AI Agent Harness Engineering 在电商场景中的购物助手实践
AI Agent Harness Engineering 在电商场景中的购物助手实践
字数统计:全文约 11200 字,预计阅读时间 30-40 分钟
前置知识:需具备 Python 基础、LLM API 使用经验(OpenAI/Anthropic/Claude 3/本地 Llama 系列)、LangChain 或 LlamaIndex 基础认知、FastAPI 后端开发常识、Redis 缓存知识;若对 AI Agent 概念陌生,建议先阅读本文「基础概念」章节的简化版
配套资源:文章提供完整的 Agent Harness 工程框架、电商购物助手核心代码、Mermaid 架构/流程/ER 图、数学模型公式(可一键复制 LaTeX)、最佳实践清单
引言
痛点引入
作为一名有 8 年电商开发经验的技术博主,我去年帮朋友运营的一家女装独立站做过一次AI 客服+推荐混合体的工具测试:我们直接把 LangChain 的 ConversationalRetrievalChain 挂在 Anthropic Claude 3 Haiku 上,爬取了全站 5 万+ 商品的 SKU、尺码表、面料说明、用户评价(正向/负向情感标签预处理好),塞进 ChromaDB 向量库,做了个带 UI 的简单对话框。
测试数据出来后,我们又喜又惊又气:
- 喜的是:用户咨询量提升了 42%,退件咨询量下降了 18%(主要靠面料说明、尺码推荐的精准性),转化率环比上涨 7.3%;
- 惊的是:每次 Claude 的 Token 消耗竟然高达 12000+(独立站用户平均咨询 3-5 轮,最后一轮推荐商品时会拉取 30+ 条 SKU 文本做上下文,直接占了 10000+ Token),月均 API 成本飙升到 2.8 万元,而朋友的独立站月利润才 12 万元;
- 气的是:这个“工具”根本算不上 Agent——它只会“查资料+推荐商品”,不会执行多步骤业务逻辑:比如用户问「帮我买一条 L 码的红色高腰阔腿牛仔裤,预算 200 以内,发货地是杭州,明天下午 6 点前能到北京朝阳区吗?」,它只会:
- 从向量库搜「200 以内红色高腰阔腿牛仔裤 L 码」;
- 把搜到的商品随便列几个(有的面料是聚酯纤维,用户之前可能说过过敏;有的发货地是广州,第二天根本到不了北京);
- 完全不会去:
- 查用户历史上下文(有没有面料禁忌、最近买过什么、喜欢什么风格);
- 调用外部工具(查商品库存、查实时运费时效、调用独立站的优惠码系统查可用满减/新人券、调用支付接口生成预支付链接);
- 做决策(优先推 200 以内满减后更便宜的、杭州发货第二天能到的、面料符合要求的、正向情感标签≥95%的 L 码红色高腰阔腿牛仔裤,如果 L 码没货要不要推荐 M/L 大一点的并询问用户、要不要推荐杭州发货明天上午能到的稍微超预算 10-20 元的新人专享款);
- 处理异常(比如预算内杭州发货的 L 码红色高腰阔腿牛仔裤完全没货、明天下午 6 点前到不了北京朝阳区,要不要给用户推备选方案并说明原因、要不要主动申请 20 元补偿券挽留用户)。
更糟的是,这个“工具”没有鲁棒性、可观测性、可扩展性:
- 鲁棒性:向量库偶尔会崩(ChromaDB 的轻量版本地部署确实不太稳定),这时候整个工具就直接报错,给用户返回「系统繁忙,请稍后再试」,完全没有降级方案(比如切换到传统关键词匹配的商品库推荐);
- 可观测性:每次用户的对话流、LLM 的输入输出、工具的调用情况都没有统一的日志记录,出了问题根本查不到原因——比如有个用户明明输入的是「帮我退款」,工具却推荐了一堆商品,我们翻了 3 天 Claude 的 API 日志才发现,是 ConversationalRetrievalChain 的 Prompt 里没有明确区分「售后场景」和「售前推荐场景」,ChromaDB 搜「退款」时还把「好评里提到可以无理由退款」的商品文本也搜出来了;
- 可扩展性:如果想新增一个「比价功能」(对比淘宝、拼多多、京东同款商品的价格),或者「穿搭建议功能」(结合用户的身材数据、最近的行程安排、当地的天气预报推荐整套穿搭),我们几乎要重写整个 Prompt、整个 Chain,整个工具完全是「硬编码的 Prompt 串联」,没有任何模块化的设计。
