INDEPENDENT CASE STUDY / COMMERCE AI

内容生产 × 投放诊断
做成可运行的系统

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。

COMMERCEPILOT / 运营概览
CommercePilot 案例中的电商运营概览界面
13 条广告诊断 63 张 AI 主图 128 项离线测试
01 / RECORDED DEMO

3 分 29 秒,完整走完项目

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。

03:29 · 1280 × 720 · H.264 录屏演示,非实时在线环境 中文字幕已烧录在画面中
02 / WHAT TO LOOK AT

三分钟,按这个顺序看

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。

/shop
CommercePilot 案例中的买家端商城首页
01 / BUYER STOREFRONT

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
/shop/p/SV-UVL-48W
AI 生成的商品详情页
02 / LISTING PIPELINE

RAG → LLM → 合规拦截 → 主图合成

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。

63张主图
179条检索命中
19处违禁词替换
03 / SYSTEM DESIGN

从数据底座到业务产出

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。

ENTRYStarlette + Uvicorn后台 SPA / 买家端多页 / 下载
ORCHESTRATION两条业务链路Listing · Weekly Report
CAPABILITYRAG / LLM / Rules检索 · 生成 · 诊断 · 渲染
DOMAINCatalog · Inventory商品、库存、可售天数
DOMAINOrders · Ads订单、毛利、投放事实
DATASQLite + Chroma业务数据与品牌知识
TRACERun Archive引擎、耗时、降级、产物
CHAIN 01

内容生产

  1. 01
    品牌知识检索向量 + 关键词混合检索,命中文件和行号可反查
  2. 02
    结构化生成标题、五点、描述、搜索词,JSON 契约与脏数据兜底
  3. 03
    确定性合规规则负责拦截,模型负责表达,替换记录留痕
  4. 04
    主图合成Pillow 生成 clean / banner / split 三种版式
  5. 05
    进入买家端同一份产出直接渲染成可浏览商品页
CHAIN 02

投放诊断

  1. 01
    统一指标口径Spend / Sales / ACOS / ROAS / CTR / CVR
  2. 02
    17 条规则诊断只花钱不出单、预算利用率、转化异常、结构问题
  3. 03
    LLM 归因把规则证据组织成运营能执行的语言
  4. 04
    多种产物5 张图表 + Markdown / HTML / Excel
  5. 05
    回灌链路 1根因在内容侧的 SKU 自动送去重写主图与卖点
04 / EVIDENCE

结论要能落到数字

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。

13条本周诊断问题5 严重 / 4 预警 / 4 机会
$823可归因浪费按活动与关键词归因
17条确定性诊断规则规则可现场改数验证
128个测试用例全离线,约 80 秒
ACOS BY CAMPAIGN活动效率分层
各广告活动 ACOS 对比图
CTR × CVR四象限分诊
CTR 与 CVR 四象限图
DAILY TREND投放趋势
广告每日趋势图
“
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。

05 / ENGINEERING JUDGMENT

几个真正影响结果的取舍

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。

01

规则兜底,模型负责表达

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。

02

前台和后台是两套应用

“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。

03

降级必须留痕,不能假装成功

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。

04

主动交代数据边界

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。

READY FOR REVIEW

能跑、能看、也能追问实现细节。

推荐路径:先看完录屏,再查看公开仓库中的源码、测试与架构说明。运行数据、商品素材原文件、账号与密钥不公开;如需验证实现细节,可另行安排演示。

CommercePilot Case StudyStarlette · SQLite · Chroma · Pillow2026