摘要：本文提出一套基于 LangGraph + LLM 的电商智能砍价引擎，采用 “LLM 负责理解、规则负责定价” 的混合架构，实现 AI 与用户多轮自然语言议价，同时严格守住底价、保障毛利安全。系统支持意图识别、动态让步、多场景谈判、限流锁价等能力，可直接落地于商品详情页、客服对话、直播间等场景，提升成交率与用户体验。

一、产品背景：电商砍价的痛与机会

（一）行业现状

当前电商砍价多为 “伪砍价”，存在三大痛点：

1. 固定折扣：点击按钮减固定金额，无谈判感，用户感知差
2. 社交裂变：邀请好友助力，本质是拉新工具，非真实议价
3. 人工客服：体验好但成本高、不可规模化，难以支撑大流量

核心机会：真正的对话式砍价能显著提升成交率、停留时长与用户粘性，但技术门槛高，需同时解决自然语言理解、多轮状态管理、价格安全三大问题。

（二）产品目标

打造懂人话、守底线、有策略的智能砍价 AI，核心指标如下：

• 对话成交率：＞40%
• 平均谈判轮次：3–5 轮
• 意图识别准确率：＞90%
• 底价突破率：0%
• 单轮响应延迟：＜2s

二、产品设计：智能砍价 AI 的核心能力

（一）用户体验设计

AI 需模拟真人销售的谈判逻辑，示例对话如下：

用户：五十块

AI：50 太低啦！这双鞋质量很好，¥96.00 您看怎么样？

用户：太贵了我去别家看看

AI：哎别走别走！看您真心想买，¥92.50 给您，这真的是最大诚意了！

用户：帮你介绍朋友来买

AI：那您可得真帮我介绍朋友来啊！¥91.00，就当广告费了！

用户：90

AI：成交！¥90.00 给您～ 报价单已生成，15 分钟内有效

（二）8 大核心用户场景

基于真实客服语料，覆盖 99% 议价行为：

表格

场景	用户典型话术	产品策略
直接出价	“50 块”“再少十块”“打八折”	评估后还价或接受
接受报价	“好”“行”“成交”	锁定价格，引导支付
明确放弃	“不买了”“不要了”	礼貌道别
犹豫离开	“太贵了”“我去别家看看”	主动降价挽留
试探底价	“最低多少”“诚心买”	引导用户先出价
打感情牌	“帮你介绍朋友”“老顾客了”	适度优惠
竞品比价	“别家才卖 50”“网上更便宜”	保守让步，引导互动
离题闲聊	问商品详情、无关话题	温和引导回砍价

（三）核心设计原则

LLM 负责 “听懂” 和 “说话”，规则负责 “定价” 和 “守底线”。

• LLM 职责：意图识别、中文数字提取、自然语言理解、话术生成
• 规则职责：底价计算、让步策略、用户分层、锁价安全、限流防刷
• LangGraph 职责：多轮状态管理、会话历史、流程控制

三、系统架构：LangGraph 驱动的议价引擎

（一）整体流程

plaintext

用户消息

   ↓

① 理解用户（LLM）→ 意图识别 + 价格提取

   ↓

② 定价决策（规则）→ 让步计算 + 底价保护

   ↓

③ 锁价成交 / ④ 生成回复 → 成交锁价 / 话术输出

   ↓

返回给用户

（二）状态设计（BargainState）

python

运行

class BargainState(TypedDict):

    # 基础信息

    user_id: str

    product_name: str

    original_price: float  # 商品标价

    floor_price: float     # 底价（绝对红线）

    # 谈判状态

    current_agent_price: float  # AI 当前报价

    user_offer: Optional[float]  # 用户最新出价

    round_count: int            # 谈判轮次

    retention_count: int        # 已挽留次数（上限 3 次）

    offer_history: List[OfferRecord]  # 出价历史

    # 结果信息

    deal_reached: bool           # 是否成交

    final_price: Optional[float] # 最终成交价

    quote_id: Optional[str]      # 锁价单号

（三）四节点工作流

python

运行

def build_bargain_workflow() -> StateGraph:

    workflow = StateGraph(BargainState)

    # 定义节点

    workflow.add_node("parse_user_input", parse_user_input_node)    # LLM 解析

    workflow.add_node("evaluate_offer", evaluate_offer_node)        # 规则定价

    workflow.add_node("generate_response", generate_response_node)  # 话术生成

    workflow.add_node("finalize_deal", finalize_deal_node)          # 锁价成交

    # 构建流程

    workflow.add_edge(START, "parse_user_input")

    workflow.add_edge("parse_user_input", "evaluate_offer")

