业务和功能介绍
1、立项背景和目标
群接龙是社区团购领域广泛使用的订单管理工具，商家每天需要频繁调整商品库存——高峰时段某商品售罄需紧急补库存、发现库存设置错误需立即修正、运营人员需随时查看各商品剩余库存和已团数量以便安排补货。然而群接龙后台的库存管理存在明显痛点：修改库存需要人工在后台逐商品搜索、定位、修改、确认，操作路径长且效率低；运营人员需要在多个商品间频繁切换查看和修改，耗时耗力；传统的RPA脚本只能执行固定流程，无法理解自然语言指令，无法根据页面反馈动态调整策略。本项目的核心目标是构建一个基于大语言模型的AI Agent，用户只需用自然语言描述意图（如"把苹果的库存改成100"或"看看香蕉还剩多少"），Agent自动理解用户意图、调用浏览器工具完成操作、并根据页面反馈智能处理异常，实现库存管理的人机对话式交互。
2、软件功能、核心功能模块的介绍
工具涵盖以下核心模块：LLM Agent核心——基于OpenAI GPT-4o模型，通过System Prompt约束其扮演"群接龙库存管理助手"，理解用户自然语言指令并自动规划操作步骤；工具调用框架——将浏览器操作（导航、搜索商品、获取库存数据、修改库存、确认修改、关闭遮罩、获取错误信息等）封装为可被模型调用的工具函数，Agent根据用户指令自动选择合适的工具并按顺序调用；智能错误恢复——修改库存时若新库存小于已团数量，页面会报错，Agent自动调用get_error_text获取错误详情，然后自动将新库存调整为"已团数量+安全增量"，继续更新直到确认修改成功；术语精准区分——System Prompt强制Agent区分"新库存"（用户设定的总库存）和"剩余库存"（新库存-已团数量），回复中明确使用这两个术语避免歧义；上下文记忆——Agent维护完整的对话历史（用户消息、模型思考、工具调用结果），支持多轮连续操作，如"先看看苹果库存，再改成50"。
3、业务流程、功能路径描述
用户启动Agent程序 → 在终端输入自然语言指令（如"把苹果的库存改成100"）→ Agent将指令和上下文发送给GPT-4o → 模型分析用户意图，决定调用工具函数列表 → Agent按顺序执行：进入活动页面（navigate_to_activity）→ 搜索商品（search_product，返回当前库存、已团数量、新库存）→ 更新库存（update_stock，传入商品名和新库存数值）→ 若新库存小于已团数量，页面报错 → Agent调用get_error_text获取错误 → 自动调整新库存为"已团数量+1"或根据错误信息灵活调整 → 重新调用update_stock → 确认修改（confirm_modification）→ Agent向用户回复"苹果 新库存=100，剩余库存=85" → 用户可继续下达下一条指令。整个交互过
群接龙是社区团购领域广泛使用的订单管理工具，商家每天需要频繁调整商品库存——高峰时段某商品售罄需紧急补库存、发现库存设置错误需立即修正、运营人员需随时查看各商品剩余库存和已团数量以便安排补货。然而群接龙后台的库存管理存在明显痛点：修改库存需要人工在后台逐商品搜索、定位、修改、确认，操作路径长且效率低；运营人员需要在多个商品间频繁切换查看和修改，耗时耗力；传统的RPA脚本只能执行固定流程，无法理解自然语言指令，无法根据页面反馈动态调整策略。本项目的核心目标是构建一个基于大语言模型的AI Agent，用户只需用自然语言描述意图（如"把苹果的库存改成100"或"看看香蕉还剩多少"），Agent自动理解用户意图、调用浏览器工具完成操作、并根据页面反馈智能处理异常，实现库存管理的人机对话式交互。
2、软件功能、核心功能模块的介绍
工具涵盖以下核心模块：LLM Agent核心——基于OpenAI GPT-4o模型，通过System Prompt约束其扮演"群接龙库存管理助手"，理解用户自然语言指令并自动规划操作步骤；工具调用框架——将浏览器操作（导航、搜索商品、获取库存数据、修改库存、确认修改、关闭遮罩、获取错误信息等）封装为可被模型调用的工具函数，Agent根据用户指令自动选择合适的工具并按顺序调用；智能错误恢复——修改库存时若新库存小于已团数量，页面会报错，Agent自动调用get_error_text获取错误详情，然后自动将新库存调整为"已团数量+安全增量"，继续更新直到确认修改成功；术语精准区分——System Prompt强制Agent区分"新库存"（用户设定的总库存）和"剩余库存"（新库存-已团数量），回复中明确使用这两个术语避免歧义；上下文记忆——Agent维护完整的对话历史（用户消息、模型思考、工具调用结果），支持多轮连续操作，如"先看看苹果库存，再改成50"。
3、业务流程、功能路径描述
