豆包接淘宝开放平台：自然语言查询店铺数据集成实战

这次我们来看一个非常贴近电商实际需求的项目选题：怎么把豆包接到淘宝店铺后台，用自然语言直接“问”出店铺数据。

先说清楚一件事：豆包本身不是一个专门的电商 BI 工具，但豆包的能力在于理解自然语言、生成查询逻辑、调用接口、给你返回可读结果。淘宝店铺的数据也不会主动暴露给任意大模型，正规做法是走淘宝开放平台提供的商家接口。所以，这个项目的本质是：用豆包大模型接口作为语义理解入口，用淘宝开放平台作为数据源，自己写一个轻量服务把两者串起来，再输出成表格、图表或摘要。

换句话说，这既是一次大模型 API 与电商开放平台的数据集成实践，也是一条把“AI 对话”变成“店铺数据分析工具”的落地方案。如果你手头有淘宝店，或者正在做电商数据相关开发，这篇文章可以直接收藏。

文章会带你完整走一遍：需要什么环境、怎么拿到豆包和淘宝的接口凭证、整体架构怎么设计、核心代码怎么写、如何做自然语言到数据查询的转换、批量任务怎么处理、常见报错怎么排查。

先给出整个方案的快速判断：

• 技术栈以 Python 为主，需要有一点 Flask/FastAPI 基础。
• 豆包接口走 HTTP 调用，不需要本地显卡，也不需要特殊硬件。
• 淘宝数据必须通过商家授权后的开放接口获取，不能抓取他人店铺数据。
• 需要申请淘客/淘宝开放平台应用权限，个人开发者从“商家自用型应用”切入比较合适。
• 核心难点不在豆包接入，而在淘宝接口的权限、字段理解、数据清洗和自然语言转查询逻辑。
• 最终效果可以是命令行脚本、Web 看板，也可以是机器人定时推送。

接下来，按一条完整的技术链路来展开。

1. 核心能力速览

从材料看，豆包目前提供网页版、客户端、API 等多种入口。这里我们选择 API 方式做集成，因为是程序化调用，能真正跑通“AI 自动查数据”这件事。

2. 适用场景与使用边界

2.1 适合谁

这个方案最适合以下三类人：

1. 有淘宝店铺但不懂 SQL 的运营人员：通过豆包对话问“昨天销售额是多少”“哪个商品退款率最高”，系统自动翻译成数据请求并返回答案。
2. 电商代运营或小团队开发：需要给多个店铺做轻量数据看板，又不想每次打开千牛后台逐个看，可以用这套方案把数据服务化和自动化。
3. 大模型应用开发者：想练习大模型 API 与业务数据接口的组合使用，这个项目比单纯做聊天机器人更贴近真实业务。

2.2 能解决什么问题

• 降低数据查询门槛：不再需要记住后台每一个菜单路径。
• 减少重复导出 Excel 的机械操作：批量任务自动拉取订单和商品数据。
• 数据解读从“看数字”变成“看结论”：豆包根据返回数据生成趋势判断、异常提示和行动建议。
• 支持定时提醒：每天早上推送前一天的订单汇总、退款预警。

2.3 不适合什么场景

• 不适合需要实时高并发调用的场景，大模型接口有延迟，单次调用通常在 1 到 5 秒。
• 不适合做非常精细的财务对账，涉及资金流水时，必须依赖淘宝官方导出文件做二次校验。
• 不适合未获得商家授权的数据采集，淘宝接口只允许商家本人或授权服务商访问自己的店铺数据。
• 不适合离线环境，全部依赖云端 API。

2.4 使用边界与合规提醒

这里必须强调边界。淘宝店铺数据涉及商品、订单、客户信息、退款原因等敏感经营数据。接入豆包时，不要把未经脱敏的订单详情直接传到大模型接口做训练。实际设计时，只传递“汇总后的指标数据”，例如总销售额、商品维度汇总、退款率，避免传递买家姓名、电话、详细地址等个人敏感信息。

同时，调用淘宝开放平台接口必须遵守淘宝开放平台开发者协议，只能在授权范围内使用。不得绕过权限获取他人数据，不得将抓取到的数据用于非法用途。涉及客户隐私的内容，发布或商用前要做脱敏和授权确认。

3. 环境准备与前置条件

3.1 操作系统和 Python 环境

推荐使用 Python 3.10 或更高版本。独立开发时建议创建虚拟环境：

python -m venv venv source venv/bin/activate # Linux / macOS venv\Scripts\activate # Windows

