E-Commerce Bench Inafanya kazi

E-Commerce Bench ni kipimo cha muda mrefu cha uendeshaji wa biashara ya mtandaoni kilichotolewa kama chanzo huria na Alibaba Qwen kwa ushirikiano na Taobao Tmall Group. E-Commerce Bench humwezesha LLM Agent kuendesha duka la mtandaoni kwa siku 365 katika soko linaloiga uhalisia, kwa mtaji wa yuan 100,000, ikijumuisha uteuzi wa bidhaa, mazungumzo na wasambazaji, upangaji wa bei, pamoja na usimamizi wa hesabu na mtiririko wa fedha. Mazingira haya yanategemea data ya majukwaa halisi na yana wasambazaji 576, wakiwemo walaghai, matangazo 8 ya ofa na matukio 10 ya soko. Kiini cha mfumo chenye matokeo bainifu huhakikisha urudiwaji wa matokeo, huku uwezo wa kibiashara wa modeli ukipimwa katika vipengele saba, ikiwemo faida, mazungumzo, kuzuia ulaghai na ujifunzaji wa muda mrefu.

Uigaji wa uendeshaji wa muda mrefu: Humwezesha LLM Agent kuendesha duka la mtandaoni kwa siku 365 katika soko linalobadilika, akilenga kuongeza jumla ya mali mwishoni mwa mwaka.
Uendeshaji wa maduka mengi: Huwezesha kufungua hadi maduka 4 kwa wakati mmoja, yenye aina 12 tofauti, kwa kupanga kategoria kwa mikakati tofauti.
Mazungumzo na wasambazaji: Hufanya mazungumzo ya bei ya raundi nyingi na wasambazaji 576 ili kupata gharama ya chini ya ununuzi.
Utambuzi wa ulaghai: Hutambua na kuepuka ulaghai wa kawaida wa aina 5 kutoka kwa wasambazaji walaghai 152: ada ya VIP, bidhaa kuisha, kushusha ubora, uharaka wa uwongo na mitego ya punguzo.
Kukabiliana na soko linalobadilika: Hubadilisha mikakati ya biashara wakati wa matangazo 8 ya ofa na matukio 10 ya ghafla, kama majanga na mishtuko ya mnyororo wa ugavi.
Usimamizi wa hesabu na ghala: Husimamia ununuzi, mauzo na akiba ya SKU 6,886, huku ikibeba gharama ya kuhifadhi inayohesabiwa kwa kila bidhaa na kila siku.
Udhibiti wa mtiririko wa fedha: Hushughulikia mfumo wa malipo wa akaunti 3 na ucheleweshaji wa siku 9 wa kupokea mapato, ili kuepuka profitable-but-bankrupt, yaani kupata faida lakini kufilisika.
Tathmini ya pande 7: Hutoa alama katika vipengele 7 vinavyojitegemea: faida, mazungumzo, kuzuia ulaghai, uwezo wa kulipa madeni, ufanisi, utekelezaji na ujifunzaji wa muda mrefu.

Fuata WeChat na ujibu “开源” ili kujiunga na kikundi cha mawasiliano cha miradi huria ya AI
Usanifu wa tabaka 4: Mfumo umejengwa kutoka juu kwenda chini kwa tabaka la mzunguko wa Agent, tabaka la zana, tabaka la mazingira na tabaka la data, na kuunda mzunguko funge wa maamuzi, utekelezaji na mrejesho wa mazingira.
Kiini bainifu cha mazungumzo: Ofa zote za wasambazaji, makubaliano na maamuzi ya kukubali au kukataa huhesabiwa na kiini maalumu cha algoriti. LLM inawajibika tu kubadilisha maamuzi ya nambari kuwa mazungumzo ya lugha asilia. Hii huhifadhi uhalisia wa mazungumzo ya raundi nyingi ya kujadiliana bei na kuondoa kabisa ubahatishaji wa sampuli, huku ikizuia modeli kupata bei iliyo chini ya gharama kupitia kuvunja vizuizi au udanganyifu. Hivyo, Agents tofauti hupata matokeo yanayoweza kurudiwa zinapotumia mkakati uleule.
Injini ya uchumi inayobadilika: Mahitaji ya watumiaji hayachaguliwi kwa sampuli za kubahatisha. Badala yake, huhesabiwa kupitia mahitaji ya msingi ya kategoria, unyumbufu wa bei, matukio ya soko na sifa ya duka. Ni mbegu ya episode pekee inayodhibiti ubahatishaji unaoweza kurudiwa.
Malipo ya akaunti 3 na shinikizo la mtiririko wa fedha: Gharama hukatwa kutoka akaunti ya benki siku hiyo hiyo inapotokea, lakini mapato ya mauzo hurudi benki kupitia “kutumwa kwa bidhaa → kipindi cha dhamana cha jukwaa cha siku 9 → pochi ya jukwaa → kutoa fedha mwenyewe”. Hii huunda kwa makusudi pengo la mtaji wa uendeshaji na kumlazimisha Agent kudhibiti ukwasi, ili kuepuka tabia ya kuona faida pekee bila kuzingatia fedha taslimu.
Tathmini ya ujifunzaji wa muda mrefu (AnchorRatio): Hupima ikiwa Agent hununua bidhaa ileile kwa bei inayozidi kuwa nafuu. Hypothesisi tupu hutumia upangaji upya wa kubahatisha wa ofa za kihistoria za Agent mwenyewe. Ikiwa thamani iko chini kwa kiasi kikubwa ya 1.0, inaonyesha kuwa modeli inaweza kuendelea kuboresha mkakati wake wa ununuzi kutokana na uzoefu wa mazungumzo ya awali.