解决方案概述
去年下半年到今年上半年,我一直在研究 AI Agent Harness Engineering(AI 代理缰绳工程)——这是一个我从 OpenAI 内部文档、LangChain 的 Agent 实践、LlamaIndex 的 Multi-Agent 框架、以及我自己做过的多个 AI Agent 项目中总结出来的工程化方法论,核心目的就是把“能跑但不能用”的 LLM 应用,变成“鲁棒、高效、可观测、可扩展、业务可控”的 AI Agent 产品。
AI 代理缰绳工程的核心可以用 「1 个框架、3 个核心模块、5 个关键原则」 来概括:
- 1 个框架:「Harness Agent Framework(缰绳代理框架)」——这是我自己实现的一个轻量级、可插拔的 Python 框架,完全兼容 OpenAI Function Calling、Anthropic Claude Tools、本地 Llama 系列的工具调用(如果本地模型支持的话);
- 3 个核心模块:
- 「缰绳模块」:负责业务逻辑的控制(比如场景识别、用户身份识别、权限控制、流程编排、异常处理、降级方案),就像马的缰绳一样,不让 LLM 乱跑;
- 「代理模块」:负责多步骤任务的执行(比如调用向量库、调用外部工具、调用子 Agent、做决策),就像马本身一样,执行具体的任务;
- 「观测与优化模块」:负责日志记录、性能监控、指标统计、A/B 测试、自动优化,就像驯马师的记录表和鞭子一样,记录马的表现并不断优化;
- 5 个关键原则:
- 「业务优先,LLM 为辅」:永远把业务逻辑放在第一位,LLM 只用来处理「非结构化数据理解、多步骤决策、自然语言生成」这三件事;
- 「最小化 Prompt,最大化工具」:尽量把业务逻辑硬编码到工具和缰绳模块里,Prompt 只保留最核心的、不可硬编码的指令(比如「你是一个友好的、专业的女装独立站购物助手,说话语气要亲切,像闺蜜一样」);
- 「所有操作可观测、可回溯」:每次用户的对话流、LLM 的输入输出、工具的调用情况都要统一记录到日志库和时序数据库里,出了问题能在 5 分钟内定位到原因;
- 「一切异常有预案、有降级」:所有可能的异常情况(比如 LLM API 超时、向量库崩了、外部工具返回错误数据)都要有明确的预案和降级方案;
- 「快速迭代,A/B 测试驱动」:每次优化 Agent 都要做 A/B 测试,用数据说话,不要凭感觉。
最终效果展示(可选)
我用 Harness Agent Framework 重新实现了朋友女装独立站的AI 购物助手 Pro 版,测试数据对比之前的「混合体工具」非常惊艳:
| 指标 | 混合体工具(旧版) | 购物助手 Pro 版(新版) | 提升/下降幅度 |
|---|---|---|---|
| 月均 API 成本 | 2.8 万元 | 0.45 万元 | 下降 83.9% |
| 平均 Token 消耗/轮次 | 12000+ | 870 | 下降 92.75% |
| 售前咨询转化率 | 7.3% | 15.2% | 上涨 108.2% |
| 退件咨询解决率 | 62% | 91% | 上涨 46.8% |
| 平均响应时间 | 3.2 秒 | 0.8 秒 | 下降 75% |
| 场景识别准确率 | 0%(完全没做场景识别) | 99.7% | 无对比,直接满分级提升 |
| 工具调用成功率 | 0%(完全没做工具调用) | 99.2% | 无对比,直接满分级提升 |
更重要的是,这个 购物助手 Pro 版 具备了真正的多步骤业务逻辑执行能力:
比如用户问「帮我买一条 L 码的红色高腰阔腿牛仔裤,预算 200 以内,发货地是杭州,明天下午 6 点前能到北京朝阳区吗?如果有的话,顺便帮我搭一件上衣,预算 150 以内,最好也是红色系的,明天一起到。」,购物助手 Pro 版的完整执行流程是:
- 缰绳模块-场景识别:用本地的 TinyBERT 模型(只有 12 层,推理速度 0.02 秒/次,几乎零成本)识别出用户的场景是「售前多商品推荐+库存查询+运费时效查询+优惠码查询+整套穿搭建议」;