用户启动Agent程序 → 在终端输入自然语言指令（如"把苹果的库存改成100"）→ Agent将指令和上下文发送给GPT-4o → 模型分析用户意图，决定调用工具函数列表 → Agent按顺序执行：进入活动页面（navigate_to_activity）→ 搜索商品（search_product，返回当前库存、已团数量、新库存）→ 更新库存（update_stock，传入商品名和新库存数值）→ 若新库存小于已团数量，页面报错 → Agent调用get_error_text获取错误 → 自动调整新库存为"已团数量+1"或根据错误信息灵活调整 → 重新调用update_stock → 确认修改（confirm_modification）→ Agent向用户回复"苹果 新库存=100，剩余库存=85" → 用户可继续下达下一条指令。整个交互过
项目实现
1、整体架构和设计思路，不同模块使用的技术栈
项目采用分层架构设计，技术栈为Python 3 + OpenAI API + Playwright + 工具调用框架。Agent核心层：基于OpenAI的Chat Completions API，使用tool_choice="auto"模式让模型自主决定调用哪些工具；通过精心设计的System Prompt（约800字）约束Agent行为，包括术语定义（新库存/剩余库存）、操作原则（先导航后搜索再修改最后确认）、错误处理策略（自动重试调整）。工具封装层：将浏览器操作封装为带类型注解和文档字符串的Python函数，通过反射机制自动提取函数签名、参数类型和描述，动态生成OpenAI兼容的tools schema，实现"定义即文档"的零冗余设计。执行控制层：实现最大10轮迭代循环，每轮模型返回后解析tool_calls，按顺序执行工具函数并返回结果给模型，直到模型不再调用工具（返回最终文本）或达到轮次上限，支持完整的工具调用链式执行和错误传播。
2、"我"的负责模块和结果（尽可能量化）
（请根据实际情况替换） 本人独立完成该项目的全流程开发与测试，包括：Agent核心框架设计（约400行 Python代码）、System Prompt工程（约50行 精确指令设计）、工具调用Schema自动生成机制、6-8个 浏览器操作工具的封装与测试、3个 实际群接龙活动的端到端验证。项目实现了：用户指令理解准确率 90%以上 （测试场景涵盖查看库存、修改库存、批量修改、错误恢复等）；库存修改错误自动恢复成功率 95%以上 （主要测试场景为新库存小于已团数量时的自动调整）；单次库存修改操作从_手工约2分钟_ 压缩至 30-45秒 （含Agent推理+浏览器操作），单商品操作效率提升约_60%_。
3、"我"遇到的难点、坑，和解决方案
难点一：库存术语模糊导致模型回复不准确。 早期版本中用户说"库存"时，模型有时返回"剩余库存"，有时返回"新库存"，造成用户困惑。解决方案：在System Prompt开头用加粗格式明确定义"新库存=用户设定的总库存，剩余库存=新库存-已团数量"，并在操作原则中要求"所有回复必须明确区分新库存和剩余库存，不要使用模糊的'库存'"。同时在工具返回数据中同时包含current_stock、sold_count、new_stock三个字段，让模型有足够数据做出精准回复。
难点二：修改库存报错后模型不知道如何恢复。 当用户设置的"新库存"小于"已团数量"时，群接龙后台会报错"库存不能小于已团数量"，模型如果只是报告错误给用户，体验很差。解决方案：在System Prompt中明确策略——"如果新库存小于已团数量，页面会报错。此时调用get_error_text获取错误，然后自动将新库存调整为'已团数量
项目采用分层架构设计，技术栈为Python 3 + OpenAI API + Playwright + 工具调用框架。Agent核心层：基于OpenAI的Chat Completions API，使用tool_choice="auto"模式让模型自主决定调用哪些工具；通过精心设计的System Prompt（约800字）约束Agent行为，包括术语定义（新库存/剩余库存）、操作原则（先导航后搜索再修改最后确认）、错误处理策略（自动重试调整）。工具封装层：将浏览器操作封装为带类型注解和文档字符串的Python函数，通过反射机制自动提取函数签名、参数类型和描述，动态生成OpenAI兼容的tools schema，实现"定义即文档"的零冗余设计。执行控制层：实现最大10轮迭代循环，每轮模型返回后解析tool_calls，按顺序执行工具函数并返回结果给模型，直到模型不再调用工具（返回最终文本）或达到轮次上限，支持完整的工具调用链式执行和错误传播。
2、"我"的负责模块和结果（尽可能量化）
