各位开发者和技术爱好者们大家好最近 AI 圈又炸开了锅原因是大家都在讨论 Grok 这类 AI 机器人能否直接扮演“代购 谈判专家”的角色。从技术圈讨论的热度来看核心关键词集中在“Grok”、“Bot”以及“代理式 AI 自动比价”。抛开新闻事件本身我们更关心的是这类“AI 代购”到底是怎么实现的背后涉及哪些技术栈作为一个普通开发者我能不能自己写一个类似的“自动询价 比价”机器人这篇文章不会去评价某位公众人物或者企业的具体要求而是从纯技术视角出发手把手带你拆解“AI 代购 最优价格谈判”机器人从概念到落地全流程。我们会先理解这类 Bot 的技术本质然后搭建一个基于 Grok API或其他兼容 OpenAI 接口的大模型的本地服务打通“自动询价、语义理解、决策推荐”这条链路。即使你是新手也能按照文章里的代码跑出一个最小可用 Demo。1. 认识 Grok、Bot 与 AI 代理工作流1.1 Grok 到底是什么在技术语境下Grok 指的是由 xAI 推出的对话式大语言模型其核心特点是拥有较强的长上下文理解能力适合处理对话型任务支持工具调用和函数调用Function Calling这一点非常关键在部分场景下可以接收互联网检索结果具有一定的实时信息获取能力。当然很多开发者并不一定直接使用官方平台。由于大模型 API 兼容 OpenAI 的消息格式Grok 也可以作为一个“可替换的对话模型”被我们整合进自己的机器人服务中。通俗一点解释Grok 负责“听懂人话”和“生成回答”但它本身不会真的去电商网站下单。真正去执行比价、谈判动作的是我们基于 Grok 推理能力封装的一套“代理工作流”。1.2 Bot 与机器人调用约定在不少即时通讯或协作软件中Bot 是把消息转发给机器人处理的一种交互约定。例如你在群聊里输入代购助手 帮我找一台 5000 元以内的游戏笔记本这就等价于向机器人发送了一段结构化任务描述。从技术实现上看Bot 的实现往往需要通过平台提供的 Webhook 或 WebSocket 长连接来接收消息然后对消息做文本解析、意图识别再触发后续的业务逻辑。在本文中我们会把“Bot”抽象成“接收消息的入口”而不是绑死某一个具体 IM 平台。重点教会你如何在本地实现一个功能完整的 Bot 服务。1.3 什么是 AI 代理工作流如果需要 Bot 完成“代购 谈判最优价格”这类任务单纯的问答模型是不够的。我们需要一个标准的 AI 代理工作流通常包含以下步骤意图识别理解用户想买什么、预算范围、品牌偏好信息检索调用搜索 API、商品 API 或网页爬虫获取候选商品结构化数据抽取从网页文本中提取商品名称、价格、评分、运费智能决策让大模型根据约束条件筛选最优商品结果生成用自然语言告诉用户推荐理由和参考价格区间交互反馈用户不满意时可以继续追问、调整条件。实际上这就是 AI 代购机器人的核心骨架。2. 环境准备与版本说明在动手写代码前先把环境说清楚。本文以 macOS/Linux 环境为主Windows 用户建议使用 PowerShell 7 或 WSL。依赖项用途版本要求Python编写 Bot 服务3.9 及以上pip安装 Python 包需要支持安装 openai、fastapi 等Grok API Key调用大模型官方或兼容平台提供FastAPI提供本地 HTTP 服务本文示例使用 0.110 系列uvicorn运行异步服务本文示例使用 0.30 系列requests模拟调用第三方搜索/比价接口任意较新版本即可2.1 获取 Grok API Key由于 Grok 的接入方式和开放范围会随官方政策调整这里不写出具体的获取链接。你在使用前需要做的是前往官方平台检查是否提供 API 入口如果没有官方 API Key可以使用支持兼容接口的中转平台但要注意 API 密钥安全将 Key 配置在环境变量中而不是硬编码到代码里。当你有 Key 时可以先用一段最简单的 Python 代码验证连通性# quick_test.py import os from openai import OpenAI client OpenAI( api_keyos.getenv(GROK_API_KEY), base_urlos.getenv(GROK_BASE_URL, https://api.x.ai/v1) ) resp client.chat.completions.create( modelgrok-1, messages[{role: user, content: 你好请用一句话介绍你自己}] ) print(resp.choices[0].message.content)注意不同平台的模型名称和 base_url 可能不一样如果你用的是第三方中转一定要以对方提供的接口文档为准。2.2 初始化 Python 环境先创建项目目录mkdir grok-shopping-bot cd grok-shopping-bot python3 -m venv venv source venv/bin/activate然后安装依赖pip install fastapi uvicorn openai requests pydantic到这里环境就准备完毕了。3. 核心机制拆解让模型学会“调用工具”3.1 Function Calling 的原理要让 Grok 帮你比价我们不能只做简单的对话补全还需要让模型输出结构化指令。OpenAI 兼容的 Function Calling 机制大概是这样的开发者在请求中声明有哪些函数可供调用大模型根据当前对话判断是否需要调用某个函数如果模型觉得需要调用会返回函数名和参数开发者在本地执行函数再把执行结果回传给模型模型结合函数结果生成最终答案。流程可以简化成下面的顺序用户输入 - 模型判断意图 - 返回函数调用请求 - 本地执行搜索 - 回传结果 - 模型生成推荐3.2 定义“商品搜索与比价”函数假设我们已经有一个商品价格服务/api/search它接收关键词query返回一组商品数据。