Memikirkan semula eDagang: Cara Saya Menggunakan AI, LLM dan Pangkalan Data Vektor untuk Membina Pengalaman Shopify yang Lebih Pintar

Sejak beberapa minggu kebelakangan ini, saya telah menavigasi gelombang perubahan yang dikuasakan oleh AI.

Ruang eCommerce, terutamanya di sekitar Shopify , sudah sesak dengan apl untuk segala-galanya daripada ulasan kepada analitik. Tetapi itu menimbulkan persoalan kritikal bagi saya:

Apa yang seterusnya?

Sebilangan besar Shopify pemilik kedai bukan sahaja mencari aplikasi lain—mereka mencari penyelesaian yang pintar dan diperibadikan. Mereka mahukan jawapan yang lebih pantas, cerapan yang lebih mendalam dan aliran kerja yang dipermudahkan. Dan di situlah Model Bahasa Besar (LLM) dan AI Generatif mula dimainkan.

Idea: Shopify sebagai Enjin Perdagangan, AI sebagai Lapisan Perisikan

Dalam perbualan saya dengan beberapa pelanggan terutamanya pengasas DTC dan ketua CRO, saya melihat trend biasa. Mereka mahu:

• Akses data kedai dengan cara perbualan
• Automatikkan pertanyaan pelanggan dengan konteks yang diperibadikan
• Gunakan AI untuk menjana cerapan dan juga e-mel

Oleh itu, saya mula membuat prototaip sistem chatbot yang dipertingkatkan AI yang menggabungkan Shopify data dengan kuasa carian semantik menggunakan pembenaman dan pangkalan data vektor.

Inilah yang saya lakukan langkah demi langkah.

Langkah 1: Ekstrak Data daripada Shopify

Menggunakan API Pentadbir Shopify, saya menarik:

• Maklumat Produk (tajuk, tag, perihalan, inventori)
• Pesanan (status, pemenuhan, penghantaran, dsb.)
• Pelanggan (lokasi, sejarah pembelian, tag pembahagian)

Ini membentuk set data teras untuk menggerakkan lapisan AI.

// Example: Fetching products using Shopify Admin API (Node.js)
const shopify = new Shopify.Clients.Rest(SHOP, ACCESS_TOKEN);
const products = await shopify.get({ path: "products" });        

Langkah 2: Tukar dan Simpan Data dalam Pangkalan Data Vektor

Seterusnya, saya memerlukan cara untuk mencari secara semantik, bukan hanya mengikut kata kunci. Oleh itu, saya menukar data teks kepada pembenaman menggunakan API Pembenaman OpenAI.

Saya bereksperimen dengan beberapa pangkalan data vektor:

• ChromaDB – Ringan dan mudah disediakan, tetapi terhad untuk penskalaan
• Pinecone – Bagus untuk pengeluaran, sangat stabil dan pantas
• Milvus – Berprestasi tinggi untuk projek berskala besar, tetapi sedikit lebih berat untuk dikonfigurasikan

Setiap daripada ini menyimpan vektor dimensi tinggi yang mewakili Shopify data—produk, pesanan, malah sembang lepas.

Langkah 3: Gunakan Pembenaman OpenAI untuk Pemahaman Semantik

Sebaik sahaja data divektorkan, saya menggunakan model 3-kecil pembenamkan teks OpenAI untuk membolehkan carian semantik merentas katalog produk atau perbualan pelanggan.

Sebagai contoh, pertanyaan seperti "Saya sedang mencari kemeja-t merah dengan panjang 14" kini boleh mengembalikan padanan yang tepat walaupun perkataan yang tepat itu tidak wujud dalam tajuk produk.

# Sample embedding code
response = openai.Embedding.create(
    input="Red t-shirt with size 14",
    model="text-embedding-3-small"
)        

Langkah 4: Sambungkan API Pihak Ketiga

Untuk melangkaui Shopify, saya juga menyepadukan apl lain seperti Klaviyo, Gorgias dan CRM tersuai dengan menarik data mereka melalui API dan membenamkannya ke dalam ruang vektor yang sama. Ini membolehkan pengalaman merentas platform yang lebih holistik.

Langkah 5: Buat Titik Akhir /sembang Bersatu

Saya membina titik akhir API / sembang pusat yang:

1. Menerima pertanyaan bahasa semula jadi
2. Menentukan sama ada respons perlu menyertakan data sensitif (seperti status pesanan)
3. Sama ada

Sebagai contoh:

POST /chat
{
  "query": "Can you tell me when my last order will arrive?"
}        

Jika pengesahan disahkan, respons mungkin ialah:

{
  "response": "Your last order #2025 was shipped yesterday and is expected to arrive on May 16."
}        

Jika tidak disahkan:

{
  "response": "Please log in to view your order details securely."
}        

Kes Penggunaan Dunia Sebenar

Sekarang dengan persediaan ini, saya boleh mengendalikan dua senario yang sangat berbeza:

1. Pelanggan bertanya: "Di manakah pesanan saya?" → Sistem menyemak pengesahan, mencari sejarah pesanan, membalas dengan sewajarnya atau meminta log masuk
2. Pelanggan berkata: "Saya mahukan baju merah di bawah $ 30" → Sistem menanyakan vektor DB, mengembalikan padanan terbaik dari Shopify katalog produk

Apa Seterusnya: LLM untuk CRO dan CXO

Di luar sokongan pelanggan, saya melihat potensi besar dalam menggunakan GenAI untuk:

• CXO bertanya soalan seperti "Produk manakah yang mempunyai margin tertinggi pada Q1?" dan mendapatkan cerapan langsung daripada data mereka
• Pasukan CRO menjana variasi salinan atau eksperimen harga menggunakan cadangan berkuasa AI

Bayangkan pasukan kepimpinan berbual dengan data perniagaan mereka dan bukannya menggali papan pemuka.

Fikiran Akhir

AI bukan sekadar ciri bahagian belakang. Ia menjadi antara muka baharu.

Percubaan ini membuktikan bagaimana LLM, carian vektor dan Shopify API boleh mencipta sistem perdagangan yang benar-benar pintar. Sebagai pembangun atau pengasas, jika anda berfikir di luar gedung aplikasi dan ke dalam pengalaman eCommerce yang lebih pintar dan lebih kontekstual, di sinilah hala tuju masa depan.

Beritahu saya jika anda ingin meneroka atau bekerjasama dalam membina penyelesaian perdagangan berkuasa AI. Saya baru bermula.