过了个五一，在想一整个应用的系列！目前想到是一个是做，关于商品商业环境的实践，本期用kimi从供应商视角进行观察！
看效果
话原理
从供应商的网站，我们可以拿到比如商品，成交量，价格的变动，供应商的评价，然后，评价则价值不大（因为数据很少，相关的买家也不愿意过多评价）.
这里我们可以定期抓取供应商的某品类商品数据，从而对供货市场的变动进行感知！
本次的实践没有包含供应商的原材料的再洞察，后续逐一完善
来实践
1、适用抓取工具比如Instant Data Scraper工具抓取供应商（1688）商品数据
2、然后，CSV转为yaml文件
3、创建prompt文件
主要部分如下
-单品洞察
1.热销商品top2
商品标题、价格、成交量
2.复购商品Top2
商品标题、价格、成交量、复购率
3.新品Top2
日期、商品标题、价格、成交量
-特征洞察
参数1 参数1值
-供应商Top2观察
应商名,综合评价得分,其他分项得分
-趋势洞察
1.价格变动
1）涨价Top2
价格变动值、变动后价格、变动前价格、商品标题、价格、成交量、成交量
2）降价Top2
价格变动值、变动后价格、变动前价格、商品标题、价格、成交量、成交量
2.参数特征变动
参数1 参数1值
4、调用kimi大模型来输出我们想要的关注
from openai import OpenAI
import pandas as pd
client = OpenAI(
api_key="xxx",
base_url="https://api.moonshot.cn/v1",
)
def read_prompt(filename):
with open(filename, 'r') as file:
return file.read()
def generate_insights(prompt):
completion = client.chat.completions.create(
model="moonshot-v1-8k",
messages=[
{"role": "system", "content": "你是商品洞察分析师"},
{"role": "user", "content": prompt}
],
temperature=0.3,
)
# 将ChatCompletionMessage对象转换为字符串
return str(completion.choices[0].message)
if __name__ == "__main__":
# 读取prompt文件
filename_prompt = 'prompt.txt' # 修改为你的prompt文件路径
prompt = read_prompt(filename_prompt)
# 使用Kimi生成洞察报告
insights_report = generate_insights(prompt)
# 将结果输出到文件
with open('insights_report.txt', 'w') as file:
file.write(insights_report)
print("洞察报告已生成并保存到 insights_report.txt 文件中。")
写在最后
经过这个demo的小实践会发现大模型在处理这种大批量的数据还是存在不适，其实如上的大多数统计都是数字类的，可以直接调用python进行统计效率更高；而对于文本类涉及到理解的，则调用大模型来工作效果会更好！
过了个五一，整个节奏都变化了！对我来讲，回家的路上老爸给我讲了不少触动我的，尤其是身边一些了不起人，Respect！我开始思考自己要成为什么样的人！我终于花了时间去思考了！
这几天已经尝试去按照target person去，，不过显示中还是很难！相信云卷云舒后，我们终将成为我们自己！
