一個網站接著一個網站，找到相同商品。
← 所有專案
專案案例 / 2026
電商競品情報系統
可重現的作品集系統，整合 Python 資料契約、通路頁面解析、確定性商業規則、附帶證據的 LLM 建議，以及由 n8n 人工觸發的選配 Google Sheets 與 Gmail 交付。
查看 GitHub 原始碼 ↗故事起點
假如今天我經營一個電商。
我會想知道，同樣的商品，競爭對手賣多少錢；他們是不是突然降價了、缺貨了；消費者最近又在抱怨什麼。
比價格、確認庫存，再閱讀最近的消費者評論。
整理找到的資料、找出異常，再決定哪些事情真的需要處理。
資料找到了。 但明天，這整套工作還要再做一次。
所以，我換了一個問題。
如果這些事情，可以讓系統自己完成呢？
01自動收集商品頁 · 評論
→ 02解析整理解析 · 標準化
→ 03找出異常價格 · 庫存 · 事件
→ 04整理建議證據 · AI
→ 05送到面前可行動通報
實際成果
最後，真正送到我面前的是這份通報。
不需要再逐一打開網站尋找變化；值得注意的價差、庫存事件、評論證據與建議會被整理在一起，最後的決策仍由人負責。
展示資料，非即時市場資訊
COMPETITIVE INTELLIGENCE
DEMO競品市場監控摘要
優先事件
CRITICALSony WH-1000XM5 · Best Buy目前缺貨
WARNINGApple AirPods Pro 23 家競品低於自有價格
WARNINGBose QuietComfort3 家競品低於自有價格
建議行動
- 檢查 Sony 庫存供應與商品陳列計畫。
- 檢視 AirPods 價格定位，任何調價前需人工核准。
- 檢視 Bose 價格定位，任何調價前需人工核准。
系統架構
規則先判斷，AI 在受控邊界內提供建議。
簡易流程先讓訪客一眼掌握核心路徑，完整圖則直接展開供進一步檢視。
資料來源公開 FixturesPages · Reviews
→資料管線STG · ODS · TGTParse · Normalize
→情報分析規則 + AIEvents · Suggestions
→成果交付驗證成果包Sheets · Email
預設模式Fixture replay · Mock LLM · Dry run · Zero credentials
完整架構
查看原始尺寸 ↗完整系統架構
n8n workflow
查看原始尺寸 ↗人工編排與受控交付流程
Parent Workflow 會先驗證成果包，再進入選配交付；dry-run 與重複 SEQN 防護可避免意外寫入。
概覽
以可稽核系統標準打造的作品集 Demo。
可重現的作品集系統，整合 Python 資料契約、通路頁面解析、確定性商業規則、附帶證據的 LLM 建議，以及由 n8n 人工觸發的選配 Google Sheets 與 Gmail 交付。
問題
問題
電商營運人員常需人工跨站比價、確認庫存、閱讀評論，再整理成營運建議。這些工作重複、難以稽核，也容易與原始證據脫節。
目標
目標
建立可重現的競品情報管線，將商品頁與評論轉為經驗證的資料集、確定性商業事件、附帶證據的 AI 建議，並可選擇透過 Google Sheets 與 Gmail 交付。
關鍵工程決策
關鍵工程決策
價格與庫存事實先由確定性規則判斷，LLM 只負責撰寫營運建議。Fetcher、Parser、LLM、Sheets 與 Email 都採可替換 Adapter；預設 Demo 離線、免憑證、結果可重現且可安全重跑。
自動化工作流程
自動化工作流程
n8n Parent Workflow 由人工啟動，選擇 Demo 選項、執行並驗證 Python 管線，再經 dry-run 與憑證閘門決定是否寫入 Sheets 或寄送 Gmail。資料處理與 Sheets 交付分離為專責子流程。
資料契約
資料契約
每次執行產生六份經 Schema 驗證的資料集：STG、ODS、TGT、Comment、Overall Trend 與 Recent Suggestion。跨表以同一 SEQN 串接，並保留拒絕資料與 evidence artifacts 供追溯。
品質與安全
品質與安全
CI 驗證格式、型別、測試、覆蓋率、依賴稽核、敏感資訊掃描與完整離線端到端 Demo。憑證、Cookie、即時擷取資料與本機輸出都不進入版本庫。
展示範圍
展示範圍
本專案以可重現的離線 Demo 展示完整資料處理與自動化流程。預設使用 sanitized fixtures、Mock LLM 與 Dry Run；Google Sheets 與 Gmail 為可選整合，正式操作時需配置對應憑證。
原始碼