dvcrn 电商比价分析器
任务目标
在给定明确商品定义的前提下，对多个主流电商平台的商品报价进行聚合、对齐与评估，输出最可行动的购买建议。
核心目标：不是"找最低价"，而是在价格、风险与购买成本之间，给出最可行动的购买建议。
触发条件
典型用户表达或上下文信号：
- "这个商品在各平台什么价格算正常？"
- "帮我对比一下京东和拼多多的价格"
- "这个价格是不是有问题，看起来太低了"
- "我要买iPhone，现在哪个渠道合适？"
- "这个价格是否值得冒风险？"
输出层级规范（强制遵守）
L1：用户决策层（默认展示）
目标：让用户在 5 秒内做出购买决策
内容要求：
- 只输出"去哪里买 + 大概多少钱 + 风险等级"
- 不展示任何分析过程、统计指标、分位数、计算逻辑
- 以"推荐购买方案"形式呈现
- 至少包含三类推荐之一：
- 性价比最高（价格与风险平衡）
- 最省心（售后/条件最简单）
- 最低价（如风险可控，需明确提示风险）
输出格式（结构化）：
{
"recommendations": [
{
"platform": "京东",
"price": 5299,
"risk_level": "低",
"tag": "省心",
"reason": "官方自营，售后无忧"
},
{
"platform": "拼多多",
"price": 4899,
"risk_level": "中",
"tag": "性价比",
"reason": "百亿补贴，限新用户"
}
],
"warnings": ["异常低价：拼多多某店铺 3500 元"]
}
禁止内容：
- ❌ P10 / P50 / P90 等分位数
- ❌ 标准差、样本量、统计描述
- ❌ "基于某某分析得出"的过程性表述
- ❌ 风险评分的计算方式
- ❌ 长段落叙述
L2：风险解释层（用户追问时展示）
目标：用自然语言解释"为什么这么推荐 / 为什么有风险"
内容要求：
- 只解释结论原因
- 不展示计算过程或中间变量
- 聚焦用户关心的核心问题
示例：
- "为什么推荐京东？因为它是官方自营，价格合理，售后保障完善。"
- "拼多多价格低但风险中等，因为需要新用户资格，且库存有限。"
L3：模型证据层（内部使用）
目标：包含风险评分拆解、价格分布、异常判断规则等，用于模型调用、调试或后续 Agent 使用
内容要求：
- 完整的价格分布指标（P10/P25/P50/P75/P90）
- 风险评分拆解（渠道风险、条件复杂度、售后不确定性、价格偏离度）
- 异常价格定量判断结果
- 原始数据
注意：不对用户展示，仅用于内部调用
操作步骤
1. 商品语义对齐
智能体根据用户输入的商品定义进行语义对齐：
- 消除名称噪音（营销词、赠品词、套装描述）
- 统一型号/SKU/配置
- 排除"相似但不可比"的商品
关键风险：不同 SKU 被错误当成同一商品。智能体需仔细识别关键规格差异。
2. 价格信息采集
智能体通过网络搜索和公开渠道获取价格信息，参考 references/price_collection_guide.md 中的指导：
- 抓取展示价、券后价、满减价
- 识别特殊条件：平台券、店铺券、会员条件、限时/限量
- 记录每个平台的商家性质：官方自营、旗舰店、授权店、普通商家
3. 数据验证
调用 scripts/data_validator.py 验证采集的价格数据格式是否符合规范。
4. 价格分布建模与风险评估
调用 scripts/price_analyzer.py 进行统计分析：
- 计算价格分布指标（P10/P25/P50/P75/P90）
- 使用定量规则判断异常价格：
- 价格 < P10 × 0.9 → 强异常
- 价格 < P25 × 0.95 → 中异常
- 基于显性特征计算风险评分：
- 渠道风险（官方/非官方/平台补贴）
- 条件复杂度（是否依赖多重优惠、限时、限用户）
- 售后不确定性（保修、退换、责任主体）
- 价格偏离度（相对于主流价格区间）
5. 输出分层结果
根据用户需求决定输出层级：
默认输出（L1）：
- 调用
price_analyzer.py的结构化推荐输出 - 只展示平台、价格、风险等级、标签、理由
- 异常价格仅作为警告信息存在
追问时输出（L1 + L2）：
- 在 L1 基础上，增加风险解释层
- 用自然语言解释推荐理由和风险原因
内部调用（L1 + L2 + L3）：
- 完整输出三层信息
- 用于调试或后续 Agent 使用
6. 生成人群导向推荐
基于风险评估结果，智能体生成至少三类推荐：
- 性价比最高：价格与风险平衡的选择
- 最省心：官方渠道，条件简单，售后完善
- 最低价：如风险可控，明确提示风险
资源索引
必要脚本：
- scripts/price_analyzer.py（价格分布建模、异常检测、风险评分、结构化推荐输出）
- scripts/data_validator.py（输入数据格式验证）
领域参考：
- references/input_format.md（输入数据格式规范与示例）
- references/risk_assessment_rules.md（显性特征评分规则）
- references/price_collection_guide.md（价格采集指导与注意事项）
注意事项
输出规范
- 默认只展示 L1 用户决策层
- 禁止暴露分析过程、统计指标、计算逻辑
- 输出必须可结构化，便于产品与 Agent 调用
- 推荐结果必须人群导向，禁止单一最优解
风险评分
- 必须使用显性特征（rule-based）拆解
- 不得直接"拍值"
- 对用户只展示低/中/高风险等级，不展示具体分数
价格异常判断
- 必须使用定量规则
- 异常价格不得作为"推荐购买方案"输出
- 仅作为风险提示或警告信息存在
免责声明
- 不保证价格实时性（存在分钟级/小时级延迟）
- 不替代平台官方售后与纠纷裁决
- 不对商家履约行为做绝对保证
- 不对"明显低于市场合理区间"的价格背书
使用示例
场景 1：常规商品比价
用户："iPhone 15 128GB 现在各平台什么价格？"
L1 输出：
{
"recommendations": [
{
"platform": "京东",
"price": 5299,
"risk_level": "低",
"tag": "省心",
"reason": "官方自营，售后无忧"
},
{
"platform": "天猫",
"price": 5199,
"risk_level": "低",
"tag": "性价比",
"reason": "官方旗舰店，需领券"
}
],
"warnings": []
}
场景 2：异常价格判断
用户："拼多多上 iPhone 15 只要 4500，这个价格可信吗？"
L1 输出：
{
"recommendations": [
{
"platform": "京东",
"price": 5299,
"risk_level": "低",
"tag": "省心",
"reason": "官方自营，售后无忧"
}
],
"warnings": [
"异常低价：拼多多某店铺 4500 元，显著低于主流价格区间"
]
}
用户追问：为什么？ L2 输出： "该价格显著低于市场主流区间（P10为5199元），偏离度超过13%，存在较高风险。且商家非官方渠道，无明确售后说明，建议谨慎选择。"
场景 3：定制化推荐
用户："我要买一台笔记本电脑，配置 i7/16G/512G，推荐哪个平台？"
L1 输出：
{
"recommendations": [
{
"platform": "京东",
"price": 6999,
"risk_level": "低",
"tag": "省心",
"reason": "官方自营，售后无忧"
},
{
"platform": "拼多多",
"price": 6799,
"risk_level": "中",
"tag": "性价比",
"reason": "百亿补贴，限新用户"
},
{
"platform": "天猫",
"price": 6899,
"risk_level": "低",
"tag": "性价比",
"reason": "官方旗舰店，需领券"
}
],
"warnings": []
}