根据您的需求，这是一个非常庞大且复杂的企业级项目。我来为您整理项目提示词和实现思路：
一、项目架构提示词
核心架构设计原则：
text
这是一个企业级SaaS化私域运营平台，采用微服务架构设计，核心模块包括： 1. AI内容生成与处理引擎 2. 多智能体协作系统 3. 数据分析与可视化平台 4. 合规风控稽查系统 5. 培训与知识管理系统 6. 产品全生命周期管理工具 技术选型：Spring Boot 2.7.18 + LangChain4j + 阿里通义千问 + 多模态AI + 文档处理
二、模块化实现方案
模块1：AI内容生成引擎（基于LLM）
实现思路：
提示词管理系统
构建提示词模板库（祛斑对比、产品图、文案生成等）
实现提示词参数化配置
支持多模型适配（通义千问、OpenAI兼容等）
图像生成工作流
java
// 架构示例 public class AIImageGenerationService { // 1. 提示词优化器（基于LLM优化用户输入） // 2. 图像生成器（调用通义千问图像API） // 3. 后处理引擎（添加马赛克、水印、格式转换） // 4. 视频生成器（序列图转视频） }多模态文档处理
使用Apache POI + PDFBox处理Office/PDF文档
集成LangChain4j的文档解析器
构建文档向量化存储
模块2：智能体协作系统
实现思路：
护肤专家Agent
java
@Agent("皮肤护理专家") public class SkincareExpertAgent { // 知识库：护肤知识、产品成分、法规要求 // 能力：问题解析、专业术语转换、安全合规检查 // 输出：口语化、易理解的回答 }运营规划Agent
输入：产品信息 + 季节 + 目标人群
处理：基于历史数据分析 + LLM规划生成
输出：季度运营计划表（Excel/PDF）
稽查Agent
java
public class ComplianceAgent { // 实时聊天监控 // 违规词库匹配（正则 + LLM语义理解） // 高风险对话识别（客诉、平台转移等） // 自动生成稽查报告 }
模块3：培训与考核系统
实现思路：
数字人培训系统
PPT解析 → 脚本生成 → 数字人视频合成
集成TTS（文本转语音）和动画引擎
知识库问答系统（RAG架构）
text
用户提问 → 语义理解 → 向量检索 → 知识提取 → 安全转换 → 回答生成
智能考核系统
自动生成培训考题
AI模拟客服对话考核
生成学习报告和改进建议
模块4：小红书运营工具
实现思路：
爆款分析引擎
java
public class XiaohongshuAnalyzer { // 输入：爆款笔记数据（飞书导出） // 分析：标题策略、内容结构、图片风格、标签使用 // 输出：爆款公式和复制建议 }文案生成器
基于产品信息和目标人群生成多风格文案
A/B测试建议生成
提示词反推系统
java
// 核心算法：图像特征提取 + LLM描述生成 public String reverseEngineerPrompt(Image image) { // 1. 使用CV分析图像特征 // 2. 使用LLM生成详细描述 // 3. 转换为nano banana兼容的提示词 }
模块5：产品管理工具套件
实现思路：
竞品分析智能流
text
竞品数据 → 多模态提取 → 产品Agent分析 → 报告生成
PPT智能生成
基于数据分析自动生成PPT结构
智能配图和建议文案
导出为可编辑格式
用户画像系统
多源数据融合（问卷、聊天、购买记录）
LLM生成用户画像描述
可视化展示
合规文案生成器
集成广告法和化妆品法规知识库
自动合规性检查
生成安全的包装文案
模块6：管理层AI助理
实现思路：
java
public class ManagementAssistant { // 多模态输入支持（文字、语音、图片、数据） // 能力： // 1. 数据解读和可视化 // 2. 报告自动生成 // 3. 会议纪要整理 // 4. 决策支持建议 }三、技术实现建议
1. 微服务拆分建议
text
sales-system/ ├── ai-content-service/ # AI内容生成 ├── agent-collaboration/ # 智能体协作 ├── training-system/ # 培训考核 ├── compliance-monitor/ # 合规稽查 ├── xhs-toolkit/ # 小红书工具 ├── product-management/ # 产品管理 └── management-assistant/ # 管理层助理
