基于企業經營大模型AI-Agent的電子商務實驗室建設探索

摘 要：針對大模型與生成式AI技術問題，教師從AI-Agent電子商務實驗室功能設計、企業經營大模型AI-Agent技術形態、多協作AI-Agent實驗項目生成等方面，進行基于企業經營大模型AI-Agent的電子商務實驗室建設的研究，運用模擬真實電子商務環境、實驗項目生成、理論連接實踐等方法，搭建一個教學實踐和研究的平臺，推動電子商務技術創新和電子商務專業人才培養。

關鍵詞：企業經營；大模型；AI-Agent；電子商務實驗室

中圖分類號：G63 文獻標識碼：A 文章編號：0450-9889（2024）17-0105-06

在數字化時代和人工智能大模型高速發展的今天，電子商務已成為全球企業商業活動的重要組成部分。隨著生成式人工智能（Artificial Intelligence Generated Content，簡稱AIGC）技術的不斷發展和電子商務模式的不斷創新，人工智能大模型為企業商業經營提供了前所未有的機遇，但同時也迎來了挑戰。基于企業經營大語言模型（Large language Model，LLM）的人工智能代理（Artificial Intelligence Agent，簡稱AI-Agent）在電子商務實驗室的建立，旨在通過模擬真實的電子商務環境，為研究人員和在校學生提供一個實踐與研究的平臺，讓他們能夠在一個安全、可控的平臺上實踐電子商務理論和技術應用。在大模型與AI-Agent應用研究中，李戈等［1］針對基于大模型和人機協同軟件開發與演化工具的探索，提出模型生成的預測性內容開發與演化高質量內容方案；趙莉等［2］針對基于多Agent技術的云計算任務分解方法的研究，提出采用模糊聚類方法對云計算任務進行聚類處理解決方案。此外，實驗室也為企業提供了一個測試新商業模式和技術的場所，幫助企業在真實市場中做出更加明智的決策。

電子商務實驗室是一個集成了最新人工智能技術的虛擬運行與真實數據的平臺，它利用大數據分析、機器學習、自然語言處理等先進技術，構建了一個全面的電子商務生態系統，劉尚麟等［3］針對協作自主AI-Agent系統及工業系統的研究，提出ChatGPT系列大模型制定自然語言輸入句型規范、LLM協作系統提升語言模型能力水平方法。在電子商務實驗室中，AI-Agent作為核心組件，模擬真實世界中的電子商務參與者，包括消費者、供應商、市場分析師和企業決策者等。模擬消費者的購買行為，包括搜索、比較、購買和反饋等過程，為實驗室提供關于消費者行為的深入洞察，支振鋒［4］針對生成式人工智能大模型的信息內容治理的研究，提出改變網絡信息內容生態、抗擊劣質信息、初始信源被污染和沖擊社會倫理等信息內容風險方法。分析大量的市場數據，預測市場趨勢，為企業提供戰略規劃和產品定位的建議，陸偉等［5］針對以ChatGPT為代表的大模型對信息資源管理的研究，提出ChatGPT大模型通過范式轉換、治理變革、信息加工、薈萃、整合和生成能力信息資源管理方法。優化供應鏈流程、追本溯源，確保供應鏈的高效運作，壽步［6］針對人工智能領域倫理主體agent（行為體）的追本溯源的研究，提出循名責實的線索、預留溯源空間方法。利用用戶行為數據，提供個性化的匹配產品推薦，提高轉化率和顧客滿意度，梁崢等［7］針對預訓練語言模型實體匹配的可解釋性的研究，提出預訓練語言實體匹配模型的屬性序反事實、屬性關聯理解等解決方法；識別潛在的風險點，如欺詐行為、數據泄露等，并確保企業的電子商務活動符合相關法律法規；輔助企業管理層進行復雜的決策分析，提供基于數據的決策支持。同時，企業經營大模型AI-Agent的電子商務實驗室為學校提供了多模態創新性教育方向，盧宇等［8］針對多模態大模型的教育應用的研究，提出通過下游任務適配形成三類多模態教育大模型的教學資源自動生成、人機協同過程支持與教師教學智能輔助方法。