    # 条件路由

    workflow.add_conditional_edges(

        "evaluate_offer",

        should_finalize,

        {

            "finalize": "finalize_deal",

            "continue": "generate_response",

            "end": END

        }

    )

    workflow.add_edge("generate_response", END)

    workflow.add_edge("finalize_deal", END)

    return workflow

四、核心能力一：LLM 自然语言理解

（一）意图识别的必要性

自然语言表达存在语义差异，规则无法精准区分，例如：

• “太贵了”→ 犹豫，可挽留
• “不想要了”→ 明确放弃
• “太贵了不买了”→ 明确放弃
• “太贵了再降点”→ 出价，有购买意愿

（二）统一解析方案

通过一次 LLM 调用同时完成意图识别 + 价格提取，降低延迟与 Token 消耗：

python

运行

prompt = f"""你是砍价对话解析助手。

当前商品原价：¥{original_price}，当前报价：¥{current_agent_price}

用户消息："{user_message}"

请识别意图（quit/leaving/accept/offer/asking_price/loyalty_claim/price_compare/unclear），并提取价格（支持中文数字、相对表达、折扣表达）。

返回 JSON：{{"intent": "...", "price": 数字或null, "reason": "..."}}"""

（三）规则兜底：中文数字快速解析

支持中文数字、小数、折扣、相对表达的快速解析，示例：

• “一百五”→ 150
• “三点五”→ 3.5
• “打八折”→ 原价 ×0.8
• “再少十块”→ 当前报价−10

五、核心能力二：规则驱动的动态定价引擎

（一）底价计算（绝对红线）

plaintext

有成本价：底价 = 成本 × (1 + 8% 最低毛利率)

无成本价：底价 = 标价 × (1 − 6% 保守折扣)

设计逻辑：宁可少让利，绝不亏本卖。

（二）让步衰减算法

采用指数衰减模拟 “越让越心疼” 的销售逻辑：

让步幅度初始让步率衰减系数轮次

示例（可让空间 ¥20，初始让步率 10%，衰减系数 0.7）：

表格

轮次	让步率	本轮降价	累积降价	AI 报价
1	10.0%	¥2.00	¥2.00	¥98.00
2	7.0%	¥1.40	¥3.40	¥96.60
3	4.9%	¥0.98	¥4.38	¥95.62
4	3.4%	¥0.69	¥5.07	¥94.93

（三）用户分层折扣

按用户类型差异化定价，提升转化与留存：

表格

用户类型	折扣空间倍率	策略
新客	1.2	折扣放大 20%，拉新转化
普通用户	1.0	标准折扣
VIP	1.1	折扣放大 10%，维护会员

（四）智能成交判定

满足以下条件直接成交，避免无效拉锯：

1. 用户出价 ≥ AI 当前报价
2. 用户出价达到可让空间的 80% 以上
3. AI 还价后与用户出价差距＜3%

六、核心能力三：多场景智能谈判策略

（一）犹豫离开：主动挽留（最大让步）

• 让步幅度：剩余空间的 30%–50%
• 话术示例：“哎别走别走！看您真心想买，¥92.50 给您，这真的是最大诚意了！”
• 防滥用：最多挽留 3 次，超过后不再降价。

（二）打感情牌：适度让利

• 让步幅度：剩余空间的 20%–35%
• 话术示例：“老顾客啊！那这样，¥91.00，这个价我都没给过别人！”

（三）竞品比价：保守让步

• 让步幅度：剩余空间的 15%–25%
• 话术示例：“他家是生客价，您跟我多砍两轮，熟客价肯定更实惠呀！”

（四）探底不出价：反向引导

• 策略：不直接报底价，引导用户先出价
• 话术示例：“您别光问我呀，您先说个价，我能做肯定给您做！”

核心设计：所有降价场景共享挽留次数上限（3 次），防止用户轮番套路无限压价。

七、安全体系：四层防护确保价格安全

（一）底价硬限制

python

运行

new_price = max(计算结果, floor_price)

绝对红线：任何报价不得低于底价。

（二）挽留次数上限

单会话最多主动降价 3 次，防止无限让步。

（三）Redis 滑动窗口限流

每个用户每分钟最多 10 次请求，防止恶意刷价探底：

python

运行

class BargainRateLimiter:

    async def is_allowed(self, user_id: str) -> Tuple[bool, int]:

