思渡AI Logo
技术架构文档电商业务系统03. 系统架构与技术方案

03. 系统架构与技术方案

AI 电商解决方案 - 系统架构与详细方案 (Architecture & Solution)

版本: v1.0 日期: 2026-02-09


1. 核心架构设计

系统采用 微服务化 + 智能化中台 架构。

graph TD
    %% 前端层
    subgraph "前端应用层 (Frontend Layer)"
        C_Web[AI Mall (C端卖场)]
        B_Web[Web Console (B端运营)]
    end

    %% 网关层
    Gateway[API Gateway / Nginx]

    %% 智能中台层
    subgraph "数字员工智能中台 (Digital Brain)"
        Router[意图识别 Router]
        Memory[记忆系统的 (Memory System)]
        Agent_Orchestrator[员工编排器]
        
        subgraph "AI Core"
            LLM_Service[LLM 接口服务]
            RAG_Engine[RAG 检索引擎]
        end
        
        subgraph "Ecommerce Service Plugin"
            Product_Indexer[商品向量化服务]
            Sales_Strategy[销售策略引擎]
            Analytics_Worker[数据分析 Worker]
        end
    end

    %% 业务后台层
    subgraph "基础业务服务 (Core Business Service)"
        PIM[商品管理 PIM]
        OMS[订单管理 OMS]
        Pay[支付网关]
        Logistics[物流中心]
        CRM_Core[独立用户中心]
    end

    %% 数据流
    C_Web -- 1.WS/HTTP (Chat) --> Gateway
    Gateway --> Router
    Router -- 分发 --> Agent_Orchestrator
    
    Agent_Orchestrator -- 2.获取知识 --> RAG_Engine
    Agent_Orchestrator -- 3.调用业务工具 --> OMS
    
    B_Web -- 管理配置 --> Gateway
    Gateway -- 后台管理API --> PIM
    Gateway -- 后台管理API --> OMS
    
    PIM -- 4.数据变更同步 --> Product_Indexer
    Product_Indexer -- 更新 --> RAG_Engine

2. 详细解决方案

2.1 智能导购与对话交互流程

  1. 用户输入: 用户在 C 端发送消息(文本/语音)。
  2. 上下文组装: 前端将当前页面商品ID用户历史行为购物车概况作为 Hidden Context 一并发送给后端。
  3. 意图识别 (Router):
    • Brain 识别用户意图:是闲聊、查物流、还是买东西?
    • 若为 购买意图 -> 路由给 Sales Agent
    • 若为 售后意图 -> 路由给 CS Agent
  4. RAG 检索:
    • Sales Agent 提取查询关键词(如“红色、显白、连衣裙”)。
    • 在向量数据库中检索匹配的商品 Knowledge Chunks。
  5. 策略干预:
    • 检索结果结合 库存状态 (实时查库) 和 利润率 (策略配置) 进行重排序。
  6. 结果生成:
    • LLM 生成回复话术。
    • 同时生成 UI Component JSON (如:商品卡片列表)。
  7. 前端渲染: C 端解析 JSON,渲染出可交互的商品卡片。

2.2 双库数据同步方案 (Product -> Knowledge)

  • 触发机制: 当 Products 表中的商品上架或更新时。
  • ETL 流程:
    1. 监听数据库变更 (CDC) 或通过 API回调。
    2. 清洗数据:拼接 Name + Description + Attributes + User Reviews Summary
    3. 调用 Embedding API 生成向量。
    4. 存入 Knowledge Base (Platform DB),并在 Products 表 (Ecommerce DB) 记录关联 ID。

2.3 风险控制方案

风险点解决方案机制
价格/库存幻觉严格模式 (Strict Mode): 涉及数字、价格、库存的回答,不让 LLM 生成文本,而是强制输出结构化数据卡片,由前端展示真实数据库中的数值。
响应延迟流式传输 (Streaming): 开启 SSE (Server-Sent Events),让用户立即可见 AI 的“思考”过程。预加载: 客服常用语使用缓存。
恶意攻击/诱导安全护栏 (Safety Guard): 输入端增加敏感词过滤;输出端增加一致性校验,防止 AI 答应非预期的折扣。

3. 系统耦合与集成点

  1. 账号鉴权:
    • C 端与 B 端完全隔离。C 端使用 JWT 独立认证,B 端维持现有 RBAC。
  2. Skill 接口集成:
    • 平台层的 Digital Employee 通过 RESTful API 调用电商层 (ecommerce_biz_db) 的 CRUD 接口。
    • 需要定义标准的 OpenAPI (Swagger) 规范,供 Agent 自动读取工具定义。
  3. 埋点与画像回流:
    • 对话过程中提取的 用户标签 (如: "偏好低价"), 通过异步队列 (Message Queue) 回写到 C 端 Customers 表的 preferences 字段。