商品比价技能

对多平台商品价格进行聚合分析与风险评估，输出可行动的购买建议，避免伪低价与条件陷阱误导

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": []
}