Codex-generated pull request

ANALYSIS_REPORT.md

@@ -0,0 +1,181 @@
+# 诸葛选品仓库分析与优化建议（v1）
+
+## 1. 仓库现状概览
+
+### 1.1 技术结构
+- 后端：`Express` 单文件服务（`server.js`），包含：
+  - 20 个固定品类库（内存常量）
+  - 固定行动清单（内存常量）
+  - 固定风险预警（内存常量）
+  - 简化版财务预测逻辑
+- 前端：`React + Vite`，核心页面在 `frontend/src/App.jsx`，通过 `step` 状态驱动 4 步流程。
+
+### 1.2 核心流程（当前）
+1. 输入预算与渠道（Step 1）
+2. 从固定 20 个品类中选择（Step 2）
+3. 场景选择（保守/正常/激进）
+4. 展示 3 个月预测 + 行动按钮（Step 4）
+
+> 备注：Step 3 在当前代码中实际几乎被“直达 Step 4”路径绕过（选品后立即请求预测并跳转结果），因此交互设计与代码行为存在偏差。
+
+---
+
+## 2. 针对你提出的 3 个核心问题的代码级诊断
+
+## 问题 1：选品逻辑单一，缺乏“交互型选品”
+
+### 2.1 现状证据
+- 品类数据完全由后端静态数组提供，固定 20 条，且无动态来源。  
+- 前端 Step 2 直接全量展示并点击选中，无追问、无偏好收集、无约束过滤解释。  
+- 后端虽然有 `/api/categories/filter`，但前端并未调用，导致筛选能力未被产品化。  
+
+### 2.2 影响
+- 用户路径是“浏览式选品”而非“引导式决策”。
+- 不同类型用户（新手/有货源/有店铺数据）无法走差异化策略，推荐结果同质化。
+- 缺少“为什么推荐这个品”的可解释性与信任感。
+
+### 2.3 优化建议（优先级 P0）
+1. 新增“交互问答式选品”层（建议 6~8 个关键问题）：
+   - 预算区间、仓配能力、客单价偏好、供货稳定性、平台偏好、内容能力、可接受回本周期等。
+2. 规则 + 打分模型双轨：
+   - 规则层先做硬过滤（禁运、资质、体积重量、起订量约束）。
+   - 打分层计算 `category_score = demand * margin * supply_stability * competition_penalty * channel_fit`。
+3. 前端将 Step 2 改为：
+   - 「AI 追问面板」+「候选池动态缩小」+「推荐理由卡片（3 条证据）」。
+4. 使用已存在的 `/api/categories/filter` 作为第一阶段过渡方案，快速实现“渠道/风险/预算区间”筛选。
+
+---
+
+## 问题 2：search/RPA 能力弱，数据雷同，榜单/评论/成交/商品资产分析不足
+
+### 2.1 现状证据
+- README 声称“真实数据搜索 + 模型总结”，但当前仓库未见任何实时抓取、ETL、数据库或任务调度实现。
+- 所有核心业务数据均为代码内静态常量；无时间戳、无数据来源、无置信度分级。
+- 财务预测以固定比例拆分成本、使用品类最低供货价与固定毛利区间估算，模型过于理想化。
+
+### 2.2 影响
+- 数据“同质”且不可追溯，难以用于真实投产决策。
+- 缺少平台横向比较（1688/淘宝/TEMU）和纵向趋势（周/月）能力。
+- 缺少评论语义（痛点、质量问题、退货原因）与竞品资产（SKU、价格带、投放）分析。
+
+### 2.3 优化建议（优先级 P0/P1）
+
+#### P0：先建立数据基础设施（2~3 周）
+1. 数据分层：
+   - `raw`：原始抓取（榜单、搜索结果、商品详情、评论）
+   - `feature`：衍生特征（价格带、销量估算、关键词密度、差评主题）
+   - `serve`：选品接口聚合视图
+2. 最小化数据模型（建议）
+   - `platform_products`（平台、类目、价格、销量、评分、店铺等级、更新时间）
+   - `product_reviews`（星级、内容、情绪、主题标签、时间）
+   - `category_daily_metrics`（类目热度、竞争度、利润率估计、上新速度）
+3. 增加“数据新鲜度标记”
+   - 每个推荐卡片显示：`source_count`、`updated_at`、`confidence_score`。
+
+#### P1：增强 Search 与 RPA（3~6 周）
+1. Search 升级为“多源检索 + 去重 + 重排”
+   - 查询改写（同义词/平台术语）
+   - 结果去重（标题 + 图像哈希）
+   - 重排特征（销量势能、利润空间、竞争密度）
+2. RPA 升级为“任务编排”
+   - 任务队列 + 失败重试 + 频控 + 反爬策略
+   - 结果审计日志（便于复盘与合规）
+3. 评论分析最小闭环
+   - 情感分类 + 主题聚类（材质、尺码、耐用性、物流、售后）
+   - 输出“高频差评雷区”与“可优化卖点”。
+
+#### P1：财务预测模型升级
+- 由固定成本比例改为“品类参数化模型”：
+  - 采购成本受 MOQ/阶梯价影响
+  - 物流受体积重与跨仓策略影响
+  - 推广费受渠道与竞争度动态影响
+- 输出 P10/P50/P90 三分位，而非单一场景值。
