国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

在電商場景中，面對高頻但受限的數(shù)據(jù)需求，引入AI Agent完成自動化數(shù)據(jù)獲取已逐漸成為高效運營的重要手段。本文旨在分享一個基于AI Agent實現(xiàn)實時、批量、低成本數(shù)據(jù)抓取的完整實踐路徑，并探討其可行性與優(yōu)化策略。

在日常業(yè)務(wù)運營過程中，我們時常需要從多個封閉系統(tǒng)中獲取報表數(shù)據(jù)用于分析，但由于賬號權(quán)限限制或平臺收費機制（例如某主流小程序數(shù)據(jù)分析平臺對導出功能設(shè)置年費近5萬元），企業(yè)尤其是中小型企業(yè)難以承擔持續(xù)成本。

但是公司需要獲取這個數(shù)據(jù)來做分析，因此需要一個解決方案。

思考

基于當前的場景做了部分方案的調(diào)研：

• 人工：目前沒有人力資源來做這個數(shù)據(jù)的統(tǒng)計——Pass
• 爬蟲：調(diào)取接口時發(fā)現(xiàn)這個數(shù)據(jù)返回加密了——Pass
• RPA：沒有運維能力來持續(xù)更新——Pass
• Agent：一勞永逸，每次丟給他，任勞任怨——Deal，開干

接下來，開始搭建Agent。

Agent構(gòu)建核心要素

首先，模擬在沒有Agent幫助的時候，人類是怎么完成這個任務(wù)的。如下，在此流程中，全流程10步，可以分為三大節(jié)點，頁面登錄、數(shù)據(jù)加載、數(shù)據(jù)下載。

在引入AI能力后，整個工作流是：

現(xiàn)在，AI參與的任務(wù)流有了，開始搭建Agent。

遵循當前主流的大模型 Agent 構(gòu)建范式，LLM（以下簡稱推理）、Action（以下簡稱工具）、記憶。下面將分別從這三個要素來講解怎么搭建這個Agent。

注：本次搭建agent過程中，涉及到部分工作，需要懂代碼或者技術(shù)人員的支持才能完成（一次性）。

Action(工具)

工具：提供了與現(xiàn)實世界交互的能力，例如獲取用戶的本地數(shù)據(jù)、調(diào)用用戶的API、操作用戶的電腦等。

按照已有工作流，為了完成任務(wù)，至少需要幾種能力：

• 操作網(wǎng)頁的能力；
• 對本地文件夾的增刪改查能力，注意，刪除能力謹慎選擇。

當前Agent用的工具是Playwright（網(wǎng)頁操控）和Cherry/filesystem（文件編輯）、Shell（控制臺）。

MCP廣場，有豐富的MCP，大家可以自行選擇

https://www.modelscope.cn/mcp?page=1

MCP配置，需要一點技術(shù)能力，可以尋求技術(shù)大佬的幫助或者按照MCP自帶的指引一步步自行配置，非本文重點，不贅述。

記憶

記憶：保存任務(wù)上下文，減少多次重復請求

當前任務(wù)流為單次任務(wù)，非連續(xù)任務(wù)，因此長期記憶可以關(guān)閉，保留單次任務(wù)內(nèi)的短期記憶即可。

推理

推理：提供任務(wù)理解、問題拆解與上下文判斷

模型

最終選擇了qwen3-coder-plus（免費且輸出相對穩(wěn)定。推薦的超參：溫度：0.7，Top-P：0.8）

平臺

選擇了Cherry Studio，一個支持多服務(wù)商集成的 AI 對話客戶端（本地）。

對比Coze等平臺來說，從引入模型、搭建MCP、制作智能體流程，需要全部自己動手處理，可以幫助用戶更好地了解各模塊的邏輯和作用。

使用指南

1.下載并安裝到本地：https://www.cherry-ai.com/

2.右上角設(shè)置，模型服務(wù)，綁定聚合供應商，添加大模型

注：Cherry Studio對接了多個大模型聚合供應商，例如硅基流動、openrouter等平臺。類似一個大模型的聚合平臺。添加不同供應商的地址和密鑰，綁定賬戶，添加供應商支持的大模型，并使用綁定的賬戶進行大模型調(diào)用的結(jié)算。

3.去聚合平臺找到大模型的模型唯一ID，添加。

提示詞

下面將按照寫提示詞的流程，并針對里面踩的坑以及解決方案來寫。

Step 1：一個專注于數(shù)據(jù)的Agent

最開始對Agent的定義，是完成Step1-Step10的全流程。實現(xiàn)從打開網(wǎng)頁到下載全部數(shù)據(jù)的全部任務(wù)，基于ReAct范式，讓他規(guī)劃計劃，然后完成任務(wù)。

