71 lines
1.7 KiB
Markdown
71 lines
1.7 KiB
Markdown
# Crawl_demo — BI 看板 + 趋势引擎 + AI 分析
|
||
|
||
本项目从 MySQL（见 `sql.md`）抽取电商数据，生成 BI 数据看板，并实现：
|
||
|
||
- 实时曲线：销量/GMV/排名等核心指标的近实时刷新
|
||
- 趋势预测：潜伏期识别、爆发力评分、时间序列预测
|
||
- 决策辅助：跟卖指数、生命周期预警
|
||
- AI 分析：基于向量库检索 + LLM，总结“为什么它在涨、是否值得跟卖、风险点”
|
||
|
||
## 目录
|
||
|
||
- `backend/`：FastAPI（指标 API、趋势引擎、AI 检索/分析、ETL 任务）
|
||
- `frontend/`：Next.js（BI 看板 UI）
|
||
|
||
## 快速开始
|
||
|
||
1) 复制环境变量
|
||
|
||
```bash
|
||
cp backend/.env.example backend/.env
|
||
cp frontend/.env.example frontend/.env.local
|
||
```
|
||
|
||
### 一键 Docker 启动（推荐）
|
||
|
||
在项目根目录执行：
|
||
|
||
```bash
|
||
sh dev.sh
|
||
```
|
||
|
||
然后打开：
|
||
|
||
- 前端：`http://localhost:3001`
|
||
- 后端：`http://localhost:8000/docs`
|
||
|
||
启动脚本会自动输出：
|
||
|
||
- 容器 `ps` 状态
|
||
- 前后端最近日志（tail）
|
||
- HTTP 快速自检结果（backend/frontend/api-proxy）
|
||
|
||
2) 启动后端与前端（本地开发）
|
||
|
||
```bash
|
||
cd backend && python -m venv .venv && source .venv/bin/activate
|
||
pip install -r requirements.txt
|
||
uvicorn app.main:app --reload --port 8000
|
||
```
|
||
|
||
```bash
|
||
cd frontend
|
||
npm install
|
||
npm run dev
|
||
```
|
||
|
||
3) 打开页面
|
||
|
||
- 前端：`http://localhost:3000`
|
||
- 后端：`http://localhost:8000/docs`
|
||
|
||
## AI / 向量库
|
||
|
||
本项目默认支持 Milvus（向量数据库）。你也可以替换为 Azure SQL / Azure AI Search 等“MS 系”向量能力：
|
||
|
||
- 先把 embedding 与 upsert 部分抽象在 `backend/app/vector/` 下
|
||
- 替换实现即可
|
||
|
||
> 如果未配置 `OPENAI_API_KEY`，AI 分析接口会降级为规则引擎的“可解释摘要”，不调用 LLM。
|
||
|