一、基于企業經營大模型AI-Agent的電子商務實驗室架構

基于企業經營大模型AI-Agent的電子商務實驗室架構可以設計為一個綜合性的模擬環境，旨在通過模擬電子商務的各個方面，提供一個教學實踐和研究的平臺。AI-Agent連接著企業經營數據平臺，以真實的本地數據源為根本，以生成式人工智能大模型為外部泛在接入組件，擁有龐大數據量與計算能力。AI-Agent作為人工智能代理接入企業經營數據平臺，從根本上提取、適配大模型數據與計算資源。電子商務實驗室在大模型AI-Agent作用下上升為一個類腦型數據平臺，集成了感知企業經營數據條目信息，使決策和執行動作智能體不脫離企業經營本體，使其不但具備獨立思考、調用工具的實驗分析能力，而且實驗室上升為研究人員和在校學生的“智能體”和“智能業務助理”。電子商務實驗室架構經營數據、AI大模型、實驗模塊、實驗分析等四個層次（如圖1所示）。

在大模型AI-Agent的驅動下，電子商務實驗室使用自然語言交互方式高效地執行、處理專業的電子商務工作任務，使研究人員和在校學生獲取更新、更符合邏輯的實驗數據。實驗室分四層架構，經營數據層位于IaaS（Infrastructure as a Service，基礎設施即服務）中，AI大模型層屬于IaaS和PaaS（Platform as a Service，平臺即服務）中間層，實驗模塊層、實驗分析層屬于PaaS表現層。四個層次是在大語言模型作用下依靠AI-Agent能力支撐的一個架構，AI-Agent是釋放LLM潛能的關鍵，通過AI-Agent與企業經營數據平臺鏈接數據源進行構建新型環境交互，電子商務實驗模塊信息做出感知計算和行動。

1.經營數據層：屬于整個電子商務實驗室的基礎，是數據源的本體與根本。實驗數據來源于經營數據層，包含市場數據、客戶數據、競爭對手數據、行為數據、商品數據、商品分析數據等，以及多模態輸入和環境感知信息，使AI-Agent能夠處理的文本、圖像、聲音等有源可溯。經營數據層包含核心數據控制能力、規劃能力、記憶模塊、工具接口等組件，各組件對接于AI大模型。

2.AI大模型層：屬于電子商務實驗室的外部數據接入層，借助大模型實現AI-Agent數據融合與處理。AI大模型包括自然語言交互和LLM內容生成兩個部分，提供智能業務助理、智能實體決策、生成創意內容和Prompt（AI模型提示詞）實現等。

3.實驗模塊層：屬于電子商務實驗室本地連接大模型的計算模塊，具備計算與儲存功能。實驗模塊包括LLM Agent能力的模型驅動、主動規劃、類腦記憶和函數調用等四種功能，以及LLM AI Agent和感知（Perception）、控制（Brain）和行動（Action）三個控制端部分。實驗模塊層負責處理自然語言指令，進行決策和規劃，使AI-Agent能夠根據目標制訂和執行計劃；儲存代理歷史操作和經驗，用于提升決策質量；允許AI-Agent調用外部工具和API，擴展其功能。

4.實驗分析層：屬于電子商務實驗室的輸出部分，面向終端用戶輸出實驗數據結果。實驗分析包括企業經營網店轉化率、客戶習慣、購買行為、銷售業績分析、經營環境分析、運營活動分析等。實驗分析層抽絲剝繭文本輸出、工具使用和執行行動等組件，各組件的功能分別是生成響應和報告；使AI-Agent能夠使用各種在線工具和數據庫來執行任務；虛擬環境中執行物理行動，如產品上架、價格調整等。