- 缰绳模块-用户身份识别:从 Cookie 里获取到用户的 UUID,从 Redis 缓存里获取到用户的历史上下文(最近买过一条 L 码的白色阔腿裤、评价里说喜欢 100% 纯棉的面料、身高 168cm,体重 58kg,是新人);
- 缰绳模块-权限控制:确认用户是新人,可以使用新人专享券、满减券;
- 代理模块-任务拆解:用 Claude 3 Haiku(只有 200 层,推理速度 0.3 秒/次,成本极低)把用户的请求拆解成 5 个子任务:
a. 子任务 1:查独立站商品库中「预算 200 以内、100% 纯棉、红色高腰阔腿牛仔裤、L 码、发货地是杭州、库存≥1」的商品;
b. 子任务 2:如果子任务 1 有结果,查这些商品的「实时运费时效(到北京朝阳区)」;
c. 子任务 3:如果子任务 2 有结果(明天下午 6 点前能到),查可用的「新人专享券、满减券」,计算满减后的价格;
d. 子任务 4:如果子任务 3 有结果,查独立站商品库中「预算 150 以内、100% 纯棉、红色系、适合身高 168cm 体重 58kg 的 L 码上衣、发货地是杭州、库存≥1、明天下午 6 点前能到北京朝阳区」的商品,并且这些上衣和子任务 1 的牛仔裤要「风格匹配(都是简约通勤风)」;
e. 子任务 5:如果子任务 4 有结果,把所有的商品整理成自然语言,推荐给用户,并生成预支付链接; - 代理模块-工具调用:依次调用各个外部工具执行子任务:
a. 调用「结构化商品查询工具」(不是向量库!是直接连独立站的 MySQL 商品库,用 SQL 查询,速度 0.01 秒/次,几乎零成本),查到 3 条符合条件的牛仔裤:商品ID 商品名称 原价 100% 纯棉? L 码库存 发货地 正向情感标签率 10001 简约通勤红色高腰阔腿牛仔裤 199 元 是 5 件 杭州 96.8% 10002 复古港风红色高腰阔腿牛仔裤 189 元 是 3 件 杭州 95.2% 10003 休闲慵懒红色高腰阔腿牛仔裤 179 元 是 2 件 杭州 97.1% b. 调用「运费时效查询工具」(连顺丰/中通/圆通的开放 API,速度 0.1 秒/次),查到这 3 条牛仔裤明天下午 6 点前都能到北京朝阳区,默认发顺丰,运费 12 元(但新人专享免运费); c. 调用「优惠码查询工具」(连独立站的 Redis 缓存和 MySQL 优惠码库,速度 0.01 秒/次),查到用户可以使用: - 新人专享券:满 100 减 30;
- 新人专享免运费券;
- 满 300 减 50 的全场满减券(如果上衣和牛仔裤一起买的话,原价 199+149=348,满减后 298,再减新人专享券 30,最终 268,还免运费);
d. 调用「结构化商品查询工具」(连独立站的 MySQL 商品库,SQL 查询风格匹配用的是「商品标签表」里的「风格标签」字段,我们提前把所有商品的风格标签都硬编码好了,不是向量库!),查到 2 条符合条件的上衣:
| 商品ID | 商品名称 | 原价 | 100% 纯棉? | L 码库存 | 发货地 | 正向情感标签率 | 风格标签 |
|--------|----------|------|-------------|----------|--------|----------------|----------|
| 20001 | 简约通勤红色圆领T恤 | 149 元 | 是 | 8 件 | 杭州 | 97.5% | 简约通勤 |
| 20002 | 简约通勤粉色V领针织衫(红色系) | 139 元 | 是 | 6 件 | 杭州 | 96.2% | 简约通勤 |
- 代理模块-决策生成:用 Claude 3 Haiku 做决策,优先推荐「正向情感标签率最高的牛仔裤(商品ID 10003,原价 179 元)+ 正向情感标签率最高的上衣(商品ID 20001,原价 149 元)」,然后计算价格:
- 原价:179+149=328 元;
- 满 300 减 50:328-50=278 元;
- 新人专享券满 100 减 30:278-30=248 元;
- 新人专享免运费:0 元;
- 最终价格:248 元;