參考提示詞：

#角色#

你是一個自動化機器人助手，你的每一步都是基于大模型的思考，然后使用playwright的MCP服務(wù)去執(zhí)行。

#任務(wù)#

每次任務(wù)，我會告訴你對應的網(wǎng)址，賬號、密碼，有可能會告訴你具體對應的頁面，你要做的是根據(jù)我提出的問題，來幫我做自動化的操作，包括但不限于，獲取數(shù)據(jù)、分析總結(jié)、執(zhí)行操作等。

#舉例#

示例1：

問題：幫我在********，這個地址，****模塊里面，找到頁面訪問 數(shù)據(jù)明細表格，查詢8.17號，“我的”頁面的訪問人數(shù)

思考：這個網(wǎng)址是一個基于**平臺的數(shù)據(jù)分析平臺，你現(xiàn)在需要這個數(shù)據(jù)，我將使用playwright打開這個網(wǎng)頁，但是需要你掃碼登錄，請掃碼。

用戶交互：線下掃碼

問題：登錄成功。請繼續(xù)執(zhí)行

思考：當前已經(jīng)登錄成功，現(xiàn)在使用playwright打開**模塊里面，找到頁面訪問 數(shù)據(jù)明細表格，使用篩選條件時間為：8.17-8.17，查詢8.17號，“我的”頁面的訪問人數(shù)為10000.

回復：8.17號，“我的”頁面的訪問人數(shù)為10000.

示例2：

問題：繼續(xù)，基于任務(wù)一當前數(shù)據(jù)表格，標篩選為全選的所有數(shù)據(jù)，并導出表格形式給我。

思考：

1.當前已經(jīng)登錄成功，并找到對應數(shù)據(jù)；

2.使用篩選條件2025/08/17-2025/08/17；

3.要求指標全部勾選，當前僅勾選了3個指標，因此需要將全部12個指標全部勾選。

4.勾選指標，完成后執(zhí)行篩選，列表出來的即為用戶要求的所有數(shù)據(jù)，現(xiàn)在開始下載數(shù)據(jù)；

5.點擊下載數(shù)據(jù)，發(fā)現(xiàn)提示需要付費，客戶應該是不希望付費，因此我們選擇通過頁面數(shù)據(jù)來獲取數(shù)據(jù)并組裝成表格形式。

6.我們看到當前頁面展示了10行數(shù)據(jù)，每行12列數(shù)據(jù)，但是我不確定這是否是全部數(shù)據(jù)；

7.底部有翻頁動作，證明當前頁面展示的非全部數(shù)據(jù)，需要通過下一頁找到所有數(shù)據(jù)，直到最后一頁；

8.另外通過左右滑動屏幕，發(fā)現(xiàn)當前展示的非全部列數(shù)，因此，在每一頁，需要通過滑動到最右邊，來獲取一行的所有數(shù)據(jù)。

輸出：按照步驟依次執(zhí)行，最終輸出表格為：

*********

#要求#

1.如果遇到阻礙，請將阻礙拋出來，并讓用戶協(xié)助解決；

2.問題解決后，繼續(xù)執(zhí)行下一步操作。

3.所有的操作基于模型的思考。

4.所有的答案基于獲得的內(nèi)容，不能胡編亂造。

接下來是幾輪的用戶和AI的交互：

在第一輪的任務(wù)中，Prompt有個問題

AI路徑過長，且沒有很好的拆解用戶的任務(wù)，執(zhí)行不可控、幻覺頻發(fā)。

-由于token的限制，多任務(wù)可能完不成（例如上面的例子，任務(wù)做到一半欠費了）

-任務(wù)越多，幻覺會越嚴重，到后面，模型回答已經(jīng)開始胡說八道（修改生成的數(shù)據(jù)）

解決方案：將上述流程抽象為三個子Agent模型，各司其職：

1. 登錄處理Agent：處理認證流程；
2. 數(shù)據(jù)篩選Agent：執(zhí)行篩選操作；
3. 下載處理Agent：執(zhí)行分頁采集與本地存儲

但是，基于第一次嘗試，Agent處理過于復雜（打開網(wǎng)頁、輸入篩選條件、勾選指標，完成這兩項任務(wù)，大概用了12美刀的token，直接給賬戶干欠費了）

且實際過程中，這兩個任務(wù)并不消耗過多的精力。

因此這次搭建的新的Agent將聚焦在重復工作，即數(shù)據(jù)下載模塊。通過人工把所有的前提條件都準備好了，包括登錄、篩選條件、指標勾選等。

下面將僅對下載處理Agent做配置。

Step 2：通用Agent

上述Agent還有個問題：Prompt任務(wù)限定死板，只能執(zhí)行固定任務(wù)。

當前更希望Agent有更泛化的能力，根據(jù)每次單獨任務(wù)，完成更多的事情。

基于這個目標，參考Agent提示詞（此時將Agent抽象成了一個通用的Agent，而不是單一完成數(shù)據(jù)存儲的Agent）：

你的目標是遵循用戶指令完成用戶任務(wù)，通過使用提供的playwright/Shell/FileSystem/Python3/Node等工具并將任務(wù)分解為更小的步驟來實現(xiàn)最終目標。

