
AI 产出不是一份 PPT,直接变成商品页
链路 1 生成的主图、英文标题、五点描述和后台搜索词,直接渲染到独立买家端。改一次提示词或重跑一次链路,页面内容会真实变化。
- 买家端公开,后台登录;两套应用、两套样式、两套数据边界
- 前台字段白名单投影,看不到成本、毛利、广告和库存明细
- 少量商品图取自公开品牌资料,仅用于非商业案例展示;生成图与来源逐张可追溯
以 Saviland 公开商品与运营场景为研究参考,20 个 SKU。从买家端、后台到 RAG 与广告诊断,整条链路都能跑通、回灌和追溯。
独立非商业作品集 · 在线体验为录屏演示。与 Saviland 无隶属、合作或背书关系; 订单与广告为结构对齐的仿真数据,商品与生成图可以逐张追溯。
从买家端商品页,到后台运营台、内容生成和广告诊断。没有真人操作,所有画面来自实际运行的项目。
如果只看结论:这是一个把 AI 接进电商日常工作流、并且主动划清能力边界的项目。

链路 1 生成的主图、英文标题、五点描述和后台搜索词,直接渲染到独立买家端。改一次提示词或重跑一次链路,页面内容会真实变化。

模型负责写得好听,确定性规则负责不出事。生成结果先过禁用词与夸大表述规则,再进入 Pillow 合成三类主图。
入口层很薄,业务域是纯逻辑,AI 能力可以被替换、降级和追溯。两条链路共用同一套品牌知识、合规规则与运行档案。
示例报告周 2026-W42。金额是快照,口径与结论结构固定;数据保鲜后具体数值可能变化。
周报不是把指标念一遍,而是指出哪个活动在烧钱、证据是什么、下一步交给谁。
规则引擎给出确定性问题,LLM 负责把证据组织成可执行的归因;两者职责分开,失败时也不会互相掩盖。



不是“用了什么框架”,而是遇到问题时怎么拆、怎么验证、哪里主动不做。
模型的优化目标和合规要求天然冲突。标题要更有说服力,就可能写出 #1、guaranteed 这类高风险词。所以让规则做确定性拦截,并用“该拦的必拦 / 不该误杀的不能误杀”双向测试钉住。
“前台不放后台链接”不是安全边界。这里用独立模块、独立样式、字段白名单投影和导入树测试,保证买家端拿不到成本、毛利、广告与库存明细。
没有 API Key 时链路会降级为确定性生成器,产物结构仍然完整,但运行档案会明确标记 degraded。失败、中断、僵尸任务都有记录和清理。
商品与环境来自真实调研;订单与广告数据是结构对齐的仿真数据。规则逻辑可以用 run.py whatif 现场改数验证,但不会把示例金额包装成真实经营结果。