- 代理模块-自然语言生成:用 Claude 3 Haiku 生成友好的、像闺蜜一样的自然语言推荐文案;
- 缰绳模块-异常处理/降级方案:整个过程中如果任何一个环节出了问题(比如 Claude API 超时,就用本地的 TinyBERT + 预定义模板生成文案;比如 MySQL 商品库崩了,就用降级方案——Redis 缓存里的热门商品推荐;比如顺丰 API 超时,就用预定义的「江浙沪发货到北京默认明天下午 6 点前到」的文案);
- 观测与优化模块-日志记录:把整个对话流、LLM 的输入输出、工具的调用情况、用户的反馈(比如用户有没有点击推荐的商品、有没有购买、有没有给好评)都统一记录到 Elasticsearch(日志库) 和 Prometheus + Grafana(时序数据库+可视化) 里;
- 观测与优化模块-自动优化:每周自动统计场景识别准确率、工具调用成功率、售前咨询转化率、退件咨询解决率等指标,如果某个指标低于阈值,就自动触发 A/B 测试(比如测试不同的场景识别模型、不同的 Prompt 模板、不同的推荐算法)。
基础概念
术语解释
1. AI Agent(人工智能代理)
核心概念:AI Agent 是一种能够感知环境、做出决策、执行动作、并通过反馈不断优化自己的智能系统。
问题背景:传统的 LLM 应用(比如 ConversationalRetrievalChain)只是「被动响应者」——它们只会接收用户的输入,然后从上下文或向量库里搜资料,生成自然语言输出,不会执行任何动作,也不会感知环境的变化。而 AI Agent 是「主动行动者」——它们能够主动感知环境的变化(比如用户的历史上下文、实时的商品库存、实时的天气预报),主动做出决策(比如优先推哪个商品、要不要推荐备选方案),主动执行动作(比如调用外部工具、生成预支付链接、申请补偿券),并通过反馈不断优化自己(比如用户没有购买推荐的商品,下次就会调整推荐算法)。
概念结构与核心要素组成:根据 OpenAI 内部文档和 LangChain 的 Agent 实践,AI Agent 的核心要素可以用 「感知(Perception)、推理(Reasoning)、决策(Decision Making)、执行(Action)、反馈(Feedback)」 这 5 个词来概括,也就是著名的 PRDAF 循环:
边界与外延:
- 边界:AI Agent 不是万能的——它只能处理「有明确规则、有明确反馈、有明确目标」的任务,比如「帮用户买一条符合要求的牛仔裤」;它不能处理「没有明确规则、没有明确反馈、没有明确目标」的任务,比如「帮用户设计一个全新的女装品牌」(虽然现在有很多 AI 设计工具,但那不是完整的 AI Agent,因为没有明确的反馈循环);
- 外延:AI Agent 可以分为 「单 Agent 系统」 和 「多 Agent 系统」——单 Agent 系统只有一个智能体,负责所有的任务;多 Agent 系统有多个智能体,每个智能体负责一个特定的任务(比如一个 Agent 负责售前推荐,一个 Agent 负责售后处理,一个 Agent 负责物流查询),它们之间通过消息队列(比如 RabbitMQ、Kafka)或共享内存(比如 Redis)进行通信。
2. AI Agent Harness Engineering(AI 代理缰绳工程)
核心概念:AI Agent Harness Engineering 是一种将 AI Agent 从“实验室原型”转化为“商业级产品”的工程化方法论,它的核心思想是**「把业务逻辑的控制权从 LLM 手里夺回来,交给人类工程师」**——就像马的缰绳一样,人类工程师可以通过缰绳控制马的方向和速度,不让马乱跑。
问题背景:现在很多 AI Agent 原型都是「LLM 驱动一切」——所有的业务逻辑、所有的流程编排、所有的异常处理都写在 Prompt 里,这种方式有几个致命的缺点:
- 成本极高:Prompt 越长,LLM 的 Token 消耗就越高;
- 鲁棒性极差:Prompt 稍微改一个字,LLM 的输出就可能完全不一样;
- 可观测性极差:LLM 的决策过程是“黑盒”,出了问题根本查不到原因;
