基于企业经营大模型AI-Agent的电子商务实验室建设探索

摘 要：针对大模型与生成式AI技术问题，教师从AI-Agent电子商务实验室功能设计、企业经营大模型AI-Agent技术形态、多协作AI-Agent实验项目生成等方面，进行基于企业经营大模型AI-Agent的电子商务实验室建设的研究，运用模拟真实电子商务环境、实验项目生成、理论连接实践等方法，搭建一个教学实践和研究的平台，推动电子商务技术创新和电子商务专业人才培养。

关键词：企业经营；大模型；AI-Agent；电子商务实验室

中图分类号：G63 文献标识码：A 文章编号：0450-9889（2024）17-0105-06

在数字化时代和人工智能大模型高速发展的今天，电子商务已成为全球企业商业活动的重要组成部分。随着生成式人工智能（Artificial Intelligence Generated Content，简称AIGC）技术的不断发展和电子商务模式的不断创新，人工智能大模型为企业商业经营提供了前所未有的机遇，但同时也迎来了挑战。基于企业经营大语言模型（Large language Model，LLM）的人工智能代理（Artificial Intelligence Agent，简称AI-Agent）在电子商务实验室的建立，旨在通过模拟真实的电子商务环境，为研究人员和在校学生提供一个实践与研究的平台，让他们能够在一个安全、可控的平台上实践电子商务理论和技术应用。在大模型与AI-Agent应用研究中，李戈等［1］针对基于大模型和人机协同软件开发与演化工具的探索，提出模型生成的预测性内容开发与演化高质量内容方案；赵莉等［2］针对基于多Agent技术的云计算任务分解方法的研究，提出采用模糊聚类方法对云计算任务进行聚类处理解决方案。此外，实验室也为企业提供了一个测试新商业模式和技术的场所，帮助企业在真实市场中做出更加明智的决策。

电子商务实验室是一个集成了最新人工智能技术的虚拟运行与真实数据的平台，它利用大数据分析、机器学习、自然语言处理等先进技术，构建了一个全面的电子商务生态系统，刘尚麟等［3］针对协作自主AI-Agent系统及工业系统的研究，提出ChatGPT系列大模型制定自然语言输入句型规范、LLM协作系统提升语言模型能力水平方法。在电子商务实验室中，AI-Agent作为核心组件，模拟真实世界中的电子商务参与者，包括消费者、供应商、市场分析师和企业决策者等。模拟消费者的购买行为，包括搜索、比较、购买和反馈等过程，为实验室提供关于消费者行为的深入洞察，支振锋［4］针对生成式人工智能大模型的信息内容治理的研究，提出改变网络信息内容生态、抗击劣质信息、初始信源被污染和冲击社会伦理等信息内容风险方法。分析大量的市场数据，预测市场趋势，为企业提供战略规划和产品定位的建议，陆伟等［5］针对以ChatGPT为代表的大模型对信息资源管理的研究，提出ChatGPT大模型通过范式转换、治理变革、信息加工、荟萃、整合和生成能力信息资源管理方法。优化供应链流程、追本溯源，确保供应链的高效运作，寿步［6］针对人工智能领域伦理主体agent（行为体）的追本溯源的研究，提出循名责实的线索、预留溯源空间方法。利用用户行为数据，提供个性化的匹配产品推荐，提高转化率和顾客满意度，梁峥等［7］针对预训练语言模型实体匹配的可解释性的研究，提出预训练语言实体匹配模型的属性序反事实、属性关联理解等解决方法；识别潜在的风险点，如欺诈行为、数据泄露等，并确保企业的电子商务活动符合相关法律法规；辅助企业管理层进行复杂的决策分析，提供基于数据的决策支持。同时，企业经营大模型AI-Agent的电子商务实验室为学校提供了多模态创新性教育方向，卢宇等［8］针对多模态大模型的教育应用的研究，提出通过下游任务适配形成三类多模态教育大模型的教学资源自动生成、人机协同过程支持与教师教学智能辅助方法。

一、基于企业经营大模型AI-Agent的电子商务实验室架构

基于企业经营大模型AI-Agent的电子商务实验室架构可以设计为一个综合性的模拟环境，旨在通过模拟电子商务的各个方面，提供一个教学实践和研究的平台。AI-Agent连接着企业经营数据平台，以真实的本地数据源为根本，以生成式人工智能大模型为外部泛在接入组件，拥有庞大数据量与计算能力。AI-Agent作为人工智能代理接入企业经营数据平台，从根本上提取、适配大模型数据与计算资源。电子商务实验室在大模型AI-Agent作用下上升为一个类脑型数据平台，集成了感知企业经营数据条目信息，使决策和执行动作智能体不脱离企业经营本体，使其不但具备独立思考、调用工具的实验分析能力，而且实验室上升为研究人员和在校学生的“智能体”和“智能业务助理”。电子商务实验室架构经营数据、AI大模型、实验模块、实验分析等四个层次（如图1所示）。

