功能各自不同的链，统一继承抽象 pipeline，按需重写提

全栈实现：
1，负责项目立项，需求分析，系统设计，架构设计、表结构设计
2，技术选型：如 Agent 功能设计方案、向量数据库选型等
3，编码实现： Vibe Coding（基于 Cursor 和 Claude Code，使用 Sonnet 4.5 模型），AI 成分：前端 95%，后端 80%
4，技术文档的撰写
5，项目部署 CI/CD：GitHub 工作流 + 阿里云镜像 + 云服务器