        # 基于 Redis Sorted Set 实现滑动窗口限流

        # 清理过期记录 → 添加当前请求 → 统计数量 → 超限拒绝

（四）锁价 + 防探底

1. 锁价机制：成交后生成 15 分钟有效报价单，存入 Redis：

python

运行

key = f"bargain:quote:{user_id}:{sku_id}"

await redis.setex(key, 900, json.dumps(quote_data))

1. 防探底：未过期报价单用户无法重新砍价，直接沿用历史结果。

八、与电商主系统集成

（一）会话优先级

砍价会话享有最高路由优先级，确保交互连贯：

python

运行

async def on_message(message):

    bargain_session = user_session.get("bargain_session")

    if bargain_session and bargain_session.is_active:

        # 直接路由至砍价引擎

        session, response = await BargainHandler.handle_message(bargain_session, message)

        render_bargain_ui(response)

        return

    # 其他消息走正常意图识别

（二）支付校验

支付前校验报价单有效性与价格一致性，防止篡改：

python

运行

async def validate_quote(user_id, sku_id, expected_price):

    quote = await get_existing_quote(user_id, sku_id)

    if not quote:

        return False, "优惠已过期，请重新砍价"

    if abs(quote["bargain_price"] - expected_price) > 0.01:

        return False, "价格不一致，请刷新页面"

    return True, None

九、可运营化参数配置

所有策略参数支持环境变量配置，无需改代码即可调优：

表格

参数	默认值	说明
BARGAIN_MIN_MARGIN_RATE	0.08	最低毛利率 8%
BARGAIN_FALLBACK_MAX_DISCOUNT	0.06	无成本价时最大折扣 6%
BARGAIN_QUOTE_TTL	900	报价有效期 15 分钟
BARGAIN_RATE_LIMIT	10	每分钟最多 10 次请求
BARGAIN_INITIAL_CONCESSION	0.1	初始让步率 10%
BARGAIN_CONCESSION_DECAY	0.7	让步衰减系数 0.7

十、完整对话案例复盘

商品信息：运动鞋，原价 ¥100，底价 ¥94，可让空间 ¥6

1. 用户：五十块
   • LLM 解析：intent=offer，price=50
   • 规则计算：50＜底价，让步 ¥0.6，报价 ¥99.40
   • AI 回复：50 太低啦！这双鞋质量很好，¥99.40 您看怎么样？
2. 用户：太贵了我去别家看看
   • LLM 解析：intent=leaving（可挽留）
   • 规则计算：让步 ¥2.16，报价 ¥97.24，挽留次数 + 1
   • AI 回复：哎别走别走！¥97.24 给您，这真的是最大诚意了！
3. 用户：帮你介绍朋友来买
   • LLM 解析：intent=loyalty_claim
   • 规则计算：让步 ¥0.81，报价 ¥96.43，挽留次数 + 1
   • AI 回复：那您可得真帮我介绍朋友来啊！¥96.43，就当广告费了！
4. 用户：96
   • LLM 解析：intent=offer，price=96
   • 规则判定：价差 0.45%＜3%，直接成交
   • AI 回复：成交！¥96.00 给您～ 报价单已生成，15 分钟内有效

十一、总结与展望

（一）核心总结

1. 架构优势：LLM 做理解、规则做定价，兼顾灵活性与安全性
2. 流程可控：LangGraph 实现多轮状态管理，决策可追溯、可测试
3. 安全可靠：四层防护确保 100% 价格安全，无底价突破风险
4. 运营友好：全参数可配置，支持 A/B 测试与快速调优

（二）未来规划

1. 强化学习：基于成交数据训练最优让步曲线
2. 用户画像：接入消费能力、议价偏好，实现个性化定价
3. 话术升级：LLM 实时生成话术，提升对话自然度
4. 多语言支持：适配英文、日文等跨境场景
5. A/B 测试平台：自动对比不同策略的成交率与毛利

技术栈：Python 3.11 + LangGraph 1.0.5 + LangChain 1.2.0 + Redis + Pydantic V2 + DeepSeek/Qwen LLM

版权声明：本文为原创技术方案，基于真实生产项目整理，可用于学习、开发与落地。欢迎点赞、收藏、关注，评论区交流～