创建一个项目目录：

mkdir doubao-taobao-dashboard cd doubao-taobao-dashboard

建议安装以下依赖：

pip install requests openai flask flask-cors pandas openpyxl python-dotenv

说明一下这些库的用途：

• requests：发送 HTTP 请求。
• openai：部分豆包兼容 OpenAI 协议时使用，具体以豆包官方 SDK 为准。
• flask/flask-cors：搭建本地看板服务。
• pandas：处理淘宝接口返回的数据。
• openpyxl：导出 Excel 报表。
• python-dotenv：管理接口密钥，避免硬编码。

如果你的豆包接入方式是标准 OpenAI 兼容接口，openai库可以直接用；如果豆包官方提供了独立 SDK，则优先按官方文档安装。

3.2 获取豆包大模型接口凭证

这一步无法给出全局统一的固定方式，因为接入名称、Endpoint、版本号可能变化。核心需要准备三样东西：

1. 豆包开放平台账号。
2. 创建应用后获得的 API Key。
3. 模型 Endpoint ID 或模型名称。

一般流程是：登录豆包开放平台，在控制台创建应用，选择对话模型，生成接口密钥。保存好API_KEY、API_BASE、MODEL_NAME三个变量。

建议写入.env文件：

DOUBAO_API_KEY=your_doubao_api_key DOUBAO_API_BASE=https://ark.cn-beijing.volces.com/api/v3 DOUBAO_MODEL=your_endpoint_model_name

注意：API_BASE和MODEL_NAME只是示例，实际必须替换成你在豆包控制台看到的真实地址和模型标识。不要照着抄，不同账号、不同区域可能不同。

requests直接调用通用模板大致如下：

import requests import os from dotenv import load_dotenv load_dotenv() url = os.getenv("DOUBAO_API_BASE") + "/chat/completions" payload = { "model": os.getenv("DOUBAO_MODEL"), "messages": [ {"role": "user", "content": "上午好，介绍一下你能做什么"} ] } headers = { "Authorization": f"Bearer {os.getenv('DOUBAO_API_KEY')}", "Content-Type": "application/json" } response = requests.post(url, json=payload, headers=headers, timeout=60) print(response.json())

这个模板只是连通性测试。如果豆包官方提供的 SDK 是独立的，优先用官方 SDK，避免手动处理鉴权细节。

3.3 获取淘宝开放平台接口凭证

淘宝开放平台地址以官方为准。接入前先注册开发者账号，创建应用。个人开发者通常选择“商家自用型应用”。申请通过后，你会在控制台看到：

• App Key
• App Secret
• Session Key（授权后的访问令牌，允许访问指定店铺数据）
• 接口权限列表

这里的关键点是Session Key 必须经过商家授权，不能直接用 App Key 调取任意店铺数据。如果你开发的是自己店铺工具，授权流程相对简单；如果要服务多个店铺，需要走多店铺授权管理，建议把seller_nick、session_key、refresh_token存到数据库，并做好过期刷新。

将淘宝密钥写入.env：

TAOBAO_APP_KEY=your_app_key TAOBAO_APP_SECRET=your_app_secret TAOBAO_SESSION_KEY=your_session_key

务必不要把 App Secret 提交到 Git 仓库，.env文件应该加入.gitignore。

4. 整体架构与接入方式

4.1 系统流程

这个项目的整体数据流可以拆成六个步骤：

1. 用户输入自然语言问题，例如“昨天卖得最好的 5 个商品是什么”。
2. 豆包接口接收问题，结合预设的数据字典，输出结构化的查询意图 JSON。
3. 本地服务解析 JSON，映射到淘宝开放平台的具体 API 方法和参数。
4. 调用淘宝开放平台接口获取店铺数据。
5. 数据清洗后，可以把结果再次交给豆包生成分析摘要。
6. 最终返回给前端，以文本、表格或图表展示。

这里的重点是第二步。豆包不是直接知道淘宝后台的每一个数据字段，而是靠我们提供“数据字段说明”或“工具说明”，它才能知道什么字段对应什么业务含义。

4.2 两种接入模式

第一种是预设指令模式：在系统提示词中写清楚有哪些指标，豆包只负责理解用户语句，输出固定的 JSON 结构，例如：

{ "intent": "query_sales", "date_range": "yesterday", "metrics": ["gmv", "order_count", "refund_rate"] }