在大模型AI-Agent的驱动下，电子商务实验室使用自然语言交互方式高效地执行、处理专业的电子商务工作任务，使研究人员和在校学生获取更新、更符合逻辑的实验数据。实验室分四层架构，经营数据层位于IaaS（Infrastructure as a Service，基础设施即服务）中，AI大模型层属于IaaS和PaaS（Platform as a Service，平台即服务）中间层，实验模块层、实验分析层属于PaaS表现层。四个层次是在大语言模型作用下依靠AI-Agent能力支撑的一个架构，AI-Agent是释放LLM潜能的关键，通过AI-Agent与企业经营数据平台链接数据源进行构建新型环境交互，电子商务实验模块信息做出感知计算和行动。

1.经营数据层：属于整个电子商务实验室的基础，是数据源的本体与根本。实验数据来源于经营数据层，包含市场数据、客户数据、竞争对手数据、行为数据、商品数据、商品分析数据等，以及多模态输入和环境感知信息，使AI-Agent能够处理的文本、图像、声音等有源可溯。经营数据层包含核心数据控制能力、规划能力、记忆模块、工具接口等组件，各组件对接于AI大模型。

2.AI大模型层：属于电子商务实验室的外部数据接入层，借助大模型实现AI-Agent数据融合与处理。AI大模型包括自然语言交互和LLM内容生成两个部分，提供智能业务助理、智能实体决策、生成创意内容和Prompt（AI模型提示词）实现等。

3.实验模块层：属于电子商务实验室本地连接大模型的计算模块，具备计算与储存功能。实验模块包括LLM Agent能力的模型驱动、主动规划、类脑记忆和函数调用等四种功能，以及LLM AI Agent和感知（Perception）、控制（Brain）和行动（Action）三个控制端部分。实验模块层负责处理自然语言指令，进行决策和规划，使AI-Agent能够根据目标制订和执行计划；储存代理历史操作和经验，用于提升决策质量；允许AI-Agent调用外部工具和API，扩展其功能。

4.实验分析层：属于电子商务实验室的输出部分，面向终端用户输出实验数据结果。实验分析包括企业经营网店转化率、客户习惯、购买行为、销售业绩分析、经营环境分析、运营活动分析等。实验分析层抽丝剥茧文本输出、工具使用和执行行动等组件，各组件的功能分别是生成响应和报告；使AI-Agent能够使用各种在线工具和数据库来执行任务；虚拟环境中执行物理行动，如产品上架、价格调整等。

二、电子商务实验室企业经营大模型AI-Agent设计

（一）企业经营大模型AI-Agent技术实施

电子商务实验室区别于传统的硬件实体实验室，是一个构建于企业经营数据的平台，对接于人工智能大模型，通过AI-Agent核心技术的计算能力、规划能力、记忆能力和使用工具能力，形成能够拟人化实现实验室各项功能的、本地硬件系统和远程模型交互的新一代生成式人工智能电子商务实验室。该实验室的源头是本地硬件计算系统和企业经营数据平台，接入的是生成式人工智能大语言模型，核心是AI-Agent智能实体，电子商务实验室承载着用户输入与计算结果的输出。AI-Agent在整个电子商务实验数据生成过程中，扮演着拟人的角色，有着丰富的记忆和逻辑分析能力，能够把用户输入的实验需求进行任务拆解、问题分析并最终得出用户需要什么样的实验数据。拟人、类脑的AI-Agent电子商务实验室在技术实施过程中分zWyO1uTURch3U/ffrhV6kQ==为大模型输入、数据驱动洞察、多模态内容生成、电子商务实验输出等多个步骤（如图2所示）。

上述企业经营大模型AI-Agent技术的应用体现了“AI大模型+Agent插件+执行流程+实验思维链”，AI-Agent交互是一个环形核心，不断在每一个步骤中干预、思考实验需求。技术实施分四步进行。

第一步：AI大模型输入。大语言模型连接着企业经营数据平台，通过AI-Agent解析组件对实验室用户输入进行内容理解、行为识别、数据初步推荐，以及对前部分计算结果数据进行不断抽取并进行迭代重构。

第二步：AI-Agent数据驱动洞察。通过AI-Agent自然语言理解能力，扮演拟人角色处理和回应实验室用户输入的自然语言指令序列，对接企业经营数据平台数据源进行数据透析、类脑式理解并对数据进行驱动，推进多模态内容生成。

第三步：AI-Agent多模态内容生成。在该进程中，实验模型进行机器学习与知识重构，多模态数据生成文本、图像、音频等多种数据类型，提供电子商务经营决策、数据决策信息，对已有记忆的案例进行比对与分析，并进一步调用知识库、法律法规库进行生成式内容的合规性审计。