2. 数据库设计要点
向量数据库：Chroma/Pinecone（用于RAG）
关系型数据库：MySQL/PostgreSQL（业务数据）
文档存储：MongoDB（非结构化数据）
缓存：Redis（热点数据、会话状态）
3. 关键集成点
yaml
ai-integrations: text-generation: 通义千问/OpenAI兼容 image-generation: 通义千问图像API embedding: 通义千问/OpenAI document-parsing: LangChain4j + Apache POI vector-db: Chroma (本地部署)
4. 合规与安全
数据加密存储
隐私保护（客户数据脱敏）
内容安全审核（集成风控系统）
操作审计日志
四、实施路线图
第一阶段（1-2个月）：基础平台
AI引擎搭建
核心智能体开发
文档处理框架
第二阶段（2-3个月）：核心工具
祛斑对比图生成
知识库问答系统
合规稽查工具
第三阶段（3-4个月）：扩展功能
小红书运营套件
产品管理工具
培训考核系统
第四阶段（1-2个月）：集成优化
管理层助理
工作流自动化
性能优化
五、注意事项
法律合规
化妆品广告法规遵循
用户隐私保护
内容审核机制
技术风险
AI生成内容的不确定性
多模态处理的性能优化
系统集成复杂度
商业化考虑
多租户支持
计费系统
API开放能力
这个项目需要15-20人的技术团队，预计开发周期10-12个月。建议采用敏捷开发，分阶段交付，每2周一个迭代。关键是要构建可扩展的AI基础设施，为后续功能添加打好基础。
我们首先来分析需求，这个项目是一个企业级商业化的超大型项目，涉及多个工具和智能体。由于项目庞大，我们需要分模块实现。根据需求，我们可以将工具分为以下几类：
私域运营工具（包括AI生成祛斑对比图/视频、产品详情页图片生成、内容智能体、运营智能体）
培训工具（数字人+ppt视频、知识库问答智能体、业务销售产品知识考察智能体）
稽查工具（智能体聊天记录筛查、实时消息违规判断）
小红书工具（数据分析、AI生文案、AI生图、工作流串联）
产品端工具（数据收集、市场洞察、竞品分析、辅助输出PPT、用户画像、AI问卷、品效分析、产品包装文案、包装设计、包材款式寻找、达人商务联络方式收集）
管理层工具（AI小助理）
注意：需求中明确指出爬虫相关的内容做不了，因此涉及爬虫的部分我们需要忽略或寻找替代方案。
由于项目庞大，我们不可能在一个pom.xml中实现所有功能，但是我们可以先根据需求调整pom.xml，确保所需依赖都已包含。
根据现有pom.xml，我们已经有了很多依赖，包括Spring Boot、LangChain4j、POI、PDF处理、图片处理、模板引擎、图表生成、二维码生成等。但是，我们还需要根据需求增加一些依赖，比如：
数字人生成可能需要额外的依赖（如OpenCV、FFmpeg等，但这里我们可能不需要自己实现，可以选择调用外部API）
视频处理可能需要FFmpeg
更多AI模型集成（如用于生图的模型，但生图我们可能调用外部API，如nano banana，所以不需要本地生图模型）
考虑到生图、生视频等需求，我们可能需要调用外部API，因此我们需要有HTTP客户端、JSON处理等依赖，这些已经包含（如okhttp、fastjson2）。
但是，我们还需要注意，项目需求中有些工具需要基于LLM实现，因此LangChain4j的依赖已经足够。另外，我们可能需要集成一些外部AI服务，比如通义千问（dashscope-sdk-java）已经包含。
现在，我们需要为每个工具设计实现思路，并给出项目提示词（即如何向开发团队描述这个任务）。由于时间有限，我们不可能详细设计每个工具，但可以给出整体架构和关键实现点。
整体架构建议：
使用Spring Boot作为后端框架。
使用LangChain4j来构建AI智能体，集成外部LLM（如通义千问、OpenAI等）。
对于生图、生视频等需求，调用外部API（如nano banana、Veo等），因此需要封装这些API的调用。
对于知识库问答，使用RAG（检索增强生成）技术，需要构建知识库、嵌入模型、向量数据库等。我们可以使用LangChain4j提供的工具。