- 可扩展性极差:如果想新增一个功能,几乎要重写整个 Prompt;
- 业务不可控:LLM 可能会做出不符合业务规则的决策(比如给用户推荐超过预算的商品、给用户发放不符合条件的优惠码)。
AI Agent Harness Engineering 就是为了解决这些问题而诞生的。
概念结构与核心要素组成:我自己总结的 Harness Agent Framework(缰绳代理框架) 的核心要素可以用 「1 个循环、3 个模块、5 个原则」 来概括(具体内容在「解决方案概述」章节已经讲过了,这里就不再重复了)。
边界与外延:
- 边界:AI Agent Harness Engineering 不是用来替代 LLM 的——它是用来辅助 LLM 的,LLM 只用来处理「非结构化数据理解、多步骤决策、自然语言生成」这三件事;
- 外延:AI Agent Harness Engineering 可以应用到所有需要 AI Agent 的场景,比如电商购物助手、金融理财顾问、医疗健康助手、企业客服机器人、智能家居控制器等。
3. 结构化数据查询 vs 向量库检索
核心概念:结构化数据查询是指直接查询关系型数据库(比如 MySQL、PostgreSQL)或 NoSQL 数据库(比如 MongoDB、Redis)里的结构化数据(比如商品ID、商品名称、原价、库存、发货地、风格标签等);向量库检索是指先把非结构化数据(比如商品描述、用户评价、面料说明等)转换成向量(Embedding),然后存储到向量库(比如 ChromaDB、Pinecone、Weaviate)里,再通过计算查询向量和存储向量的相似度来检索相关数据。
概念核心属性维度对比:
对比维度 结构化数据查询 向量库检索 数据类型 结构化数据(数值、字符串、布尔值、日期等) 非结构化数据(文本、图片、音频、视频等) 查询方式 SQL、MongoDB Query、Redis Command 等 相似度查询(余弦相似度、欧氏距离、点积等) 查询速度 极快(0.001-0.1 秒/次),支持索引优化 较慢(0.1-1 秒/次),向量维度越高速度越慢 查询成本 几乎为零(本地部署的数据库) 较高(云向量库按查询次数和存储量收费) 查询准确率 极高(100%,只要 SQL 写对了) 较高(70-95%,取决于 Embedding 模型的质量和向量库的检索算法) 业务规则支持 完美支持(所有的业务规则都可以硬编码到 SQL 里) 不支持(只能通过 Prompt 或后处理来过滤数据) 适用场景 商品库存查询、商品价格查询、发货地查询、风格标签查询、用户身份查询、优惠码查询等 商品描述模糊查询、用户评价情感分析、面料说明语义理解、穿搭建议图片匹配等 最佳实践:在 AI Agent 中,永远优先使用结构化数据查询,只有当结构化数据查询无法满足需求时,才使用向量库检索——这是降低 API 成本、提高查询速度、提高查询准确率、增强业务可控性的关键。
4. 本地小模型 vs 云大模型
核心概念:本地小模型是指参数规模较小(比如 100M-10B)、可以在本地服务器或边缘设备上运行的 AI 模型(比如 TinyBERT、DistilBERT、Llama 3 8B、Qwen 2 7B 等);云大模型是指参数规模较大(比如 100B-1T)、需要通过 API 调用的 AI 模型(比如 OpenAI GPT-4o、Anthropic Claude 3.5 Sonnet、Google Gemini 1.5 Pro 等)。
概念核心属性维度对比:
对比维度 本地小模型 云大模型 参数规模 100M-10B 100B-1T 部署方式 本地服务器/边缘设备(比如 NVIDIA RTX 3090/4090、华为昇腾 910) 云服务商(比如 OpenAI、Anthropic、Google Cloud、AWS) 推理速度 TinyBERT/DistilBERT:0.01-0.1 秒/次;Llama 3 8B/Qwen 2 7B(4-bit量化):0.1-0.5 秒/次 0.5-5 秒/次(取决于模型的大小和请求的并发量) 推理成本 几乎为零(一次性购买 GPU 服务器,电费忽略不计) 较高(按 Token 收费,比如 GPT-4o 是 