二、電子商務實驗室企業經營大模型AI-Agent設計

（一）企業經營大模型AI-Agent技術實施

電子商務實驗室區別于傳統的硬件實體實驗室，是一個構建于企業經營數據的平臺，對接于人工智能大模型，通過AI-Agent核心技術的計算能力、規劃能力、記憶能力和使用工具能力，形成能夠擬人化實現實驗室各項功能的、本地硬件系統和遠程模型交互的新一代生成式人工智能電子商務實驗室。該實驗室的源頭是本地硬件計算系統和企業經營數據平臺，接入的是生成式人工智能大語言模型，核心是AI-Agent智能實體，電子商務實驗室承載著用戶輸入與計算結果的輸出。AI-Agent在整個電子商務實驗數據生成過程中，扮演著擬人的角色，有著豐富的記憶和邏輯分析能力，能夠把用戶輸入的實驗需求進行任務拆解、問題分析并最終得出用戶需要什么樣的實驗數據。擬人、類腦的AI-Agent電子商務實驗室在技術實施過程中分zWyO1uTURch3U/ffrhV6kQ==為大模型輸入、數據驅動洞察、多模態內容生成、電子商務實驗輸出等多個步驟（如圖2所示）。

上述企業經營大模型AI-Agent技術的應用體現了“AI大模型+Agent插件+執行流程+實驗思維鏈”，AI-Agent交互是一個環形核心，不斷在每一個步驟中干預、思考實驗需求。技術實施分四步進行。

第一步：AI大模型輸入。大語言模型連接著企業經營數據平臺，通過AI-Agent解析組件對實驗室用戶輸入進行內容理解、行為識別、數據初步推薦，以及對前部分計算結果數據進行不斷抽取并進行迭代重構。

第二步：AI-Agent數據驅動洞察。通過AI-Agent自然語言理解能力，扮演擬人角色處理和回應實驗室用戶輸入的自然語言指令序列，對接企業經營數據平臺數據源進行數據透析、類腦式理解并對數據進行驅動，推進多模態內容生成。

第三步：AI-Agent多模態內容生成。在該進程中，實驗模型進行機器學習與知識重構，多模態數據生成文本、圖像、音頻等多種數據類型，提供電子商務經營決策、數據決策信息，對已有記憶的案例進行比對與分析，并進一步調用知識庫、法律法規庫進行生成式內容的合規性審計。

第四步：AI-Agent電子商務實驗輸出。該進程體現了AI-Agent行使意志、做出選擇和采取行動的能力，從用戶需求輸入到AI大模型，到最后的多模態內容生成，擬人化思考和計算使電子商務實驗系統輸出用戶需要的生成式實驗例程、生成式實驗報告和生成式實驗數據。

（二）AI-Agent電子商務實驗室功能設計

基于企業經營大模型AI-Agent的電子商務實驗室的功能圍繞電子商務交互業務模式進行分層式設計，包含IaaS、PaaS兩個部分組成。PaaS主要功能分為仿真分析、決策支持、機器學習、合規檢查、數據分析、內容生成、數據迭代、實驗交互等八個，最終電子商務業務交互通過實驗交互作為總輸出，而且電子商務實驗室數據端作為總輸入，外部接入的是IaaS。（該電子商務實驗室的關鍵功能設計如下頁圖3所示）

IaaS部分是電子商務實驗室服務器集群連接外部接入設施與組件，以企業經營數據平臺為基礎設施，通過網絡與企業經營大模型、企業經營模型組件接入而提供的一種數據接入方式，以云計算、區塊鏈、元宇宙等泛在服務模式接入，使電子商務實驗室的功能、計算能力、服務能力和數據能力得以無限擴展。同時，IaaS相應的服務器平臺或者實驗開發環境作為服務進行提供就成了PaaS，位于AI-Agent電子商務實驗室功能設計中的頂端。