在调用 Grok 之前需要向模型描述这个函数的参数结构tools [ { type: function, function: { name: search_products, description: 根据用户需求搜索候选商品返回商品名、价格、评分、平台来源, parameters: { type: object, properties: { query: { type: string, description: 搜索关键词例如游戏笔记本 5000元 }, max_price: { type: number, description: 最大预算例如 5000 } }, required: [query] } } } ]这一步是整个机器人的地基后续所有扩展都建立在“函数描述”与“模型调用”的一致性上。3.3 常见的实现误区很多初学者在写 Function Calling 时容易犯以下错误函数描述写得太含糊导致模型不知道该传什么参数本地函数没有做异常处理遇到搜索无结果时直接崩溃回传结果内容太长没做截断导致模型上下文爆炸或 Token 超限没有设计兜底回复模型不敢调用函数时只能给一句空话。所以在实战案例中我们会在代码里做好参数清洗、异常兜底和结果截断。4. 完整实战案例基于 Grok 的自动代购比价 Bot现在进入正题。我们会实现一个 Mini 版的“AI 代购谈判专家”整体项目结构如下grok-shopping-bot/ ├── main.py # FastAPI 入口 ├── agent.py # Grok 代理核心逻辑 ├── price_service.py # 模拟第三方比价服务 ├── requirements.txt # 依赖清单 └── .env # 环境变量配置注意不要上传仓库4.1 模拟第三方价格服务为了让项目不依赖真实电商网站我们先用本地函数模拟一个“商品价格数据库”。真实场景下你可以把它替换成接入京东/淘宝/亚马逊开放接口的代码。# price_service.py def search_products(query: str, max_price: float None): 模拟从多个平台搜索商品。 实际开发中可以改成爬虫、第三方开放 API 或者数据库查询。 # 模拟数据商品名称、价格、评分、平台 mock_db [ {name: 全能本 Pro 14, price: 4599, rating: 4.7, platform: 平台A}, {name: 轻薄本 Air 13, price: 3999, rating: 4.5, platform: 平台B}, {name: 游戏本 G16, price: 5299, rating: 4.8, platform: 平台C}, {name: 商务本 Edge 15, price: 4899, rating: 4.6, platform: 平台B}, {name: 高性能本 Max 16, price: 7999, rating: 4.9, platform: 平台A}, ] result [] for item in mock_db: # 优先按关键词做简单的子串匹配 if query.lower() not in item[name].lower(): continue if max_price is not None and item[price] max_price: continue result.append(item) return result这个函数做的事情很简单根据关键词和预算过滤可购买的商品。你可以把它理解成一个商品中台的最小接口。4.2 编写 Agent 核心逻辑接下来是 agent.py也就是把 Grok 和本地搜索函数串起来的关键代码。# agent.py import os import json from openai import OpenAI from price_service import search_products # 初始化客户端 client OpenAI( api_keyos.getenv(GROK_API_KEY), base_urlos.getenv(GROK_BASE_URL, https://api.x.ai/v1) ) # 定义函数描述 tools [ { type: function, function: { name: search_products, description: 根据用户需求搜索候选商品返回商品名、价格、评分、平台来源, parameters: { type: object, properties: { query: { type: string, description: 搜索关键词例如笔记本 }, max_price: { type: number, description: 最大预算例如 5000 } }, required: [query] } } } ] def run_agent(user_message: str) - str: 1. 调用大模型判断意图 2. 如果模型要求调用函数则执行本地搜索 3. 把结果返回给模型由模型生成最终回复 messages [ { role: system, content: 你是一个专业的代购谈判助手。你会根据用户需求搜索并推荐最优价格的商品。 }, { role: user, content: user_message } ] # 第一次请求是否要调用工具 response client.chat.completions.create( modelos.getenv(GROK_MODEL, grok-1), messagesmessages, toolstools, tool_choiceauto, # 让模型自行决定 ) choice response.choices[0] # 情况1模型不需要调用函数直接回复 if not choice.message.tool_calls: return choice.message.content # 情况2模型需要调用函数 tool_call choice.message.tool_calls[0] function_name tool_call.function.name arguments json.loads(tool_call.function.arguments) print(f[Agent] 调用函数: {function_name}, 参数: {arguments}) # 执行本地函数 if function_name search_products: query arguments.get(query, ) max_price arguments.get(max_price) products search_products(query, max_price) # 截断超长结果避免 token 超限 if len(products) 5: products products[:5] result_text json.dumps(products, ensure_asciiFalse) else: result_text 未知函数 # 把函数调用信息追加到消息列表 messages.append(choice.message) messages.append({ role: tool, tool_call_id: tool_call.id, content: result_text }) # 第二次请求模型生成最终答案 final_response client.chat.completions.create( modelos.getenv(GROK_MODEL, grok-1), messagesmessages, toolstools, ) return final_response.choices[0].message.content这段代码的核心是“两轮请求”第一轮让模型决定是否调函数第二轮把函数结果交还给模型组织语言。4.3 用 FastAPI 暴露 HTTP 接口为了让消息能够从 IM 平台或前端转到我们服务里我们暴露了一个 POST 接口。# main.py import os from dotenv import load_dotenv from fastapi import FastAPI from pydantic import BaseModel from agent import run_agent load_dotenv() app FastAPI(titleGrok Shopping Bot) class ChatRequest(BaseModel): message: str app.get(/) def index(): return {msg: Grok 代购 Bot 服务运行中} app.post(/chat) def chat(req: ChatRequest): # 实际项目中这里可以加入用户鉴权、频率限制、日志采集等 reply run_agent(req.message) return {reply: reply}启动服务前建议先创建一个.env文件GROK_API_KEY你的API_KEY GROK_BASE_URLhttps://api.x.ai/v1 GROK_MODELgrok-1注意不要把真实 Key 提交到公开仓库。4.4 运行与验证在项目目录下启动服务uvicorn main:app --reload --port 8000打开终端用 curl 模拟用户提问curl -X POST http://localhost:8000/chat \ -H Content-Type: application/json \ -d {message: 帮我找一台预算 5000 以内的笔记本}如果一切正常你会看到类似下面的结果实际内容由模型生成会存在差异{ reply: 根据当前搜索结果推荐你优先考虑全能本 Pro 14价格 4599 元评分 4.7平台A或者商务本 Edge 15价格 4899 元评分 4.6平台B。如果预算能稍微放宽游戏本 G16 性能更强但价格略高。 }注意由于 Grok 的回复本身具有随机性你得到的内容可能不同这很正常。4.5 结果说明在这个最小可实现例中我们已经完成了以下几个重要动作将 Grok 接入本地服务让模型自动理解用户的购物需求通过 Function Calling 调用本地搜索函数把结构化结果转化为自然语言推荐提供 HTTP 接口方便后续接入 IM、群聊或前端。这就是“AI 代购 Bot”最核心的骨架。5. 常见问题与排查思路在实际开发中你大概率会遇到下面这些问题。我按“现象 - 原因 - 解决”的方式整理成表格问题现象常见原因解决思路请求报 401 UnauthorizedAPI Key 错误或环境变量未生效检查 .env 文件和 os.getenv 是否取到值提示 model not found模型名称与 Base URL 不匹配查看平台文档确认使用的模型标识模型不调用函数直接回复工具描述不清晰或上下文引导不足调整 system 提示词明确告诉模型必须调用搜索函数函数参数解析失败模型返回的 JSON 格式与预期不一致捕获 json.loads 异常打印原始参数方便排查返回结果 Token 超限商品数据未截断导致上下文过长对结果做截断或使用 token 计数过滤Bot 服务没有响应FastAPI 未启动或端口占用查看 uvicorn 日志用 curl 测试 /chat 接口第三方中转平台响应慢上游服务不稳定加入超时控制和重试机制5.1 排查 Checklist如果你还是找不到问题可以按照下面的顺序逐项排查能否用最简单的 Python 脚本正常请求 Grok API是否在 agent.py 中正确导入了 OpenAI 客户端调用chat.completions.create时是否有异常堆栈打印函数search_products是否能独立运行并返回预期的 JSON 数据第二次请求时是否完整带上了tool_call_id和role: tool的消息FastAPI 接口层是否捕获了异常建议在 /chat 路由中添加 try-except 返回错误信息。