返回项目页

营销智能体架构演示

把“数据、记忆、可信、接口、能力、流程、输入输出”拆成能讲清楚的模块。

运行时 Independent Python Backend + DeepSeek

deepseek-v4-flash；不依赖 LangChain / Dify / Coze / LangGraph

一张图看完整体

点击图里的节点或左侧模块，右侧会切换成对应讲解。

模块讲解

数据层

真实样例


          

          

            
深入理解

            

          

          

            
答辩时可以这样讲

            

          

        

      


      

        

          
数据到知识：逐步拆解

          
这部分专门回答“哪些数据经过处理、怎么处理、处理后是什么、构建层怎么存”。

        

        

          

            01 Raw
            
解压后的四张 Excel

            
SKU 500 行、分类 358 行、订单明细 200 行、订单 200 行，放在 data/raw/wechat-data-2026-06/数据。

          

          

            02 Transform
            
字段清洗和业务聚合

            
金额转数值，分类 id 映射分类名，区县从地址路径提取，计算 GMV、实付、券抵扣、品类/商品排行、库存和毛利。

          

          

            03 Store
            
生成三个核心资产

            
demo_metrics.json 存指标，demo_chunks.json 存可检索知识块，manifest.json 存源文件、行数、版本和隐私规则。

          

          

            04 Serve
            
后端运行时加载 JSON

            
server.py 和 agent.py 只加载处理后的 JSON，不依赖 Excel 解析和外部 Agent 框架，回答必须返回 sources 和 trace。

          

        

      


      

        

          
一次请求的处理流程

          
这是后端真正执行的顺序。它是 pipeline，不是多个 Agent 互相聊天；生成环节优先调用 DeepSeek。

        

        

          
1
Request

          
2
准备检索查询

          
3
意图识别

          
4
检索知识块

          
5
策略守卫

          
6
DeepSeek 生成回答

          
7
组装响应

          
8
展示 sources/trace

        

      


      

        

          
输入 AgentRequest

          
{
  "message": "基于当前订单和商品数据，设计社群促销活动",
  "history": [
    {"role": "user", "content": "我想围绕优惠券做活动"}
  ],
  "metadata": {
    "request_id": "optional",
    "run_id": "optional"
  }
}

        

        

          
输出 AgentResponse

          
{
  "answer": "营销建议或拒答说明",
  "mode": "answer | refusal",
  "intent": "campaign_plan",
  "workflow": "rag_qa",
  "sources": ["可追溯证据块"],
  "trace": ["每一步执行记录"]
}