电商导购智能体部署体验：开启智能购物新时代 - 文章 - 开发者社区

Agent 简介

在这个信息爆炸的时代，网上购物已经成为人们生活中不可或缺的一部分。然而，面对众多的电商平台和海量的商品信息，消费者往往陷入选择困难。为了帮助用户更高效地找到心仪的商品，我开发并部署了一个电商导购智能体。这个智能体基于 Bright Data MCP 工具，具备实时商品价格、评分、评论分析以及多平台比价功能。它能够精准地从各大电商平台（如 Amazon）抓取商品数据，并根据用户的个性化需求推荐最合适的商品，为用户节省时间和精力。

Agent 创作构思

创作背景

在创建电商导购智能体之前，我观察到消费者在网上购物时面临的诸多痛点。一方面，用户需要在多个平台之间来回切换，手动比较商品的价格和评价；另一方面，面对海量的商品信息，用户难以快速筛选出真正符合需求的优质商品。为了解决这些问题，我决定打造一个能够整合多平台电商数据、智能分析并推荐商品的智能体。

功能设计

我为电商导购智能体设计了以下核心功能：

多平台商品信息抓取通过 Bright Data MCP 工具，智能体可以从各大电商平台（如 Amazon、Facebook Marketplace 等）抓取商品数据，涵盖价格、评分、评论等关键信息。
实时数据分析对抓取到的商品数据进行实时分析，包括价格波动监测、评分统计以及评论情感分析，为用户提供个性化的购物建议。
多平台比价整合多平台的商品价格信息，为用户找到性价比最高的商品选项。
个性化推荐根据用户的偏好、购买历史以及搜索记录，智能体能够为用户提供了一个更加精准的商品推荐。

工具介绍

亮数据

Bright Data MCP 服务器将我们的 AI 连接到 Web 的终极 MCP 工具，具有实时网络数据抓取功能，以下使其功能的详细介绍：

搜索和基本抓取：可通过 “search_engine” 功能从 Google、Bing 或 Yandex 抓取搜索结果；“scrape_as_markdown” 和 “scrape_as_html” 能分别抓取网页并以 Markdown、HTML 格式获取结果；“session_stats” 可查看当前会话期间的工具使用情况。
结构化数据提取：支持从多个平台提取特定数据，如 “web_data_amazon_product” 可提取亚马逊商品详情，“web_data_amazon_product_reviews” 能获取亚马逊商品评论，此外还涵盖领英、Zoom、Instagram、Facebook 等平台数据提取功能。
浏览器自动化：具备 “scraping_browser_navigate” 导航至 URL，“scraping_browser_go_back”“scraping_browser_go_forward” 浏览浏览器历史记录等功能，还可实现点击元素、获取页面链接、输入文本、等待元素出现、截取屏幕截图以及获取页面内容等操作。

应用场景

市场研究：实时抓取市场数据，分析消费者趋势、竞争对手策略及产品更新等，助力制定有效市场措施。
股价分析：快速获取公司股价信息，为投资决策提供参考。
新闻采集：实时收集新闻信息，及时提供最新报道。
天气预测：获取地区 7 天天气预报。
数据聚合：从多来源收集数据，进行综合分析。

Trae

Trae 是字节推出的一款 AI 原生 IDE，功能强大。它能端到端代码生成，用户用自然语言描述就能生成完整项目框架，包括前后端代码和数据库连接。其亮点在于智能编程辅助，可实时补全代码、修复 Bug、解释代码，还能多模态协作，比如海外版能根据图片生成代码，国内版擅长深度上下文感知，关联项目文件精准问答与优化代码。它适配多种模型，开发环境集成度高，有动态上下文补全、智能问答、上下文引用等功能。适用业务开发、技能提升、快速原型设计、自由职业者交付、教育培训等多个场景，能大幅提升开发效率，尤其适合新手和效率追求者。

本次智能体就在Trae上搭建。

技术实现原理

数据抓取

我运用 Bright Data MCP 工具的 “search_engine” 功能，从 Google、Bing 等搜索引擎抓取与用户需求相关的商品搜索结果。同时，使用 “web_data_amazon_product” 和 “web_data_facebook_marketplace_listings”等功能，从 Amazon 和 Facebook Marketplace 等平台直接抓取商品数据。这些功能使我能够获取到商品的价格、评分、评论等详细信息。

数据处理与分析

在抓取到数据后，我利用 Python等工具对数据进行清洗和整理。通过情感分析算法，我对商品评论进行分析，识别出商品的优点和缺点。同时，我对价格数据进行分析，识别价格波动和趋势。

个性化推荐

基于用户的输入和历史交互数据，我构建了一个推荐引擎。这个引擎结合了协同过滤和基于内容的推荐算法，能够根据用户的偏好和行为模式提供个性化的商品推荐。

添加MCP

1、环境安装

安装nodejs教程如下

在win10/11下Node.js安装配置教程_win11 node.js 安装-CSDN博客

2、创建Bright Data账户

打开链接进去注册登录

3、获取个人API秘钥

4、创建浏览器API

复制身份验证字符串

5、修改配置文件

配置文件如下：

{
  "mcpServers": {
    "Bright Data": {
      "command": "npx",
      "args": ["@brightdata/mcp"],
      "env": {
        "API_TOKEN": "",
        "WEB_UNLOCKER_ZONE": "",
        "BROWSER_ZONE": "",
        "BROWSER_ZONE": "",
    		"RATE_LIMIT": ""
      }
    }
  }
}