Pata msimbo: Kloni hazina huria ya E-Commerce Bench kutoka GitHub hadi kwenye kompyuta yako.
Sanidi mazingira: Sakinisha utegemezi wa mradi na uandae mazingira ya uendeshaji ya Python.
Unganisha modeli: Weka API Key na jina la modeli ya LLM inayotathminiwa kwenye faili la usanidi.
Anzisha uigaji: Endesha programu kuu; Agent ataanza kiotomatiki mzunguko wa uendeshaji wa biashara ya mtandaoni wa siku 365.
Tazama matokeo: Baada ya uigaji kukamilika, mfumo utatoa kiotomatiki ripoti ya tathmini ya pande 7 na mkondo wa mabadiliko ya mali kwa mwaka mzima.

Kipimo cha kwanza cha uendeshaji wa muda mrefu: Kwa mara ya kwanza, tathmini ya LLM Agent inapanuliwa kutoka kazi za muda mfupi hadi mazingira ya kibiashara yanayobadilika yenye uendeshaji endelevu wa siku 365.
Huendeshwa na data halisi ya soko: Bidhaa 6,886, kategoria 60 na wasambazaji 576 zimejengwa kwa kutumia data iliyotoholewa kutoka majukwaa halisi ya biashara ya mtandaoni.
Kiini bainifu huhakikisha urudiwaji: Ofa za mazungumzo na mahitaji ya soko huhesabiwa na kiini maalumu cha algoriti; LLM inawajibika tu kwa uwasilishaji wa mazungumzo, hivyo kuondoa kabisa kelele za ubahatishaji wa sampuli.
Mfumo wa tathmini wa pande 7: Hauchunguzi mali ya mwisho wa mwaka pekee, bali pia hutathmini kwa kujitegemea uwezo wa mazungumzo, kuzuia ulaghai, mtiririko wa fedha, ufanisi, utekelezaji na ujifunzaji wa muda mrefu.
Uigaji wa shinikizo halisi la biashara: Malipo ya akaunti 3 yenye ucheleweshaji na gharama ya kuhifadhi inayohesabiwa kwa siku humlazimisha Agent kusimamia mtaji wa uendeshaji badala ya kulenga faida ya vitabuni pekee.
Upimaji wa uwezo wa kuzuia ulaghai: Wasambazaji walaghai 152 na ulaghai wa kawaida wa aina 5 umejumuishwa ili kupima kwa usahihi uwezo wa modeli wa kutambua hatari na kulinda fedha.

Tovuti rasmi ya mradi: https://ecbench.github.io/
Hazina ya GitHub: https://github.com/QwenLM/E-CommerceBench
Makala ya kiufundi ya arXiv: https://arxiv.org/pdf/2608.30730

Tathmini ya uwezo wa kibiashara wa modeli kubwa: Hutoa ulinganisho sanifu wa uwezo wa uendeshaji wa muda mrefu wa modeli za kisasa kama GPT, Claude na Qwen.
Uboreshaji wa mikakati ya E-Commerce Agent: Hutumika kama mazingira ya mafunzo ya ujifunzaji wa kuimarisha na usanifu wa Agent, kwa kuthibitisha haraka mikakati ya bei, ununuzi na hesabu.
Utafiti wa algoriti za kudhibiti hatari za mnyororo wa ugavi: Hujaribu na kuboresha modeli za kuchagua wasambazaji na kutambua hatari katika mazingira ya uigaji yenye wasambazaji walaghai.
Uthibitishaji wa algoriti za kupanga bei kwa nguvu: Hutumia data halisi ya unyumbufu wa bei kuchunguza utendaji wa mapato wa mikakati mbalimbali ya bei wakati wa matangazo na mabadiliko ya msimu.
Mafunzo ya uigaji wa maamuzi ya kibiashara: Hutumika kama kiigaji cha uendeshaji kwa shule za biashara au ndani ya kampuni, kuwafundisha wasimamizi kufanya maamuzi chini ya shinikizo la mtiririko wa fedha na kutokuwa na uhakika wa soko.