淘天以事件驱动和函数编排构建商品领域Agent

商品中心在商品理解业务中把大模型能力从早期 T+1 离线批处理升级为工程化的领域 Agent。框架选型上评估了集团内外多款智能体框架后，选择轻度耦合的 spring-ai-alibaba 以适配集团成熟 Java 生态，并在其上自研轻量 aiagentsdk，通过 @AIWorkflow、@AIAction、@AIFunction、@AIParameter、@AIResult 等注解与切面把所有 function 自动转换为高质量 MCP 工具，形成上层业务场景 workflow 编排层、下层统一能力供给层的两层结构，调用方式为 {Registry}.{DomainRegistry}.{FunctionClass}.{FunctionName} 链式调用。业务侧已在商品属性、卖点等核心场景落地，覆盖亿级在线商品，显著提升信息完整性、准确率与丰富性，并在搜索、详情等导购场景实现成交转化率正向提升；研发效能上新需求从开发、数据试跑到评测优化全流程压缩到 1 周/人。 团队把商品领域知识拆成显性事实、关联情景、隐性经验三层并分别建设生产链路。显性知识围绕「类目-属性元信息」整合商品 SKU 主数据、商品图片、外部素材（小红书笔记与用户评价）、原始商品属性、人工评测与运营配置五类数据源，一路走统计分析模块计算填写率、SKU 数量、PV 对等统计指标，另一路走 LLM 理解模块从图像与文本抽取属性、识别用户关注点并生成同义词与解释，再与人工校验结果汇成结构化元知识库，文本字段向量化后存入向量数据库供语义检索。情景知识方面，主配件场景从 bad case 结果集中归纳知识，当前已在 10 个类目的近 10000 条案例中总结出 53 条规则。隐性经验以场景化主观描述形式沉淀。知识服务对外提供 save 与 query/count/pageQuery 标准接口，底层采用 MySQL（强一致持久化）+ TisPlus（批量向量化与大规模 KV 存储）两层异构存储。 主搜 SKU 化背景下，商品存储模型复杂且迭代频繁，从商品行到 SKU 行的变更量从万/秒上升到数十万/秒，原有 saro/精卫「数据表+行变更」视角存在一次操作放大为多行变更、以及多表 JOIN 计算（同一事实会因字段单独变更触发两次 JOIN）的双重放大问题。团队升级 SKU 引擎架构，把 SKU 变更降维到商品事务维度，在精卫链路设计并实现基于商品 ID + 事务 ID 进行数据行变更聚合并转发的事务消息链路：精卫任务中只处理并发送下游关注字段（或模型）的事务消息，将秒级别最终要处理的事务量级降低了一个数量级；下游用 Java 应用消费消息并补全数据，落到以全局唯一 skuId 为主键的异构 SKU 数据表，直接 DUMP 到 saro 链路供搜索消费。该链路同时提供了实时 SKU 素材与商品基础信息变更驱动源，商品 Agent 已据此搭建多个业务场景的实时推理能力。 针对 AI 产出商品数据的质量、置信度与在离线一致性问题，工程与测试同学基于 agent 应用构建了一套可量化、可归因、可复现的属性摘要大模型自动化评测系统：实现新桶 vs 老桶召回属性商品的数量、排名等信息的 AB 对比评测；利用大模型做语义理解与打分，构建覆盖 V 值准确性、完整性、可读性、一致性等的多维度规则体系，可按评测场景配置打分规则集；并建设可持续的数据搜索与评测链路、评测归因可视化以支撑决策优化与结果可追溯，运营也可针对单品或线上 badcase 做定向实时评测。应用分层中另设 item-agent-evaluation-client，专注 agent 实例效果度量与 A/B 测试，形成「执行-评估-优化」闭环。