本地服务根据intent决定调用淘宝哪个接口。

第二种是动态工具调用模式：把淘宝接口定义成 Function Calling 中的工具，豆包根据用户问题自动选择合适的函数和参数，然后本地服务执行函数。这种方式更灵活，但对豆包的工具描述质量要求更高，调试成本也更高。

对于第一个版本，我建议先用预设指令模式，稳定后再升级到动态工具调用。

5. 编写豆包数据查询服务

5.1 设计系统提示词

系统提示词是这套系统的灵魂。你需要把淘宝接口能力描述清楚，让豆包输出可解析的结构。

示例代码：

system_prompt = """ 你是店铺数据分析助手。你负责把用户的自然语言问题转换成 JSON 查询指令。 目前可用的指标包括： - gmv: 销售额 - order_count: 订单数 - buyer_count: 支付买家数 - refund_rate: 退款率 - refund_amount: 退款金额 日期范围支持： - today: 今天 - yesterday: 昨天 - last7days: 近7天 - last30days: 近30天 - last_month: 上个月 只输出 JSON，不要输出多余文字。格式如下： { "intent": "query_sales 或 query_products", "date_range": "yesterday", "metrics": ["gmv", "order_count"], "top_n": 5, "need_summary": true } """

5.2 调用豆包接口生成意图

写一个函数，输入用户问题，输出意图 JSON：

import json import requests import os def parse_user_question(question: str) -> dict: messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": question} ] url = os.getenv("DOUBAO_API_BASE") + "/chat/completions" payload = { "model": os.getenv("DOUBAO_MODEL"), "messages": messages, "temperature": 0.1, "max_tokens": 300 } headers = { "Authorization": f"Bearer {os.getenv('DOUBAO_API_KEY')}", "Content-Type": "application/json" } resp = requests.post(url, json=payload, headers=headers, timeout=60) resp.raise_for_status() content = resp.json()["choices"][0]["message"]["content"] # 有些模型输出会包含 ```json 代码块，需要清理 content = content.strip().replace("```json", "").replace("```", "").strip() return json.loads(content)

temperature要设置低一点，意图识别任务不希望模型太发散，0.1左右比较稳妥。max_tokens控制在 300 到 500，意图 JSON 通常很短，太大的 token 限制反而可能让模型输出多余内容。

5.3 意图后处理

实际使用中，模型偶尔会输出不规范 JSON。建议加一个兜底解析函数：

def safe_parse_json(text: str, default: dict): try: return json.loads(text) except json.JSONDecodeError: # 尝试截取第一个 { 到最后一个 } start = text.find("{") end = text.rfind("}") if start != -1 and end != -1: try: return json.loads(text[start:end+1]) except json.JSONDecodeError: return default return default

这一层很重要，能避免一次非法 JSON 直接让整个流程崩溃。

6. 接入淘宝店铺数据

6.1 千牛订单数据接口调用示例

淘宝开放平台接口一般使用签名机制，签名算法以官方文档为准。下面是一个简化流程：构建公共参数、拼接业务参数、计算签名、发起请求。

import hashlib import hmac import time import requests import os def generate_sign(params: dict, app_secret: str) -> str: # 淘宝开放平台签名逻辑，需要按官方文档核对 sorted_keys = sorted(params.keys()) base_string = app_secret for key in sorted_keys: base_string += key + str(params[key]) base_string += app_secret return hashlib.md5(base_string.encode("utf-8")).hexdigest().upper() def call_taobao_api(method: str, biz_params: dict) -> dict: app_key = os.getenv("TAOBAO_APP_KEY") app_secret = os.getenv("TAOBAO_APP_SECRET") session_key = os.getenv("TAOBAO_SESSION_KEY") params = { "method": method, "app_key": app_key, "session": session_key, "timestamp": time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()), "format": "json", "v": "2.0", "sign_method": "md5" } params.update(biz_params) sign = generate_sign(params, app_secret) params["sign"] = sign resp = requests.post("https://gw.api.taobao.com/router/rest", data=params, timeout=30) return resp.json()

这一步是真实性风险最高的地方：不同接口的字段名、分页参数、签名细节都不一样，不能照抄这段代码直接上线。正确做法是打开你所申请接口的官方文档，对照真实参数名、签名规则、测试环境和沙箱环境逐步调试。