第四步：AI-Agent电子商务实验输出。该进程体现了AI-Agent行使意志、做出选择和采取行动的能力，从用户需求输入到AI大模型，到最后的多模态内容生成，拟人化思考和计算使电子商务实验系统输出用户需要的生成式实验例程、生成式实验报告和生成式实验数据。

（二）AI-Agent电子商务实验室功能设计

基于企业经营大模型AI-Agent的电子商务实验室的功能围绕电子商务交互业务模式进行分层式设计，包含IaaS、PaaS两个部分组成。PaaS主要功能分为仿真分析、决策支持、机器学习、合规检查、数据分析、内容生成、数据迭代、实验交互等八个，最终电子商务业务交互通过实验交互作为总输出，而且电子商务实验室数据端作为总输入，外部接入的是IaaS。（该电子商务实验室的关键功能设计如下页图3所示）

IaaS部分是电子商务实验室服务器集群连接外部接入设施与组件，以企业经营数据平台为基础设施，通过网络与企业经营大模型、企业经营模型组件接入而提供的一种数据接入方式，以云计算、区块链、元宇宙等泛在服务模式接入，使电子商务实验室的功能、计算能力、服务能力和数据能力得以无限扩展。同时，IaaS相应的服务器平台或者实验开发环境作为服务进行提供就成了PaaS，位于AI-Agent电子商务实验室功能设计中的顶端。

PaaS部分是AI-Agent电子商务实验室功能设计中的具体功能集中体现，分为两个部分设计：一是电子商务实验内部输入，连接的是AI-Agent组件，包含实验需求模型和实验分析模型，把控着实验者的实验需求输入、实验结果的输出，负责与前端IaaS部分接入部分通讯与数据获取。二是实验室的八个功能模块，每个功能模块下设至少两个子模块，包含仿真分析（动态市场、多维报表）、决策支持（经营决策、决策模型）、机器学习（模式识别、实验分类）、合规检查（风险评估、合规审计）、数据分析（数据挖掘、数据实验）、内容生成（实验报告、图像视频）、数据迭代（内容重构、逻辑重构）、实验交互（实验输出、实验管理）。八个功能模块负责电子商务实验室的业务功能，通过AI-Agent组件连接IaaS，实现电子商务个性化产品推荐、智能客户服务代理、电子商务内容生成等。

（三）多模协作AI-Agent实验项目生成

多模协作AI-Agent实验项目生成主要是实验室的内生能力体现部分，电子商务实验室以智能化的方式设计一系列实验项目，通过企业经营大模型AI-Agent创建一个动态变化的市场环境，包括消费者行为、竞争对手策略、市场趋势等，提供工具进行市场细分、目标市场选择和定位分析。实验室具备决策支持功能，通过机器交互式学习扮演不同角色进行决策实践，如CEO、市场经理、供应链经理等。实验室最终要达到的目标是AI-Agent多模态实验项目生成，使电子商务实验成为一个拟人的自动化平台，其代表性多模协作AI-Agent实验部分项目如表1所示。

这些实验项目不仅能够推动电子商务领域的技术创新，而且能够为学生和专业研究人员提供宝贵的实践经验，帮助他们更好地理解和应用人工智能生成技术。同时，电子商务实验室以数据驱动洞察、图形化方式呈现给实验者，提供高级数据分析工具，如数据挖掘、预测模型等，通过图表和图形直观展示数据分析结果。

三、实验模型仿真典型案例

笔者以国内某上市物流企业电子商务平台经营效率数据分析实验为例，进行2019—2023年经营效率变化情况仿真分析。该企业物流电子商务平台进行了AI-Agent技术开发，整合了某商业大模型，并接入了另外一家商业模型组件，从数据来源上符合生成式人工智能的要求。该地企业物流电子商务数据存量少，局限于本平台难以形成外部对比，特别对纯技术效率、规模效率难以横向对比等缺点，为此笔者设计了基于企业经营大模型AI-Agent的数据分析模型。

外部接入：某商业集成了GPT-3（Generative Pre-trained Transformer 3）大模型，整合GPT-3的几十亿个参数的部分应用；并接入另一家GAN（Generative Adversarial Network）生成式AI大模型商业组件。

实验输入：依托本地物流企业电子商务平台开发的AI-Agent应用模型，按实验要求输入2019 —2023年的“综合效率、纯技术效率、规模效率”三类电子商务效率数据进行分析。

实验输出：综合效率的平均数据和TE物流节点数、纯技术效率的平均数据和PTE物流节点、规模效率的平均数据和SE物流节点，从中分析出经营趋势和管理水平。

实验计算模型运用AI-Agent，明确投入和产出指标，以及确定样本后，为基于企业经营大模型AI-Agent的运行结果，得到2019 — 2023年国内物流类上市公司电子商务经营效率（包括综合效率、纯技术效率、规模效率）变化情况（如表2所示）。