对于稽查工具，需要实时处理消息，可以使用WebSocket或消息队列，但需求中提到了发消息触发回调，所以可能需要一个回调接口。
由于项目庞大，我们分模块给出提示词和实现思路。
注意：以下提示词是给开发团队看的，用于指导他们如何实现。
模块1：私域运营工具
1.1 AI生成祛斑对比图/视频
提示词：我们需要一个工具，能够根据用户输入的要求（如人物描述、场景要求、斑点类型等）自动生成提示词，然后调用外部生图API（如nano banana）生成对比图，并进一步调用生视频API（如Veo）生成对比视频。生成过程中需要注意保护隐私，如添加马赛克。
实现思路：
构建一个提示词生成器，根据用户输入生成符合要求的提示词（可以基于模板，也可以使用LLM生成）。
调用生图API，生成图片，并保存到本地或云存储。
调用生视频API，将生成的图片作为首帧，生成视频。
注意：生图和生视频的API可能需要封装，包括错误处理、重试等。
1.2 产品详情页图片生成
提示词：根据产品信息生成产品详情页图片，不带文字。
实现思路：类似1.1，调用生图API，但需要根据产品信息生成不同的图片风格。
1.3 内容智能体
提示词：基于产品、季节活动、人群等信息生成内容运营规划，包括规划制定和执行。
实现思路：使用LLM（如通义千问）分析输入信息，生成结构化的内容运营规划，并可以进一步拆解为可执行任务。
1.4 运营智能体
提示词：基于BI数据的运营策略优化。
实现思路：集成BI数据，使用LLM分析数据，给出优化建议。需要能够读取BI数据（可能是数据库或导出文件），然后由LLM分析。
模块2：培训工具
2.1 数字人+PPT视频
提示词：将PPT转换为数字人讲解的视频。
实现思路：调用外部数字人视频生成API，将PPT每一页转换为图片，然后生成数字人讲解视频。可能需要文本转语音（TTS）和视频合成。
2.2 知识库问答智能体
提示词：构建一个基于知识库的问答系统，用户提问后，由美容专家AGENT提炼问题，通过RAG检索知识库，然后由美容导师AGENT将专业内容转化为口语化回答。
实现思路：
构建知识库：将培训资料、产品知识等文档导入向量数据库。
使用LangChain4j构建RAG流程：用户提问 -> 问题提炼（使用LLM） -> 向量检索 -> 获取相关知识 -> 使用LLM生成回答（要求口语化、易理解）。
注意：需要两个AGENT，一个负责提炼问题，一个负责生成回答。
2.3 业务销售产品知识考察智能体
提示词：自动生成培训内容，然后以问答形式考察客服，最终给出学习情况和改进建议。
实现思路：
使用LLM从培训材料中生成问题。
构建一个交互式问答系统，记录客服的回答。
使用LLM评估客服的回答，并给出改进建议。
模块3：稽查工具
3.1 智能体聊天记录筛查
提示词：自动筛查聊天记录，识别违规内容，并格式化输出。
实现思路：使用LLM分析聊天记录，识别违禁词、二维码、引导其他平台交易等，并输出结构化报告。
3.2 发消息触发回调到服务器，agent处理消息内容实时判断消息内容是否违规
提示词：在聊天过程中，实时判断消息是否违规。
实现思路：通过回调接口，将消息发送到我们的服务器，由LLM实时判断，并返回结果。注意性能要求。
模块4：小红书工具
4.1 数据分析，对标爆款笔记分析
提示词：获取爆款笔记后，由AGENT分析爆款原因。
实现思路：使用LLM分析笔记内容、标题、图片等，总结爆款特点。
4.2 AI生文案
提示词：根据产品信息和爆款分析，生成小红书文案。
实现思路：使用LLM生成文案，注意文案风格要符合小红书平台。
4.3 AI生图
提示词：根据文案或产品生成图片，要求高还原度。
实现思路：调用生图API，使用提示词反推技术，生成与对标图片相似的图片。
4.4 工作流串起来
提示词：将数据分析、生文案、生图等步骤串联起来，形成自动化工作流。
实现思路：使用工作流引擎（如Camunda）或简单使用代码编排步骤。
模块5：产品端工具
5.1 数据收集：由于爬虫做不了，我们忽略或使用公开数据集。
5.2 市场洞察：分析行业报告，使用LLM总结。
5.3 竞品分析：使用多模态AGENT分析竞品图片、文案等，提取信息并分析。
5.4 辅助输出PPT的AI：使用LLM根据输入信息生成PPT大纲，然后使用模板生成PPT。
5.5 用户画像：基于历史数据（问卷、聊天记录）使用LLM分析用户特征。
5.6 AI问卷输出：使用LLM生成问卷。
5.7 品效分析：分析ERP数据，使用LLM提炼结论。