0.01 美元/1K 输入 Token,0.03 美元/1K 输出 Token;Claude 3 Haiku 是 0.00025 美元/1K 输入 Token,0.00125 美元/1K 输出 Token) 能力范围 TinyBERT/DistilBERT:只能做文本分类、情感分析、命名实体识别等简单的 NLP 任务;Llama 3 8B/Qwen 2 7B:可以做文本生成、工具调用、简单的多步骤推理等任务,但能力比云大模型差很多 几乎可以做所有的 NLP 任务:非结构化数据理解、复杂的多步骤推理、工具调用、自然语言生成、图片理解、音频理解、视频理解等 数据隐私 完美(所有数据都在本地,不会泄露给云服务商) 较差(虽然很多云服务商承诺不会存储用户的数据,但还是有泄露的风险) 业务可控性 完美(可以自己微调模型,自己控制模型的输出) 较差(只能通过 Prompt 控制模型的输出,无法微调模型,除非使用云服务商的微调服务,但成本极高) 最佳实践:在 AI Agent 中,永远优先使用本地小模型处理简单的任务(比如场景识别、情感分析、命名实体识别、文本分类等),只有当本地小模型无法满足需求时,才使用云大模型处理复杂的任务(比如非结构化数据理解、复杂的多步骤推理、工具调用、自然语言生成等)——这是降低 API 成本、提高推理速度、增强数据隐私、增强业务可控性的关键。
前置知识(已在引言部分说明,这里提供相关学习资源的链接)
- Python 基础:廖雪峰的 Python 教程
- LLM API 使用经验:
- OpenAI API:OpenAI 官方文档
- Anthropic Claude API:Anthropic 官方文档
- 本地 Llama 系列 API:Ollama 官方文档
- LangChain 基础认知:LangChain 官方文档
- LlamaIndex 基础认知:LlamaIndex 官方文档
- FastAPI 后端开发常识:FastAPI 官方文档
- Redis 缓存知识:Redis 官方文档
- Elasticsearch 日志库知识:Elasticsearch 官方文档
- Prometheus + Grafana 时序数据库+可视化知识:
- Prometheus 官方文档:Prometheus 官方文档
- Grafana 官方文档:Grafana 官方文档
核心步骤:基于 Harness Agent Framework 的电商购物助手 Pro 版实现
步骤 0:环境安装与准备
0.1 硬件环境
- 本地服务器:
- CPU:Intel i9-13900K 或 AMD Ryzen 9 7950X
- 内存:64GB DDR5
- GPU:NVIDIA RTX 4090(24GB VRAM)或 NVIDIA A10G(24GB VRAM)
- 存储:2TB NVMe SSD
- 云服务器(如果没有本地服务器的话):
- AWS g5.xlarge(1 个 NVIDIA A10G,24GB VRAM,16GB 内存,4 个 vCPU),月租约 300 美元
- 阿里云 g6e.xlarge(1 个 NVIDIA A10,24GB VRAM,16GB 内存,4 个 vCPU),月租约 2000 元人民币
0.2 软件环境
- 操作系统:Ubuntu 22.04 LTS
- Python 版本:Python 3.11
- CUDA 版本:CUDA 12.1
- PyTorch 版本:PyTorch 2.3.1
0.3 依赖库安装
# 1. 创建虚拟环境
python3.11 -m venv harness_agent_env
source harness_agent_env/bin/activate
# 2. 升级 pip
pip install --upgrade pip
# 3. 安装 PyTorch(CUDA 12.1 版本)
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
# 4. 安装 Harness Agent Framework(我自己实现的,GitHub 地址在文章末尾的配套资源里)
pip install git+https://github.com/your_username/harness_agent_framework.git@v1.0.0