6.2 日期范围映射

用户问“昨天销售额”，意图解析里date_range是yesterday。本地服务需要把日期转成淘宝接口需要的标准格式。

from datetime import datetime, timedelta def resolve_date_range(date_range: str) -> dict: today = datetime.now().date() if date_range == "today": start = end = today.strftime("%Y-%m-%d") elif date_range == "yesterday": yesterday = today - timedelta(days=1) start = end = yesterday.strftime("%Y-%m-%d") elif date_range == "last7days": start = (today - timedelta(days=7)).strftime("%Y-%m-%d") end = today.strftime("%Y-%m-%d") else: start = (today - timedelta(days=30)).strftime("%Y-%m-%d") end = today.strftime("%Y-%m-%d") return {"start": start, "end": end}

注意：淘宝接口如果限制最长查询区间，例如一次只能查 7 天或 30 天，超过区间就要拆分成多个子查询再合并，这一步需要结合接口文档实现。

6.3 数据清洗与指标计算

淘宝接口返回的原始数据通常是嵌套结构，比如{"orders": {"order": [...]}}。直接用 pandas 做拍平：

import pandas as pd def parse_orders_to_dataframe(raw_response: dict) -> pd.DataFrame: if "error_response" in raw_response: raise RuntimeError(raw_response["error_response"]) order_list = raw_response.get("orders", {}).get("order", []) if not order_list: return pd.DataFrame() rows = [] for order in order_list: row = { "tid": order.get("tid"), "title": order.get("title"), "payment": order.get("payment"), "status": order.get("status"), "created_time": order.get("created"), } rows.append(row) return pd.DataFrame(rows)

payment字段是字符串，要转成浮点数：

if "payment" in df.columns: df["payment"] = pd.to_numeric(df["payment"], errors="coerce").fillna(0)

清洗后就可以计算 GMV、订单量、客单价等指标。

7. 搭建本地 Web 数据看板

7.1 FastAPI 服务

用 FastAPI 或 Flask 暴露一个统一接口。这里以 Flask 为例：

from flask import Flask, request, jsonify from dotenv import load_dotenv load_dotenv() app = Flask(__name__) @app.route("/api/ask", methods=["POST"]) def ask(): data = request.get_json() question = data.get("question", "") if not question: return jsonify({"error": "question is required"}), 400 # 1. 豆包解析意图 intent = parse_user_question(question) # 2. 拉取淘宝数据 date_range = resolve_date_range(intent.get("date_range", "yesterday")) df = fetch_shop_sales(date_range) # 3. 生成摘要 summary = generate_summary(intent, df) return jsonify({ "intent": intent, "data": df.to_dict(orient="records"), "summary": summary }) if __name__ == "__main__": app.run(host="0.0.0.0", port=8900)

fetch_shop_sales和generate_summary需要按实际接口实现，这里只给出调用链路。

7.2 简单前端页面

新建templates/index.html，引入 Chart.js，提供输入框和展示区域。用户输入“昨天销售额”，点击按钮后请求/api/ask，返回结果后渲染成一个卡片列表。前端逻辑不复杂，核心是把summary显示出来，把data渲染成表格。

前端代码不是这个项目最重要的部分，但有一个完整的页面，演示效果会更直观，也方便店主直接使用。

8. 批量任务与定时报表

8.1 为什么需要批量任务

实时调用淘宝接口需要用户等待，而且大模型接口每次都会产生 token 消耗。批量任务更适合每日定时拉取数据，生成日报后只推送最终结论，不每次重新调用豆包。

推荐思路是：

1. 每天凌晨 2 点用定时任务拉取前一天订单数据。
2. 把原始数据落库或存成 CSV。
3. 每天早上 8 点用豆包对前一天数据生成摘要。
4. 把摘要推送到钉钉、飞书或企业微信机器人。

定时任务可以直接用 Linuxcrontab，也可以写一个循环脚本。

import time import schedule def daily_job(): print("开始拉取淘宝数据...") # 拉取订单数据并保存 df = fetch_shop_sales({"start": "2025-01-01", "end": "2025-01-01"}) save_to_csv(df) print("开始生成日报摘要...") summary = generate_summary_from_dataframe(df) # 推送到即时通讯工具 send_notification(summary) schedule.every().day.at("08:00").do(daily_job) while True: schedule.run_pending() time.sleep(60)