5.8 产品包装文案：使用LLM生成合规的包装文案。
5.9 包装设计：调用生图API生成设计效果图。
5.10 包材款式寻找：建立包材款式库，使用图像检索技术（这里可能需要图像识别，但如果没有爬虫，我们只能使用已有图片）。
5.11 达人商务联络方式收集：同样，爬虫做不了，我们忽略。
模块6：管理层工具
6.1 AI小助理（多模态）：一个综合性的智能体，可以处理文本、图片、数据等多模态输入，协助管理层工作。
实现思路：使用多模态LLM（如通义千问VL）构建一个智能助理，能够回答各种问题，生成报告等。
由于项目庞大，我们需要分阶段实现。首先，确保pom.xml中的依赖足够。根据上述分析，我们可能需要增加以下依赖：
对于数字人视频生成，可能需要FFmpeg的Java封装（如javacv-platform已经包含，但版本较老，可以更新）。
对于向量数据库，我们可以使用内置的InMemoryEmbeddingStore（LangChain4j提供）或连接外部向量数据库（如Redis、Milvus等）。这里我们先使用内存向量数据库，后期再扩展。
我们可以在pom.xml中添加以下依赖（如果还没有的话）：
对于FFmpeg，我们已经有了javacv-platform，但版本是1.5.9，可以尝试更新到最新版本（但注意兼容性）。
对于向量数据库，我们可以先使用内存向量数据库，所以不需要额外依赖。
另外，我们可能需要使用Spring Boot的WebSocket支持，用于实时消息处理。
现在，我们调整pom.xml，添加可能需要的依赖，并去除重复的依赖。
注意：现有的pom.xml中有很多重复的依赖，我们需要清理一下。
由于时间有限，我们只给出关键依赖的添加，并清理重复依赖。具体实现时，还需要根据每个模块的需求调整。
我们首先清理重复的依赖，然后添加可能缺少的依赖。
清理后的pom.xml（注意：由于原有pom.xml内容过长，我们只给出关键调整，具体清理工作由开发团队完成）：
移除重复的POI依赖、PDFBox依赖等。
添加WebSocket依赖（如果需要实时消息处理）。
添加向量数据库依赖（如Milvus，但这里我们先使用内存向量数据库，所以暂时不添加外部向量数据库依赖）。
调整后的pom.xml（部分）：
我们保留原有依赖，但去除重复。
添加Spring Boot WebSocket依赖。
由于原有pom.xml内容太多，我们在这里只给出调整的部分，具体清理工作由开发团队完成。
我们假设开发团队会清理重复依赖，并确保所有必要依赖都已包含。
现在，我们给出项目提示词和实现思路的总结，作为开发团队的指导。
总结提示词：
项目名称：SalesSystem（销售系统）—— 企业级商业化私域运营工具集
项目目标：构建一个集成了AI生成内容、智能培训、聊天稽查、小红书运营、产品端工具和管理层工具的超大型企业级系统。
技术栈：
后端：Spring Boot 2.7.18
AI集成：LangChain4j 0.32.0，通义千问（dashscope-sdk-java）
文档处理：Apache POI, PDFBox
图片处理：TwelveMonkeys ImageIO, OpenCV（通过JavaCV）
模板引擎：Thymeleaf
其他：Lombok, Fastjson2, OkHttp, 等等
架构设计：
采用微服务架构？由于项目庞大，建议拆分为多个微服务，但根据现有pom.xml，我们暂时构建一个单体应用，后期再拆分。
每个工具作为独立的模块，共享共同的AI服务和工具类。
开发步骤：
首先，搭建Spring Boot项目，确保所有依赖都能正确引入。
分模块开发，每个模块对应一个工具。
对于需要调用外部API的工具，先封装外部API的调用客户端。
对于智能体，使用LangChain4j构建，并集成通义千问或其他LLM。
注意：由于爬虫相关功能不做，相关模块需要调整或忽略。
注意事项：
项目商业化，要求高质量、高稳定性，因此需要完善的错误处理、日志记录、监控等。
涉及用户隐私（如聊天记录、用户图像）需要严格保护，遵守相关法律法规。
系统性能要求高，尤其是实时稽查工具，需要快速响应。
由于项目需求非常庞大，我们建议先实现核心功能，再逐步扩展。
最后，我们给出调整后的pom.xml（清理重复依赖并添加必要依赖）的示例。由于原有pom.xml内容过多，我们只展示调整后的部分，重复依赖已去除。
注意：以下pom.xml是示例，实际开发中需要根据模块需求调整。