从表2可以看出，近几年国内物流公司的综合效率TE=1的物流节点数量呈N形趋势，N形曲线从2019年的5.11突破性上升到2020最高点9.23，又于2022年回落至次低点6.13，2023又突然高速提升到9.06，同时存在断崖式与跃升式发展状态，与技术效率、规模效率发展水平不协调，表明物流公司经营管理水平有待提升。纯技术效率PTE=1都在0.90—0.91之间微小变化间发展，虽有2023年减少至0.90，但综合效率与规模效率因素调节而上升发展，总体评价各物流节点的技术投入属于平衡发展状态。规模效率SE=1的物流节点数量趋势与综合效率基本相同发展，在2022年SE=0.82达到最大，其他年份在这个范围内较小幅度地波动，说明各物流节点要根据自身实际情况适时调整好投入与产出的关系，同时要关注与技术投入平衡发展，做到合理生产的同时提高经济规模效率（物流电子商务经营效率变化走势如图4所示）。

某上市物流企业电子商务经营效率数据分析具备企业经营大模型AI-Agent自动生成图表和数据分析功能，其中AI-Agent的拟人功能辅助分析主要有三个步骤。

第一步，通过本地电子商务平台接入大模型及AI-Agent组件，以仿真分析、机器学习两个组件对输入的“综合效率、纯技术效率、规模效率”三类电子商务效率数据进行了对外接入式网络索取动态市场、多维报表，增加了上万倍的样本数据比对量进行模式识别、实验分类。

第二步，通过本地系统和AI-Agent组件，进行决策支持、数据分析、数据迭代，历经经营决策、决策模型、数据挖掘、数据实验、内容重构、逻辑重构等九个计算过程，把公司本地物流电子商务的业务数据与网络大模型、组件来源的数据进行对比，使数据不失真、有据可依、计算有迹可循。

第三步，进行内容生成（实验报告、图像视频）、合规检查（风险评估、合规审计），最后以实验交互（实验输出、实验管理）的报告形式呈现。

由上我们可以得出以下结论：仿真实验进行了纯本地平台数据实验、接入大模型数据实验两轮数据对比，数据样本量增加了1.321 9万倍，综合效率准确率提高了27.21%、纯技术效率准确率提高了31.23%、规模效率准确率提高了24.17%；分析报告数据可读性提高了3倍。

基于企业经营大模型AI-Agent的电子商务实验室的建设，标志着教育和研究领域在电子商务应用又迈出了重要的一步。电子商务实验室不仅为学生、研究人员和企业决策者提供了一个探索的平台，而且是推动电子商务技术创新和人才培养的重要基地。随着电子商务的快速发展和人工智能技术的不断进步，基于企业经营大模型AI-Agent的电子商务实验室将成为连接理论与实践、创新与应用的桥梁，不仅能够提高教育教学质量，而且能够加速电子商务领域的技术创新和行业发展。电子商务实验室还可以探索电子商务领域的未来发展趋势，如区块链、虚拟现实等新兴技术的应用，为企业把握未来发展机遇提供方向。

参考文献

［1］李戈，彭鑫，王千祥，等.大模型：基于自然交互的人机协同软件开发与演化工具带来的挑战［J］.软件学报，2023，34（10）：4601-4606.

［2］赵莉，李君茹.基于多Agent技术的云计算任务分解方法研究［J］.南京理工大学学报，2022，46（3）：298-303.

［3］刘尚麟，陈怡多，黎珂.协作自主AI Agent系统及工业系统网络安全应用研究［J］.工业信息安全，2023（3）：61-67.

［4］支振锋.生成式人工智能大模型的信息内容治理［J］.政法论坛，2023，41（4）：34-48.

［5］陆伟，刘家伟，马永强，等.ChatGPT为代表的大模型对信息资源管理的影响［J］.图书情报知识，2023，40（2）：6-9.

［6］寿步.人工智能领域伦理主体agent（行为体）的追本溯源［J］.自然辩证法通讯，2023（12）：10-17.

［7］梁峥，王宏志，戴加佳，等.预训练语言模型实体匹配的可解释性［J］.软件学报，2023，34（3）：1087-1108.

［8］卢宇，余京蕾，陈鹏鹤，等.多模态大模型的教育应用研究与展望［J］.电化教育研究，2023，44（6）：38-44.

注：本文系广西哲学社会科学规划项目“广西本科高校新工科产教深度融合模式创新与实现路径研究”（23FGL023）、广西高等教育本科教学改革项目“应用型本科高校新工科交叉学科专业建设研究与实践”（2022JGA381）的研究成果。

（责编 林 剑）