需要注意，schedule库不支持跨时区精确调度，如果店铺数据按东八区统计，服务所在服务器一定也要用东八区配置。避免在容器或云服务器上出现时区偏移，导致“昨天”的统计口径不对。

8.2 批量拉取时的分页问题

淘宝接口一般有分页限制，比如一次最多返回 100 条。批量任务必须做分页循环：

def fetch_all_orders(start_date: str, end_date: str, page_size: int = 100): all_orders = [] page_no = 1 while True: raw = call_taobao_api( "taobao.trade.sold.get", { "start_created": start_date, "end_created": end_date, "page_no": page_no, "page_size": page_size } ) orders = parse_orders_to_dataframe(raw) if orders.empty: break all_orders.append(orders) if len(orders) < page_size: break page_no += 1 # 防止死循环 if page_no > 100: break final_df = pd.concat(all_orders, ignore_index=True) if all_orders else pd.DataFrame() return final_df

这里加了page_no > 100的兜底，防止淘宝接口异常时一直循环拉不到尽头。

8.3 失败重试策略

批量任务中网络超时是常态。建议加指数退避重试：

import time from requests.exceptions import RequestException def call_with_retry(func, retries=3, backoff=2, **kwargs): for i in range(retries): try: return func(**kwargs) except RequestException as e: print(f"第 {i + 1} 次请求失败: {e}") if i == retries - 1: raise time.sleep(backoff ** i)

重试只对网络异常有效，如果淘宝接口返回业务错误码，例如“签名错误”“参数缺失”，重试也没有意义，这时候应该记录错误日志并人工排查。

9. 接口 API 调用示例与功能测试

9.1 启动服务

假设你已经把上面几个模块整合成一个app.py，启动方式：

python app.py

看到如下输出说明服务运行正常：

* Running on http://127.0.0.1:8900

9.2 用 curl 测试对话接口

打开另一个终端，发送请求：

curl -X POST http://127.0.0.1:8900/api/ask \ -H "Content-Type: application/json" \ -d '{"question": "昨天销售额是多少"}'

预期返回结构大致如下：

{ "intent": { "intent": "query_sales", "date_range": "yesterday", "metrics": ["gmv", "order_count"], "top_n": 5, "need_summary": true }, "data": [ { "tid": "1234567890", "payment": 199.0, "status": "TRADE_FINISHED" } ], "summary": "昨日销售额约为199元，共1笔订单。" }

这里的summary是第二次调用豆包大模型生成的文本摘要。第一次调用负责意图解析，第二次调用负责数据解读，两阶段模式比一次性输出更稳定。

9.3 功能测试清单

9.4 常见失败原因

• 豆包接口返回鉴权失败：API Key 无效或模型名称错误。
• 淘宝接口返回Invalid Session：Session Key 过期，需要重新授权。
• 签名错误：公共参数和签名算法与文档不一致。
• 数据为空：店铺在所选日期区间内没有订单，或者接口权限未开通对应字段。
• 意图解析输出非法 JSON：清理代码块标记，并加入兜底默认值。

10. 资源占用与性能观察

10.1 服务器资源

这个项目有一个明显优势：不依赖本地 GPU，所有 AI 推理都在云端完成。真正吃资源的是淘宝数据拉取和本地服务并发量。

• 单机小服务：仅需 1 核 CPU、2G 内存即可跑通。
• 如果每天只跑定时任务，内存占用通常不超过 300MB。
• 如果做 Web 看板，建议 2 核 4G 以上，方便多个店铺同时查询。
• 磁盘空间主要消耗在历史数据缓存，建议定期清理超过 90 天的 CSV 文件。

10.2 延迟分析

影响响应时间的三个环节：

1. 豆包意图解析：1 到 3 秒。
2. 淘宝接口拉取数据：0.5 到 3 秒，取决于数据量和接口响应速度。
3. 豆包摘要生成：1 到 3 秒。

所以一个完整问答链路的总时长通常在 3 到 9 秒之间。如果发现耗时过长，优先排查淘宝接口是不是超时或分页太多，其次再检查豆包调用参数。

10.3 成本控制建议

成本主要集中在豆包 API token 消耗和淘宝接口调用频次。建议：

• 意图解析阶段max_tokens不需要太高，300 以内即可。
• 摘要生成阶段可以控制在 500 以内。
• 对同一个店铺的重复查询，加上 Redis 缓存，例如相同问题 10 分钟内直接返回缓存结果。
• 批量报表固定每天一次，训练一个固定模板，避免每天消耗大量 token。

