面向生成式 AI 的电商架构：API、数据与 JSON

在本文中，您将找到关于电商架构向为智能代理设计的系统转型的分析，这需要从仅针对前端构建的结构转向。您将学习如何创建“AI 就绪”的产品数据和 JSON 架构，以最大限度地降低模型产生幻觉的风险，以及如何优化用于 RAG 系统的 API。您还将了解 Semly 中间件层的作用，该层标准化数据，使您能够快速部署 AI 功能，同时控制成本和安全性。

为什么在生成式 AI 下需要改变网店架构？

生成式 AI 正在推动电商后端思维的转变，从“面向前端的 API"转向“面向智能代理的 API"方法。

新型 API 消费者

您的 API 不仅将被您的店面或移动应用消费，还将被以下系统消费：

产品聊天机器人 (RAG, AI 代理)

推荐与个性化层 (LLM 作为编排器)

内容生成管道 (异步 AI 工作者)

具有语言层的分析工具。

关键变化

这些新组件期望数据更具语义性、分类学一致且以事件驱动（事件序列而非聚合数据）。

Semly 在此变化中的作用

Semly 充当您的商店与生成式模型之间的中间层。它标准化产品和事件数据，管理提示、缓存和模型成本，使开发人员能够专注于商店的领域逻辑，而不是与 LLM 集成的细节。

生成式 AI 对电商架构提出了哪些要求？

AI 与数据需求的关键用例对比

产品聊天机器人： 它需要完整的产品数据、库存可用性、定价和用户上下文。
语义搜索引擎： 它需要丰富的描述以及一个允许过滤和排序的搜索 API。
来自 LLM 的建议： 他们需要结构化的行为事件（浏览、加入购物车、购买）。

高质量 AI 所需的数据类型

产品数据 （ID、文本、技术属性、营销、SEO、多媒体、关系）。

事件数据 （GA4 标准：浏览商品、加入购物车、开始结账、购买）。

上下文数据 （入口渠道、位置、业务约束）。

生成式 AI 下的商店 API 设计

AI 语境下的 REST 与 GraphQL

“AI 就绪”架构通常结合这两种方法：

REST: 非常适合目录导出和批量处理（ETL 到向量索引）。
GraphQL： 允许您在按需提示中下载所需的精确字段。

面向 AI 的示例 GET /api/products/{id} 响应：

{
"id": "product-uuid",
"sku": "TRAIL-001",
"slug": "trail-running-shoes",
"title": "Trail Running Shoes",
"brand": "Acme Sports",
"attributes": {
"terrain": "trail",
"cushioning": "high",
"weight_g": 280
},
"price": {"amount": 92.76, "currency": "EUR"},
"availability": "in_stock"
}

生成式 AI 下的产品数据

规范化与分类法

为了让 AI 做出有意义的推断，数据必须保持一致。从 schema.org/Product 标准和 Google Merchant Center 规范中汲取灵感是值得的。

一个符合 schema.org 精神的模型示例：

{
"@context": "https://schema.org/",
"@type": "Product",
"name": "Running Shoes Blue",
"brand": {"@type": "Brand", "name": "Acme Sports"},
"offers": {
"@type": "Offer",
"priceCurrency": "EUR",
"price": "69.51"
}
}

与 AI 模型进行数据交换的 JSON 结构

购物车和用户会话的 JSON

购物车为聊天机器人提供了关键上下文：

{
"cart_id": "cart-123",
"items": [{
"product_id": "TRAIL-001",
"quantity": 1,
"unit_price": 92.76
}],
"total": 92.76,
"currency": "EUR"
}

用户事件 JSON

遵循 GA4 模型，采用通用格式：

{
"event_type": "view_item",
"occurred_at": "2026-01-12T10:05:00Z",
"ecommerce": {
"items": [{"item_id": "TRAIL-001", "price": 92.76}],
"currency": "EUR"
}
}

事件和用户行为历史层

如果您通过 GA4、Segment 或 Snowplow 收集事件，您已经有了基础。对于 AI，事件用于个性化响应和检测意图。

“将事件作为一等架构公民——将其保存在事件存储或批发商（如 BigQuery 或 Snowflake）中。”

生成式 AI 的实际集成

架构模式

微服务 AI： 他负责与 LLM 集成和提示词准备。

中间件/BFF： 前端与 BFF 通信，BFF 结合来自商店 API 和 AI 的数据。

事件驱动的 AI 工作者： 在“ProductCreated"事件后异步生成描述。

安全性和成本

注意

在提示词中屏蔽个人信息，并使用激进的输入过滤来降低 Token 成本。

Semly 如何支持开发者？

Semly 通过提供以下内容来解决集成挑战：

数据标准化： 将结构（Shopify、Magento）映射到“AI 就绪”模型。
成品 API 层： 聊天机器人和推荐功能的端点。
质量控制： 查询缓存和监控机制。

面向开发者的常见问题解答

如何在现有的 SaaS 平台（例如 Shopify、Shopware）上开始实施？

应使用现有的 API（REST 或 GraphQL）来高效导出产品目录并流式传输事件。关键步骤是识别产品数据中的差距，例如描述不佳或缺少技术属性，并计划填补这些差距。不建议直接将前端链接到 LLM 模型，而是建议添加中间层，例如 Semly。

如果数据不完整或不一致怎么办？

AI 可以用自然语言“填补空白”，但绝不能依赖它来提供技术参数或兼容性等事实信息。最安全的策略是仅使用 AI 基于已验证的技术数据来丰富描述。在提示词中，必须明确禁止模型“猜测”——如果未在来源中找到相关信息，它必须公开沟通信息的缺失。同时，应在源头投资数据质量，例如在 PIM 系统中。

是否需要单独的数据仓库和功能存储才能开始？

在起步阶段，这并非必要——您可以直接将产品目录和事件的简单导出发送到 Semly 或您选择的 AI 服务。然而，数据仓库和功能存储在解决方案的扩展阶段变得至关重要，此时需要结合多个来源的数据、构建高级混合推荐或同时服务多个品牌和市场。

如何将产品数据迁移到新的 JSON 结构？

建议在现有数据模型和目标标准化“AI 就绪”模式之间创建映射层。此过程可以逐步进行——映射最初可以是部分的，数据可以通过每日商品管理流程或基于可用属性生成缺失描述的自动化 AI 流程依次丰富。

总结

在网店成功实施生成式人工智能是一个超越简单聊天机器人集成的过程。它需要对系统如何与算法“交流”进行根本性的重塑，将重点从视觉呈现转移到精确的数据结构上。

以下是现代电子商务架构的关键支柱：

语义 API（REST 和 GraphQL）：基础是摒弃仅面向前端设计的接口。架构必须提供端点，为 LLM 模型提供完整的业务上下文，而无需不必要的信息噪音。GraphQL 在此成为关键工具，允许将精确的字段集（例如仅技术属性和可用性）直接拉入提示词。
丰富且标准化的产品数据：AI 模型最适合处理符合 schema.org 或 Google Merchant Center 等标准的结构化数据。完整的产品模型不仅应包含营销描述，更重要的是应包含类型化的技术属性（例如重量、功率、兼容性）以及具体益处和用途的列表。
结构化事件（Events）：用户行为数据（浏览、加入购物车、购买）不再仅仅是分析用的原始日志，而成为个性化的燃料。这些事件结合会话历史，使 AI 能够准确检测客户的购买意向。

来源：