PaaS部分是AI-Agent電子商務實驗室功能設計中的具體功能集中體現，分為兩個部分設計：一是電子商務實驗內部輸入，連接的是AI-Agent組件，包含實驗需求模型和實驗分析模型，把控著實驗者的實驗需求輸入、實驗結果的輸出，負責與前端IaaS部分接入部分通訊與數據獲取。二是實驗室的八個功能模塊，每個功能模塊下設至少兩個子模塊，包含仿真分析（動態市場、多維報表）、決策支持（經營決策、決策模型）、機器學習（模式識別、實驗分類）、合規檢查（風險評估、合規審計）、數據分析（數據挖掘、數據實驗）、內容生成（實驗報告、圖像視頻）、數據迭代（內容重構、邏輯重構）、實驗交互（實驗輸出、實驗管理）。八個功能模塊負責電子商務實驗室的業務功能，通過AI-Agent組件連接IaaS，實現電子商務個性化產品推薦、智能客戶服務代理、電子商務內容生成等。

（三）多模協作AI-Agent實驗項目生成

多模協作AI-Agent實驗項目生成主要是實驗室的內生能力體現部分，電子商務實驗室以智能化的方式設計一系列實驗項目，通過企業經營大模型AI-Agent創建一個動態變化的市場環境，包括消費者行為、競爭對手策略、市場趨勢等，提供工具進行市場細分、目標市場選擇和定位分析。實驗室具備決策支持功能，通過機器交互式學習扮演不同角色進行決策實踐，如CEO、市場經理、供應鏈經理等。實驗室最終要達到的目標是AI-Agent多模態實驗項目生成，使電子商務實驗成為一個擬人的自動化平臺，其代表性多模協作AI-Agent實驗部分項目如表1所示。

這些實驗項目不僅能夠推動電子商務領域的技術創新，而且能夠為學生和專業研究人員提供寶貴的實踐經驗，幫助他們更好地理解和應用人工智能生成技術。同時，電子商務實驗室以數據驅動洞察、圖形化方式呈現給實驗者，提供高級數據分析工具，如數據挖掘、預測模型等，通過圖表和圖形直觀展示數據分析結果。

三、實驗模型仿真典型案例

筆者以國內某上市物流企業電子商務平臺經營效率數據分析實驗為例，進行2019—2023年經營效率變化情況仿真分析。該企業物流電子商務平臺進行了AI-Agent技術開發，整合了某商業大模型，并接入了另外一家商業模型組件，從數據來源上符合生成式人工智能的要求。該地企業物流電子商務數據存量少，局限于本平臺難以形成外部對比，特別對純技術效率、規模效率難以橫向對比等缺點，為此筆者設計了基于企業經營大模型AI-Agent的數據分析模型。

外部接入：某商業集成了GPT-3（Generative Pre-trained Transformer 3）大模型，整合GPT-3的幾十億個參數的部分應用；并接入另一家GAN（Generative Adversarial Network）生成式AI大模型商業組件。

實驗輸入：依托本地物流企業電子商務平臺開發的AI-Agent應用模型，按實驗要求輸入2019 —2023年的“綜合效率、純技術效率、規模效率”三類電子商務效率數據進行分析。

實驗輸出：綜合效率的平均數據和TE物流節點數、純技術效率的平均數據和PTE物流節點、規模效率的平均數據和SE物流節點，從中分析出經營趨勢和管理水平。

實驗計算模型運用AI-Agent，明確投入和產出指標，以及確定樣本后，為基于企業經營大模型AI-Agent的運行結果，得到2019 — 2023年國內物流類上市公司電子商務經營效率（包括綜合效率、純技術效率、規模效率）變化情況（如表2所示）。

從表2可以看出，近幾年國內物流公司的綜合效率TE=1的物流節點數量呈N形趨勢，N形曲線從2019年的5.11突破性上升到2020最高點9.23，又于2022年回落至次低點6.13，2023又突然高速提升到9.06，同時存在斷崖式與躍升式發展狀態，與技術效率、規模效率發展水平不協調，表明物流公司經營管理水平有待提升。純技術效率PTE=1都在0.90—0.91之間微小變化間發展，雖有2023年減少至0.90，但綜合效率與規模效率因素調節而上升發展，總體評價各物流節點的技術投入屬于平衡發展狀態。規模效率SE=1的物流節點數量趨勢與綜合效率基本相同發展，在2022年SE=0.82達到最大，其他年份在這個范圍內較小幅度地波動，說明各物流節點要根據自身實際情況適時調整好投入與產出的關系，同時要關注與技術投入平衡發展，做到合理生產的同時提高經濟規模效率（物流電子商務經營效率變化走勢如圖4所示）。