可以用一个简单字典做内存缓存：

cache = {} def get_cached_result(key: str, ttl: int = 600): if key in cache: timestamp, value = cache[key] if time.time() - timestamp < ttl: return value return None def set_cached_result(key: str, value): cache[key] = (time.time(), value)

11. 常见问题与排查方法

这里面最容易踩的坑是签名。淘宝开放平台签名逻辑虽然不难，但容错率很低，一个参数顺序不对，整个请求就失败。强烈建议直接使用淘宝官方提供的 Python SDK，不要去手写签名，能少踩很多坑。

12. 最佳实践与使用建议

12.1 第一次开发不要贪大

第一版只做一件事：让用户能问“昨天销售额是多少”，系统能返回一个数字。不要一开始就做图表、多店铺、定时任务和消息推送。先把这条最核心的链路跑通，再把其他功能逐步加上。

12.2 数据字典先行

豆包能否准确理解用户意图，取决于你提供的数据字段说明是否清晰。建议单独维护一个data_dict.md，里面写明每一个指标的计算口径：

- gmv: 支付金额总和，单位元，保留两位小数。 - order_count: 支付订单数量，已关闭订单不计入。 - refund_rate: 退款金额占比，= refund_amount / gmv。

把这份数据字典写进系统提示词中，豆包才会知道“退款率”到底是“退款笔数占比”还是“退款金额占比”。

12.3 敏感数据脱敏

不管是传给豆包做摘要，还是存到本地数据库，都要做脱敏处理。不要传买家完整手机号、详细收货地址、支付账号等敏感字段。如果确实需要分析地区分布，只保留省份或城市级别粒度。

12.4 引入日志和监控

建议给每个请求加一个request_id，从用户提问到淘宝数据返回，再到摘要生成，完整记录耗时和错误信息。示例：

import uuid import logging logging.basicConfig(level=logging.INFO, format="%(asctime)s %(levelname)s %(message)s") def main(): request_id = str(uuid.uuid4()) logging.info(f"request_id={request_id} 收到问题: {question}") try: intent = parse_user_question(question) logging.info(f"request_id={request_id} 意图: {intent}") except Exception as e: logging.error(f"request_id={request_id} 意图解析失败: {e}")

有了请求日志，线上排查效率会提高很多。

12.5 多店铺场景要抽象店铺身份

如果你要服务多个淘宝店，不要把所有会话混在一起。建议在请求参数中加入store_id，所有缓存键和日志都带上这个维度：

cache_key = f"{store_id}:{question}"

同时把每家店铺的session_key单独存在数据库中，并在定时任务中遍历店铺列表。

12.6 上线前必须验证三件事

1. 淘宝接口在沙箱环境能返回正确数据。
2. 豆包对口径模糊的问题，例如“最近卖得怎样”，能落到合理意图。
3. 定时任务在服务器时间与东八区一致的环境下运行正常。

这三件事都验证通过后，再放开给真实店铺账号使用。

13. 总结与下一步

这个“豆包连淘宝店看数据”项目的价值在于把大模型的能力和真实业务数据串起来了。豆包负责理解人话，淘宝开放平台负责提供真实数据，你写的服务负责把两者衔接起来。整体门槛不高，不需要 GPU，也不需要复杂的机器学习知识，有 Python 基础就能做。

建议你从哪里开始？先申请豆包 API Key 和淘宝开放平台权限，然后写一个最简单的“单接口 + 单问题”脚本：用户输入“昨天销售额”，系统返回一个数字。跑通这一条链路，后续所有扩展都有基础。

这个项目最容易踩的坑有两个：一个是淘宝接口权限和签名，建议直接套官方 SDK；另一个是豆包输出 JSON 不稳定，必须做兜底解析，不要假定每次都干净输出。

后续扩展方向也很明确：加 Promise 图表，加多店铺支持，加钉钉/飞书推送，加历史趋势分析和异常预警。甚至可以让豆包在每天早上的日报里给出“今天主推哪个商品”的建议，这就是一个挺完整的电商智能助手了。

建议先收藏这份教程，把环境准备好，耐心申请好权限，再按流程一步步跑通。真正把自己店铺的数据接进来之后，你会明显感觉到“问数据”比“翻后台”高效得多。