Environment

-OS: Mac Os

-Browser: Chrome

-node: v23.11.1

-python3: 3.12.8

-Work Folder: /User/Data/xxx

Skills

-你可以使用playwright來操縱瀏覽器

-你可以使用Shell工具來操作終端exec_command

-你可以執(zhí)行Python代碼

-你可以生成Node代碼，并通過exec_command來執(zhí)行

-你可以使用file工具來讀寫文件

## important

-安全的工作區(qū)是Work Folder:*******

-請你每一步都必須選擇一個工具使用,直到結(jié)束時才可以不使用工具！

-每次必須選擇一個工具使用tool_calls-每次都必須選擇一個工具使用tool_calls-每次必須選擇一個工具使用tool_calls

-如果tool_calls的arguments為空，那么請傳入”arguments”: “{}”

請你選擇一個工具執(zhí)行：

好的，一個可以調(diào)用工具的通用的Agent搭建好了。

現(xiàn)在使用Agent的思路也調(diào)整一下，基于第一次嘗試中遇到的各種問題（任務(wù)中斷、中途更換模型等），現(xiàn)在先讓Agent自己規(guī)劃出一個SOP流程，以便于可以讓其他大模型或者Agent也能使用。

好的，到此為止，通用的Agent能力符合預期，現(xiàn)在測試一下輸出的4份文件，開啟新的對話，重新開始執(zhí)行任務(wù)，看看結(jié)果是否符合預期。

Step 3：Agent測試

前置處理：打開對應網(wǎng)頁，并找到目標頁面，將篩選條件輸入和設(shè)置完成。

Step 4：反復測試

在Step3 任務(wù)完成后，在已經(jīng)完成的任務(wù)（同一個對話框）后面追加任務(wù)，完成另一天的數(shù)據(jù)加載。

在后續(xù)的任務(wù)中，模型反復報錯，包括但不限于：

• 其中包括參數(shù)返回為空；
• 未喚起工具下載成文件；
• 執(zhí)行到一半結(jié)束，再次執(zhí)行僅做文字回復，未執(zhí)行下載動作；
• 陷入死循環(huán)一直點下一頁、替換或者復制歷史下載成功的數(shù)據(jù)等。

在這里，教大家?guī)讉€查看報錯的辦法。

1）查看調(diào)用鏈的輸出，即可看到是哪里報錯；

2）查看模型的思考過程，比如這個地方，一直重復，且沒有下一個任務(wù)節(jié)點的調(diào)用，大概率是失敗了。

在每一次報錯后，只能反復的調(diào)提示詞，以下是修改的過程中，較為經(jīng)典的場景。

3）將之前的任務(wù)拆解為更清晰的todolist

4）刪減任務(wù)

5）單任務(wù)獨立

6）強調(diào)

Step 5：形成SOP

最后，在反復的提示詞修改與測試下，搭建了完善的SOP流程和穩(wěn)定的提示詞。

Offline指用戶脫離Agent的操作。

基于這個流程，幾乎完成率能達到95%。

總結(jié)

所有的Agent都是模擬人的操作，因此，在搭建Agent之前，用戶需要自己理清這個任務(wù)的流程節(jié)點，然后思考，Agent能夠替代哪一部分，如何替代，這樣才能完成一個Agent的搭建。

同時，Agentic Workflows，由于其靈活性、適應性和自我糾正等特性，會更加適應不斷變化的情況和意外困難，高精度的完成重復性的任務(wù)。但是同樣，搭建Agent本身的復雜性，會使本身簡單的工作復雜化（比如上述登錄、篩選指標），且其高度的自主性，會引入一些不可預測的結(jié)果。

因此，需要Agent解決什么問題，是否需要搭建Agent來完成任務(wù)，是需要用戶自己思考清楚的。

附：一些To B的商業(yè)場景（電商）

隨著智能體技術(shù)的不斷完善，AI Agent 在電商等To B場景中也具備廣泛的應用潛力：

• 圖像生成標準化處理：輔助商家完成商品圖自動修片、打水印、規(guī)格統(tǒng)一等工作；
• 數(shù)據(jù)報告自動化生成：按日/周自動拉取銷售、流量、轉(zhuǎn)化等核心指標并生成圖表報告；
• 營銷方案編寫：結(jié)合商品特征和歷史數(shù)據(jù)以及平臺銷售數(shù)據(jù)，生成定制化營銷方案（滿減、滿贈、優(yōu)惠券等）；
• 商家定價策略輔助：參考競品價格變動與季節(jié)波動，輔助制定合理上新價格；
• 采購計劃智能輔助：基于歷史庫存消耗預測趨勢，向B端買手推薦最優(yōu)補貨周期與品類搭配建議。

…