+
+---
+
+## 问题 3：整体交互不友好，行动阶段使用 alert 弹窗
+
+### 3.1 现状证据
+- 行动清单展示使用浏览器 `alert`，导致信息密度低、可读性差、无法二次操作。 
+- Step 3 逻辑与界面意图不一致（选品后直接生成预测并跳 Step 4）。
+- 页面大量内联样式，状态和展示耦合，后续迭代成本高。
+
+### 3.2 影响
+- 用户完成“预测 → 执行”的关键转化路径体验中断。
+- 复杂信息（行动计划、风险、复盘）无法沉淀为可执行任务。
+- 无法支持“保存计划、导出、继续编辑”等业务需求。
+
+### 3.3 优化建议（优先级 P0）
+1. 移除 `alert`，改为“右侧抽屉 / 模态 + 任务清单组件”
+   - 支持勾选、备注、复制、导出。
+2. 修复流程状态机
+   - Step 2（选品）→ Step 3（选场景）→ Step 4（结果）应严格按状态流转。
+3. 增加结果页“解释层”
+   - 推荐原因、风险来源、关键假设、敏感性分析（如 CPA +10% 时利润变化）。
+4. 组件化重构（中期）
+   - 拆分 `BudgetStep`、`CategoryStep`、`ScenarioStep`、`ForecastPanel`、`ActionChecklistPanel`。
+
+---
+
+## 3. 建议的目标架构（可落地）
+
+## 3.1 后端服务拆分
+- `selection-service`：选品策略与打分
+- `data-service`：多平台数据采集与特征计算
+- `forecast-service`：财务与风险模型
+- `task-service`：行动计划、执行追踪、复盘
+
+## 3.2 数据与任务
+- 数据库：PostgreSQL（结构化）+ Redis（队列/缓存）
+- 调度：Cron + 队列 worker
+- 观测：接口日志、任务成功率、数据时效监控
+
+## 3.3 API 设计升级（示例）
+- `POST /api/selection/session`：创建交互式选品会话
+- `POST /api/selection/session/:id/answer`：提交回答并返回下一问与候选池
+- `GET /api/selection/session/:id/recommendations`：返回 TopN + 解释
+- `GET /api/insight/category/:id`：榜单、评论、成交趋势、竞品画像
+- `POST /api/forecast/simulate`：参数化模拟（含敏感性分析）
+
+---
+
+## 4. 12 周优化路线图（建议）
+
+### 阶段 A（第 1-2 周，必须先做）
+- 去 `alert`，改可交互任务面板。
+- 修复 Step 流程状态机。
+- 前端接入 `/api/categories/filter`，形成基础筛选。
+- 给每个推荐结果增加“推荐依据”占位字段。
+
+### 阶段 B（第 3-6 周，数据能力）
+- 建立最小数据仓与采集任务。
+- 引入评论主题分析与差评雷区识别。
+- 将静态品类库升级为数据库表并定期更新。
+
+### 阶段 C（第 7-12 周，策略能力）
+- 上线交互式选品问答流。
+- 上线多源 search 重排。
+- 上线 P10/P50/P90 财务模拟与风险敏感性分析。
+
+---
+
+## 5. 建议跟踪指标（上线后必须监控）
+
+- 业务指标：
+  - 推荐点击率、选品转化率、执行计划启用率、30 天复访率
+- 数据指标：
+  - 数据新鲜度（小时）、抓取成功率、去重率、评论覆盖率
+- 模型指标：
+  - 推荐满意度、预测误差（MAPE）、风险预警命中率
+- 体验指标：
+  - 首屏耗时、关键路径完成时长、弹窗/中断率
+
+---
+
+## 6. 一句话结论
+
+当前仓库已具备“演示型 MVP”雏形，但距离“可用的电商选品决策工具”还差三步：
+1) 交互式决策流，
+2) 可追溯的数据底座，
+3) 可执行的任务化体验。  
+建议先完成 P0（流程与交互修复 + 最小筛选 + 解释层），再投入 Search/RPA 与数据资产建设。

README.md

@@ -24,6 +24,21 @@ npm start
 - `POST /api/financial-forecast` - 生成财务预测
 - `GET /api/action-checklist` - 获取行动清单
 - `GET /api/risk-warnings` - 获取风险预警
+- `POST /api/search/live` - Tavily 实时搜索
+- `POST /api/search/rerank` - 搜索结果重排（支持 `provider=mock|tavily`）
+- `POST /api/rpa/tasks` - 创建 RPA 编排任务（支持 `provider=mock|tavily`）
+- `GET /api/data/quality` - 数据质量与新鲜度指标
+
+
+### Tavily 实时搜索配置
+
+在运行服务前配置环境变量：
+
+```bash
+export TAVILY_API_KEY=your_tavily_key
+```
+
+未配置时，Search/RPA 会回退到 mock provider。
 
 ## 部署到 Zeabur