某上市物流企業電子商務經營效率數據分析具備企業經營大模型AI-Agent自動生成圖表和數據分析功能，其中AI-Agent的擬人功能輔助分析主要有三個步驟。

第一步，通過本地電子商務平臺接入大模型及AI-Agent組件，以仿真分析、機器學習兩個組件對輸入的“綜合效率、純技術效率、規模效率”三類電子商務效率數據進行了對外接入式網絡索取動態市場、多維報表，增加了上萬倍的樣本數據比對量進行模式識別、實驗分類。

第二步，通過本地系統和AI-Agent組件，進行決策支持、數據分析、數據迭代，歷經經營決策、決策模型、數據挖掘、數據實驗、內容重構、邏輯重構等九個計算過程，把公司本地物流電子商務的業務數據與網絡大模型、組件來源的數據進行對比，使數據不失真、有據可依、計算有跡可循。

第三步，進行內容生成（實驗報告、圖像視頻）、合規檢查（風險評估、合規審計），最后以實驗交互（實驗輸出、實驗管理）的報告形式呈現。

由上我們可以得出以下結論：仿真實驗進行了純本地平臺數據實驗、接入大模型數據實驗兩輪數據對比，數據樣本量增加了1.321 9萬倍，綜合效率準確率提高了27.21%、純技術效率準確率提高了31.23%、規模效率準確率提高了24.17%；分析報告數據可讀性提高了3倍。

基于企業經營大模型AI-Agent的電子商務實驗室的建設，標志著教育和研究領域在電子商務應用又邁出了重要的一步。電子商務實驗室不僅為學生、研究人員和企業決策者提供了一個探索的平臺，而且是推動電子商務技術創新和人才培養的重要基地。隨著電子商務的快速發展和人工智能技術的不斷進步，基于企業經營大模型AI-Agent的電子商務實驗室將成為連接理論與實踐、創新與應用的橋梁，不僅能夠提高教育教學質量，而且能夠加速電子商務領域的技術創新和行業發展。電子商務實驗室還可以探索電子商務領域的未來發展趨勢，如區塊鏈、虛擬現實等新興技術的應用，為企業把握未來發展機遇提供方向。

參考文獻

［1］李戈，彭鑫，王千祥，等.大模型：基于自然交互的人機協同軟件開發與演化工具帶來的挑戰［J］.軟件學報，2023，34（10）：4601-4606.

［2］趙莉，李君茹.基于多Agent技術的云計算任務分解方法研究［J］.南京理工大學學報，2022，46（3）：298-303.

［3］劉尚麟，陳怡多，黎珂.協作自主AI Agent系統及工業系統網絡安全應用研究［J］.工業信息安全，2023（3）：61-67.

［4］支振鋒.生成式人工智能大模型的信息內容治理［J］.政法論壇，2023，41（4）：34-48.

［5］陸偉，劉家偉，馬永強，等.ChatGPT為代表的大模型對信息資源管理的影響［J］.圖書情報知識，2023，40（2）：6-9.

［6］壽步.人工智能領域倫理主體agent（行為體）的追本溯源［J］.自然辯證法通訊，2023（12）：10-17.

［7］梁崢，王宏志，戴加佳，等.預訓練語言模型實體匹配的可解釋性［J］.軟件學報，2023，34（3）：1087-1108.

［8］盧宇，余京蕾，陳鵬鶴，等.多模態大模型的教育應用研究與展望［J］.電化教育研究，2023，44（6）：38-44.

注：本文系廣西哲學社會科學規劃項目“廣西本科高校新工科產教深度融合模式創新與實現路徑研究”（23FGL023）、廣西高等教育本科教學改革項目“應用型本科高校新工科交叉學科專業建設研究與實踐”（2022JGA381）的研究成果。

（責編 林 劍）