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！