只要这 6 项都检查通过Bot 的基本链路就不会有大问题。6. 从 Demo 到生产工程化能力扩展跑通 Demo 只是第一步。如果你真的想做一个能“代购并谈判最优价格”的生产级 Bot还需要考虑下面这些工程化和架构问题。6.1 真实数据接入在上面的例子里商品数据是写死的。真实项目中数据来源通常有电商开放平台 API爬虫系统采集的商品结构化信息实时比价服务提供方需要反爬处理的网页内容。无论哪种来源最终都需要经过数据清洗统一成标准商品模型{ product_id: 100234, product_name: 全能本 Pro 14, price: 4599.00, original_price: 4999.00, shipping_fee: 0, stock: 88, seller: 官方自营, rating: 4.7, platform: 平台A, coupon: 100, final_price: 4499.00 }真实谈判时我们还要考虑优惠券、满减、运费险等因子这些都应该在数据层处理而不是让大模型去心算。6.2 会话管理与记忆目前我们只是单轮对话。如果需要用户反复调整预算、追问配置需要引入会话记忆。最简单的方式是在 messages 列表中保留历史记录session_history [] user_input 帮我找一台轻薄的笔记本 session_history.append({role: user, content: user_input}) # 调用 agent 后把回复加入历史 session_history.append({role: assistant, content: reply_text})但要注意保留所有历史会导致 Token 膨胀建议只保留最近 6~10 轮消息也可以使用摘要式记忆把用户偏好抽取成结构化标签。6.3 多轮“议价”策略谈判最优价格大概率不是一次性完成而是一个多轮过程。举例用户还能便宜吗 Bot我找到一张满 4000 减 300 的券折后 4299需要我帮你领券吗 用户可以。 Bot已为你生成领券链接跳转后使用优惠码 GROK300。要实现这种能力你的工作流就需要增加“优惠券查询”“领券接口对接”“优惠计算”等更多工具函数。模型本身只是决策大脑真正干活的永远是背后那些确定性 API。6.4 安全与合规这类机器人在真实部署时尤其要注意用户隐私保护不记录银行卡、密码、收货地址等敏感信息合规底线商品价格和库存必须来自合法授权的数据源不鼓励直接抓取与商业数据安全相冲突的页面代付安全如果涉及真实下单建议走正规开放平台的能力而不是模拟浏览器截图内容审核模型输出的购物建议需要加一层敏感词过滤避免涉及夸大宣传或医疗健康类违规商品最小权限原则为你的 Bot 申请专门的低权限 API Key不要使用管理员权限。6.5 性能优化与监控生产环境还要考虑这些指标请求成功率平均响应延迟Token 消耗量和费用估算第三方接口的超时率和错误率。建议增加 Prometheus Grafana 进行指标可视化同时在 Agent 执行函数前后打印结构化日志。日志格式可以是这样[2025-01-10 12:00:01] useru123 query游戏本工具调用函数search_products [2025-01-10 12:00:02] 查询参数{...} [2025-01-10 12:00:03] 返回3条商品耗时210ms7. 实践中的几点经验与后续学习建议7.1 小步快跑从最小用例做起不管是 Grok 还是其他大模型直接想实现一个完整的“全能代购 Agent”是非常困难的。我建议你先像本文这样把整体流程拆成搜索、比价、推荐三个步骤。等每一步都稳定再逐步增加“优惠券、历史价格曲线、多平台比价”等功能。7.2 先别急着追求“纯模型决策”在实际项目里你可以用规则引擎做第一层筛选价格高于用户预算 10% 的商品直接排除评分低于 4.0 的商品直接排除无库存商品直接排除。然后只把优秀的 3~5 条候选给到大模型让模型做“解释和推荐”而不是让大模型去大海捞针。这样既能节省 Token也能极大提升回答的确定性。7.3 让模型学会说“不知道”比价机器人最怕的就是胡编乱造。在 Agent 系统提示词中要明确要求如果没有搜索到合适商品必须如实说不要编造价格如果用户提供的预算明显低于市场均价要给出合理建议而不是强行推荐劣质商品涉及优惠结果时必须基于工具返回的真实数据回答。7.4 后续可以继续研究的方向如果你已经能跑通本文的代码下一步建议按这个顺序扩展研究 Agent 框架例如 LangChain、LlamaIndex 中的 Tool Calling 机制把商品搜索引擎切换成 Elasticsearch支持更丰富的过滤和排序实现历史价格趋势查询辅助判断“最优价格”探索多 Agent 协作架构例如一个 Agent 负责搜索一个 Agent 负责议价一个 Agent 负责生成报价单在对话入口层对接真实的 IM 机器人。这里需要说明的是当你把一个 Agent 接上真实搜索和比价能力时能力边界会迅速扩大同时也意味着你的服务成了用户资金安全链路的一部分。任何涉及真实交易的环节请务必在合规授权、测试环境和灰度发布的前提下推进。如果你的目标是检验 Grok 和函数调用的效果建议先拿无真实资金风险的场景练手只有等到链路足够稳定再尝试对接真实电商平台的官方开放接口。希望这篇文章能帮你更好地理解“Grok Bot 自动代购比价”背后的技术本质。如果本文对你有帮助可以收藏备用后续有新的 Agent 实操经验我会继续输出。