其中环境变量需要修改填写，环境变量的含义如下：

API_TOKEN ：需要替换为实际的 API 密钥，这是用于身份验证的关键信息，让服务器能够识别和验证与 Bright Data 服务通信的请求来源，确保只有授权的用户或服务可以访问相关资源。
WEB_UNLOCKER_ZONE ：可选配置项，用于覆盖默认的 mcp_unlocker 区域名称。如果要自定义解锁器所在区域（zone），可以在此指定具体的名称，以便更好地管理和组织不同的解锁任务或对特定区域的资源进行解锁操作。
BROWSER_ZONE ：第一个出现的 BROWSER_ZONE 是用于开启远程浏览器控制工具的功能开关，当设置该变量时，表示要启用相关工具来控制远程浏览器。第二个 BROWSER_ZONE 则是可选的浏览器区域名称，用于自定义浏览器所在的区域，默认为 “mcp_browser”，可以根据实际需求指定特定名称，以便更精准地管理和配置浏览器相关资源和操作。

下面是我简单设置了一些必要变量，可选的我都设置默认了，可以参考一下。

其中BROWSER_AUTH是填写身份验证字符串，API_TOKEN是填写个人API秘钥

{
  "mcpServers": {
    "Bright Data": {
      "command": "npx",
      "args": [
        "@brightdata/mcp"
      ],
      "env": {
        "API_TOKEN": "a9cf0fb92d24dd711fb273172eebd44e703c8c0",
        "BROWSER_ZONE": "mcp_browser",
        "BROWSER_AUTH": "brd-customerng_browser2"
      }
    }
  }
}

6、添加MCP工具

打开Trae后，点击右侧的设置，点击智能体

创建智能体

同样的，在这里点击智能体

下面是我的提示词，可以参考。

一、智能体角色
你是一位专业、智能的电商导购助手。能够运用 Bright Data MCP 工具，从各大电商平台（如 Amazon）抓取商品数据，包括实时价格、评分、评论等信息，同时支持多平台比价。你的目标是根据用户的个性化需求，推荐出最适合的商品，帮助用户做出明智的购物决策。
二、语气要求
专业且可信 ：使用准确的电商相关术语，展现对商品信息的精准把握，让用户感受到你的专业性，增强信任感。
友好且亲切 ：保持热情、友好的语调，像朋友一样为用户提供良好的购物建议，提升用户体验。
清晰且简洁 ：避免冗长复杂的表述，突出重点信息，使用户能快速获取关键内容。
三、工作流
用户需求分析阶段 ：
与用户交流，询问其购物偏好、预算范围、商品类型等关键信息。
通过对话深入了解用户的潜在需求，例如对商品品牌、功能、外观等方面的特殊要求。
商品数据抓取阶段 ：
运用 Bright Data MCP 工具的 “search_engine” 功能，从 Google、Bing 等搜索引擎抓取与用户需求相关的商品搜索结果。
利用 “web_data_amazon_product” 等功能，从 Amazon 等电商平台抓取商品的详细数据，涵盖价格、评分、评论等信息。
同时，触发其他相关功能，如抓取商品的用户评价（web_data_amazon_product_reviews）以获取更多参考信息。
数据分析与筛选阶段 ：
对抓取到的商品数据进行整合分析，依据用户需求对商品进行筛选，例如按价格排序、按评分筛选等。
深入分析商品评论，挖掘用户反馈中的关键信息，辅助判断商品的优缺点。
多平台比价阶段 ：
利用 MCP 工具的多平台抓取能力，获取不同电商平台上同款或相似商品的价格信息。
进行比价分析，找出性价比最高的商品选项。
商品推荐阶段 ：
基于以上分析，为用户推荐最适合的商品，详细呈现商品的关键信息，如价格、平台、评分等。
提供商品的购买链接，方便用户直接查看商品详情并购买。
后续反馈与优化阶段 ：
关注用户的反馈，了解用户对推荐商品的满意度。
根据用户反馈，调整抓取和分析策略，优化推荐结果。
四、工具偏好
Bright Data MCP 工具 ：
倾向于使用 “search_engine” 功能从各大搜索引擎获取商品相关的广泛信息。
针对 Amazon 平台，优先使用 “web_data_amazon_product” 和 “web_data_amazon_product_reviews” 获取精准的商品及评论数据。
借助 “web_data_facebook_marketplace_listings” 等功能，拓宽商品信息来源，实现多平台数据抓取。
数据处理与分析工具 ：
五、规则规范
数据准确性 ：
必须确保从电商平台抓取的数据准确无误，及时更新商品的实时价格、库存等动态信息，避免为用户提供最准确的商品推荐。
推荐合理性 ：
推荐的商品需紧密贴合用户需求，综合考虑价格、质量、评分等多维度因素。
避免推荐与用户需求明显不符或评价极差的商品。
推荐透明性 ：
向用户明确推荐逻辑，如推荐是基于价格优势还是评分优先等因素，提升推荐的透明度和可信度。

六、总结

从技术实现角度来看，数据抓取、处理分析以及个性化推荐等各个环节紧密配合、相得益彰。Bright Data MCP 工具的丰富功能为我们获取高质量商品数据提供了有力保障，Python 等工具的深加工又让数据更具价值，推荐引擎则真正实现了因人而异的精准匹配。整个技术架构的稳定性和高效性在实际运行中得到了初步验证。