ShoppingAgent 订单分析助手
通过浏览器截图和大模型分析提取订单，并汇总导出为Excel。
README说明了浏览器自动化、截图、模型分析、Excel导出及API密钥配置，部分外部效果由按钮触发，提供了有限的用户确认线索。但没有权限最小化、目标域限制、截图或订单数据去向、密钥存储保护、依赖审计、操作回滚或导出恢复机制。项目名称、仓库作者联系方式提供了薄弱归属线索，但许可证和经验证的发布者身份均不明确。
文档给出了依赖类别、启动命令和常见故障排查，可支持基本部署判断；但没有锁定依赖、兼容性验证或结构化错误行为。Chrome前提写为140及以上，FAQ又写112及以上，且Shopping Agent与旧版聊天机器人环境并列，削弱了自洽性。
订单后台截图、批量分析和Excel导出的受众与场景较明确，服务器、模型、浏览器路径也可配置，交互主要由URL输入、截图及分析按钮精确触发。但未界定支持的网站类型、登录态、反自动化限制、模型能力边界或数据规模；Chrome版本要求矛盾，旧聊天机器人还依赖Ubuntu 18.04和Python 3.6，环境适配说明不完整。
README通过双项目导航、概述、安装、配置、目录结构、使用流程和FAQ形成了尚可的信息架构。安装说明可供普通用户起步，但缺少环境变量模板、驱动文件的明确路径验证及平台覆盖。ShoppingAgent、Shopping Agent和chatbot命名混杂，execute/excute拼写不稳定；路线图提供有限版本线索，但日期陈旧且含“Maybe”。没有许可证，已知限制和维护责任仅由FAQ、QQ联系方式及路线图间接体现。
截图批量分析、订单字段汇总和Excel导出形成可直接消费的工作产物，相比人工整理具有合理的增量价值。扣分在于没有字段模式、输出示例、准确率证据、吞吐量、人工复核流程、模型/API费用或浏览器自动化维护成本，因此成本收益只能获得有限支持。
大多数能力可追溯到README的功能、流程和依赖章节，未来计划也通过路线图措辞与已实现功能有所区分。但没有代码、测试、样例Excel、配置文件或其他来源交叉印证，效果图片仅针对旧Seq2Seq版本；当前Shopping Agent的能力和兼容性主张主要是未经佐证的陈述。
- 浏览器自动化会访问用户提供的订单后台并保存截图；在处理真实订单前，应确认允许的站点范围、登录凭据隔离、截图保存位置、保留期限和删除方式。
- API密钥的存储与日志脱敏方式未说明，不应在验证配置文件权限、前端回显和日志行为前使用生产密钥。
- Chrome最低版本在文档中同时出现140和112，需以实际依赖及驱动兼容性为准，不能仅依赖README部署。
- 依赖仅以最低版本形式描述，且没有锁文件、安全扫描或许可证信息；部署前应独立审计并固定版本。
- Excel输出没有字段规范、准确率证据或人工复核规则，不应直接用于财务、履约或其他高影响决策。
这个 Agent 能做什么，适合哪些场景？
该仓库包含面向订单处理的 ShoppingAgent，以及可用自有语料训练的中文 Chatbot 项目。ShoppingAgent 以 FastAPI 提供后端服务，以 Streamlit 提供聊天、截图、结果查看和系统配置界面。它通过 Selenium 打开订单网页并获取全屏、元素或手动选区截图，再借助配置的大模型批量提取订单信息。处理结果显示在前端，并可写入本地 Excel 文件。该应用采用本地部署方式，需要 Python、Chrome、匹配的 ChromeDriver、模型参数和 API 密钥；仓库未明确说明支持哪一家模型提供商。
用户在 Streamlit 界面输入订单页面 URL，系统通过浏览器自动化打开网页并执行截图。截图方式包括全屏截图、元素选择截图，以及先获取全页图像再手动框选区域。系统对多张订单截图进行批量分析，通过配置的大模型提取订单信息，在右侧面板展示结果，并用 pandas、openpyxl 等依赖导出 Excel。后端入口是 python -m app.main，前端入口是 streamlit run app/frontend.py，默认可访问 http://localhost:8501。仓库还保留中文 Seq2Seq Chatbot：语料经过 data_utls.py 预处理，由 execute.py 执行训练，并通过 app.py 提供可视化对话；文档也给出了 Horovod 分布式启动方式。
- 无法从订单后台直接导出数据的运营人员，用截图批量提取订单字段并生成 Excel。
- 需要处理多个订单页面的电商团队，通过全屏或选区截图减少人工复制和汇总工作。
- 订单页面结构不便直接接入 API 的分析人员，利用浏览器自动化和图像分析获取可整理的数据。
- 希望以聊天指令控制订单处理流程的本地用户，通过 Streamlit 界面完成打开页面、截图、分析和导出。
- 研究中文对话模型的开发者，使用自有语料运行仓库中的 Seq2Seq 训练和可视化对话流程。
这个 Agent 有哪些优点和局限？
- 覆盖从打开网页、截图、批量识别到 Excel 导出的完整订单处理流程。
- 支持全屏、元素选择和手动区域三种截图方式，可缩小分析范围以改善输入质量。
- FastAPI 后端与 Streamlit 前端分离，提供可视化操作、自然语言交互和系统配置入口。
- 适用于后台没有直接导出功能的场景，不要求订单系统提供专用数据接口。
- 必须安装 Chrome 和匹配的 ChromeDriver，浏览器版本或路径不一致会导致启动及截图失败。
- 订单提取依赖外部大模型、API 密钥和网络连接，但文档没有明确支持的模型提供商、费用或数据处理边界。
- README 对 Chrome 要求存在不一致：前提条件写 140.0 及以上，故障排查又提到 112.0 及以上。
- 截图清晰度和选区范围会影响分析准确率，结果仍需要人工检查。
- 配置修改后需要重启应用，且未提供 Docker、身份认证、权限隔离或生产部署说明。
如何安装或部署这个 Agent？
ShoppingAgent 要求 Python 3.8+、Google Chrome 和匹配的 ChromeDriver；前提条件写明 Chrome 140.0 及以上，而故障排查部分又提到兼容 Chrome 112+，部署前应核对实际版本。克隆仓库后，在项目根目录运行 pip install -r requirements.txt。随后在系统设置或项目配置中填写服务器地址、端口、AI 模型参数、API 密钥、Chrome 路径和驱动路径；文档没有给出具体模型提供商、密钥变量名或完整 .env 示例。启动后端：python -m app.main。另开终端启动前端：streamlit run app/frontend.py。浏览器通常会自动打开，也可访问 http://localhost:8501。
如何使用这个 Agent？
先启动 FastAPI 后端和 Streamlit 前端。在 URL 输入框填写订单页面地址并点击“打开网页”。选择全屏截图、元素选择截图或手动选区；手动选区时，先获取全页截图，在图上拖动选择订单区域，再点击“截取所选区域”。收集截图后点击“批量分析订单”，等待系统提取信息。在右侧面板检查结果，然后点击“导出为Excel”写入文件。模型、API 密钥、服务器、浏览器或驱动配置变更后需要重启应用。
常见问题
是否能直接连接订单平台的数据库或官方 API？
需要哪一家大模型服务？
订单数据会保存到哪里？
screenshots/ 和 excels/ 目录，分别用于截图和 Excel 导出；外部模型如何处理上传内容没有进一步说明。浏览器无法启动或截图失败时应检查什么？
CHROME_PATH 是否正确、网页是否加载完成、浏览器窗口是否被最小化，并尝试更换截图方式。