Project
Merchmind 多智能体电商决策系统
用四个领域 Agent 和一个 Orchestrator 协同处理选品、定价、库存与品类决策，并让冲突处理可以重放和解释。
Multi-Agent · Orchestration · LLM/Tools Layering · ERP Concepts · Explainability
Product Snapshot
- Role
- 系统设计与 Demo 实现，团队项目
- Users
- 需要协调选品、定价、库存与品类策略的电商运营团队。
- Stage
- 2026.03-2026.06 完成可运行 Demo、系统架构与完整演示材料。
- Focus
- 多 Agent 编排、确定性工具与 LLM 推理分层、冲突仲裁和可解释决策。
- Validation
- 团队项目记录显示，规则化仲裁把模拟冲突率从约 30% 降至 5% 以下，并把试用周期从 14 天压缩到 7 天。
- Public Proof
- 可运行 Demo、六条冲突仲裁规则、回放链路和完整汇报材料；量化结果来自团队项目记录，未在本次整理中独立复跑。
Next Step
问题
电商决策很少只属于一个部门。选品、定价、库存和品类策略互相影响，如果每个 Agent 只优化自己的目标，系统会迅速产生冲突，而且很难解释最后为什么做出某个决定。
系统设计
我们把系统拆成 Category、Pricing、Selection、Inventory 四个领域 Agent，并由 Orchestrator 负责汇总上下文、识别冲突和安排执行顺序。
确定性计算放在工具层，开放式判断交给 LLM；六条仲裁规则处理利润、库存、价格与风险目标之间的冲突。每次决策都保留输入、分歧、仲裁过程和最终动作，便于回放。
结果
项目交付了可运行 Demo 和完整演示链路。团队记录报告，模拟冲突率从约 30% 降到 5% 以下，试用周期从 14 天缩短到 7 天。这些数字是团队项目资料中的结果，不作为已经在真实生产环境复现的业务指标。
我带走的经验
多 Agent 系统的价值不在 Agent 数量，而在职责边界、确定性工具、冲突协议和可审计性。没有这些约束，协作很容易变成多个模型同时输出意见。
配置公开站点的 Giscus 环境变量后，这里就会出现讨论区。