（请根据实际情况替换） 本人独立完成该项目的全流程开发与测试，包括：Agent核心框架设计（约400行 Python代码）、System Prompt工程（约50行 精确指令设计）、工具调用Schema自动生成机制、6-8个 浏览器操作工具的封装与测试、3个 实际群接龙活动的端到端验证。项目实现了：用户指令理解准确率 90%以上 （测试场景涵盖查看库存、修改库存、批量修改、错误恢复等）；库存修改错误自动恢复成功率 95%以上 （主要测试场景为新库存小于已团数量时的自动调整）；单次库存修改操作从_手工约2分钟_ 压缩至 30-45秒 （含Agent推理+浏览器操作），单商品操作效率提升约_60%_。
3、"我"遇到的难点、坑，和解决方案
难点一：库存术语模糊导致模型回复不准确。 早期版本中用户说"库存"时，模型有时返回"剩余库存"，有时返回"新库存"，造成用户困惑。解决方案：在System Prompt开头用加粗格式明确定义"新库存=用户设定的总库存，剩余库存=新库存-已团数量"，并在操作原则中要求"所有回复必须明确区分新库存和剩余库存，不要使用模糊的'库存'"。同时在工具返回数据中同时包含current_stock、sold_count、new_stock三个字段，让模型有足够数据做出精准回复。
难点二：修改库存报错后模型不知道如何恢复。 当用户设置的"新库存"小于"已团数量"时，群接龙后台会报错"库存不能小于已团数量"，模型如果只是报告错误给用户，体验很差。解决方案：在System Prompt中明确策略——"如果新库存小于已团数量，页面会报错。此时调用get_error_text获取错误，然后自动将新库存调整为'已团数量
示例图片视频
相似推荐
arch桌面-end4
在Arch Linux下，我深度定制了Hyprland桌面环境，从零编写Dotfiles管理配置，集成Waybar状态栏、Wofi应用启动器、swaybg动态壁纸，并配合系统级色彩方案（如Catppuccin）实现全局统一视觉。为了兼顾美观与效率，我优化了窗口动画、快捷键映射和工作区布局，将日常开发、调试、文档查阅等流程整合进同一工作流中。这套配置不仅让我每天工作心情愉悦，更锻炼了我对Linux底层、Wayland协议以及性能调优的实战能力，体现出我对细节和工程体验的极致追求。
安卓/苹果虚拟定位工具-LocBits
1.安卓通过系统内的开发者应用中的“模拟位置应用”来控制设备定位，同时在二次更新中通过github中blackbox的容器开源项目 对此项目进行魔改 新增了位置模拟 步频模拟 仿制系统nfc广播直接通过填写nfc链接跳转到对应的小程序，此软件为大学生校园跑减小了很多压力
2.苹果项目 最开始通过https://github.com/iOSRealRun/iOSRealRun-cli魔改 新增图形化界面 并手动编写地图坐标点击工具 后续产品经过二次迭代 使用IOS自签工具通过像软件内注入dylib插件完整虚拟定位 步频模拟的实现
3.本项目有完整的管理后台官网地址为http://123.56.54.200 后台管理相关功能如图所示
B2B 医药平台商品信息批量搜索与规格筛选爬虫
针对药师帮（ysbang.cn）B2B 医药电商平台的商品信息批量采集系统。
从 Excel 读取任务清单（商品通用名+规格），自动搜索 → 筛生产厂家 →
判断多规格/无结果 → 翻页抓取前 120 条商品数据 → 输出 Excel 三表。
集成了滑块验证码自动破解模块，当触发易盾滑块时自动识别缺口并拖拽通过，
实现全流程无人值守。
省市级政府采购招标公告 API 逆向与批量采集系统
本系统实现两套省级政府采购平台的招标公告全自动采集：
福建省平台（ggzyfw.fj.gov.cn）：MD5 请求签名破解 + AES-CBC 响应解密
广东省平台（ygp.gdzwfw.gov.cn）：双源 API 架构（门户列表+源平台详情）
总计采集 2000+ 条公告，每条包含项目名称、招标编号、招标人、招标代理、
合同估算价、投标/开标截止时间、公告正文全文等完整结构化字段。
可用于招投标信息整合、竞争对手分析、供应链情报等商业场景。
网页数据监控采集系统-Python爬虫
为客户开发的竞品价格自动监控工具。解决人工每天刷新网页看价格的痛点。脚本定时抓取指定网页的商品价格数据，自动对比历史记录，价格发生变动时通过邮件或即时通讯发送告警通知。支持配置多页面、多字段监控，可自定义检查频率和监控规则。数据自动存储到本地数据库，支持历史趋势查询和数据导出。交付完整源码、配置文件和使用说明，客户至今稳定运行中。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服