ai-commerce-intelligence-platform：基于 LangGraph 的电商数据分析与智能问答平台
super-ZXQ/ai-commerce-intelligence-platform · Portfolio-ready LangGraph commerce agent with Text-to-SQL, RAG, BI dashboards, FastAPI, MySQL, Docker, and reproducible evals.
ELI5：它是什么，解决什么问题
该项目围绕公开电商订单样本，提供 BI 可视化看板、基于 LangGraph 的分节点 Agent 智能查询、Text-to-SQL、RAG 业务知识检索、RFM 用户画像、订单事件摄入与 FastAPI 后端。AI 助手支持多轮会话、长期偏好与历史情节记忆，并配有路由回归、检索回归和 Text-to-SQL 评估脚本。README 说明可用 Docker Compose 部署，但模型 API 成本、运行硬件与生产环境具体限制未在材料中说明。
核心能力与快速开始
★ 2 · Python
- 能做什么
- 提供交互式 BI 数据看板、自然语言查数的 AI 分析助手、Text-to-SQL 与 SQL 只读安全校验、RAG 业务知识检索、多轮会话与按用户隔离的长期偏好/历史情节记忆、RFM 用户画像、订单事件摄入、RESTful API、监控与健康检查页面；包含 pytest 自动化测试、路由回归、检索回归与 Text-to-SQL/退款率分析评估脚本。
- 适用场景
- 适合电商经营分析场景：通过自然语言查询订单数据、检索业务术语与 KPI 规则、查看销售和平台趋势看板、进行 RFM 用户分群与流失预警，并作为带可复现评估的 LangGraph 电商 Agent 参考实现。
- 项目形态
- 可直接使用的工具
- 部署方式
- README 提供 Docker Compose 一键部署（Nginx、FastAPI、Streamlit BI、Streamlit AI 助手、MySQL 8、Redis 7 等）与本地三端口开发模式；生产加固文件与运维手册在材料中被提及。
- 主要依赖
- 需要 Python 3.12；Docker Compose 部署需配置 MySQL 密码、JWT Secret 和 LLM API Key；本地开发需安装多套 requirements。若使用真实 LLM，需设置 LLM_API_KEY、LLM_BASE_URL 与 LLM_MODEL（示例为 DeepSeek 或智谱 OpenAI 兼容接口）。
- 使用限制
- 常规查询采用确定性规则路由而非模型自主工具规划，长尾表达可能误判意图；100/100 路由评测仅用于防回归，不代表未见问题的泛化准确率；SQL 仅能访问 orders 表且最多返回 500 行；退款率归因分析最多三次数据库查询，分组较多时不能视为完整归因，数据关联不能证明因果；RPO 为备份间隔（≤24 小时），未配置 binlog。模型 API 成本与运行硬件要求未说明。
- 许可证
- 未说明
- 最近推送
- 2026-11-02 23:10
资料检查：2026-11-03 07:00 · 卡片整理：2026-11-05 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证
职业应用
程序员
可作为参考实现，用于构建和调试基于 LangGraph 的 Agent 工作流：包含确定性意图路由、Text-to-SQL 生成与 SQLGlot AST 只读校验、RAG 检索、多轮会话与长期记忆，并配有路由回归、检索回归和 Text-to-SQL 评估脚本，便于测试与排错。
查看内容依据
分节点路由、结构化 Text-to-SQL、一次纠错、多轮会话、长期偏好、历史情节、引用与公开轨迹
由 AI 根据来源材料整理，未进行安装或运行验证
产品经理
可用于电商经营数据分析场景：通过 BI 看板做多维度交叉筛选，用自然语言向 AI 分析助手查数并检索业务知识库，结合 RFM 用户画像与退款率多步分析辅助经营决策与需求分析。
查看内容依据
提供交互式 BI 看板、分节点 Agent 智能查询、RAG 业务知识检索、RESTful API、RFM 用户画像和实时监控。
由 AI 根据来源材料整理，未进行安装或运行验证
讨论 0
登录后参与讨论，阅读资讯无需注册。
还没有评论，来分享第一个看法。