# 5. 安装其他依赖库
pip install fastapi uvicorn[standard] redis elasticsearch prometheus-client transformers sentence-transformers chromadb anthropic openai sqlalchemy pymysql pydantic-settings python-dotenv
0.4 环境变量配置
创建一个 .env 文件,配置以下环境变量:
# .env 文件
# FastAPI 配置
FASTAPI_HOST=0.0.0.0
FASTAPI_PORT=8000
# Redis 配置
REDIS_HOST=localhost
REDIS_PORT=6379
REDIS_DB=0
REDIS_PASSWORD=your_redis_password
# Elasticsearch 配置
ELASTICSEARCH_HOST=localhost
ELASTICSEARCH_PORT=9200
ELASTICSEARCH_USER=elastic
ELASTICSEARCH_PASSWORD=your_elasticsearch_password
# Prometheus 配置
PROMETHEUS_PORT=9090
# 本地小模型配置
TINYBERT_MODEL_NAME=huawei-noah/TinyBERT_General_4L_312D
SENTENCE_TRANSFORMER_MODEL_NAME=all-MiniLM-L6-v2
LOCAL_LLM_MODEL_NAME=qwen2:7b-instruct-q4_K_M # 使用 Ollama 部署的本地 Qwen 2 7B 4-bit 量化模型
# 云大模型配置
ANTHROPIC_API_KEY=your_anthropic_api_key
CLAUDE_MODEL_NAME=claude-3-haiku-20240307 # 优先使用 Haiku,成本极低
# OPENAI_API_KEY=your_openai_api_key
# GPT_MODEL_NAME=gpt-4o-mini
# MySQL 商品库配置(连朋友的女装独立站的 MySQL 数据库)
MYSQL_HOST=your_mysql_host
MYSQL_PORT=3306
MYSQL_DB=your_mysql_db
MYSQL_USER=your_mysql_user
MYSQL_PASSWORD=your_mysql_password
# 顺丰开放 API 配置
SF_EXPRESS_API_KEY=your_sf_express_api_key
SF_EXPRESS_API_SECRET=your_sf_express_api_secret
# 中通开放 API 配置
ZTO_EXPRESS_API_KEY=your_zto_express_api_key
ZTO_EXPRESS_API_SECRET=your_zto_express_api_secret
# 圆通开放 API 配置
YTO_EXPRESS_API_KEY=your_yto_express_api_key
YTO_EXPRESS_API_SECRET=your_yto_express_api_secret
步骤 1:Harness Agent Framework 核心架构设计
1.1 整体架构图
1.2 核心模块交互关系图
步骤 2:Harness Agent Framework 核心实现源代码
2.1 目录结构
harness_agent_ecommerce/
├── .env
├── .gitignore
├── requirements.txt
├── main.py # FastAPI API Gateway 入口文件
├── harness/ # 缰绳模块
│ ├── __init__.py
│
更多推荐




所有评论(0)