#技术选型

最近公司基本停滞，无事可做的大家每天上午会讨论下可以利用 AI 做什么。这周尝试做了一个成本分析与技术选型的 Agent，目的是降低产品成本、弥补人员链路配置不足的问题，快速进行产品拆解与分析。

项目地址：unit-bot

项目框架

unit-bot/
├── SKILL.md                  # OpenClaw skill 清单与配置说明
├── openclaw_bot.py            # Webhook 服务器（/hooks/agent）
├── agent.py                   # BOM Agent 核心逻辑（Claude 工具调用循环）
├── core/
│   ├── db.py                  # 产品数据库 CRUD（深度合并 / 完整度追踪）
│   ├── bom_loader.py          # 拆机 Excel 解析（自动识别 data/ 目录）
│   ├── components_lib.py      # 标准件库 JSON CRUD
│   └── feishu_sync.py         # 飞书多维表格同步（未配置时静默跳过）
├── scripts/
│   ├── build_components.py    # 拆机 Excel → teardown CSV + 标准件库
│   ├── import_products.py     # 产品数据库 xlsx 批量导入
│   ├── gen_g30spro_teardown.py # AI 辅助拆机草稿生成（模板）
│   └── start.py               # 服务启动入口
├── data/
│   ├── products_db.json        # 产品规格数据库（含 last_updated）
│   ├── teardowns/              # 各机型拆机 CSV（含生成日期，历史版本保留）
│   │   └── {机型}_teardown_{日期}.csv
│   └── lib/
│       └── components_lib.csv  # 标准件库（8桶分类，含 last_updated）
├── .env.example
└── requirements.txt

核心功能

• 8 桶 BOM 成本拆解表（含各桶估算金额与零售价占比）
• 供应链分析：核心件供应商 + 可降级替代方案 + 节省金额

8 桶成本分析框架

关键指标

• 整机 BOM 率：旗舰机约 48–55%（零售价），实际测试一般在30%左右，后续版本会优化一下。
• 基站系统占比随档位差异显著：
  • 入门机（¥2000–2500，仅充电+集尘）5–8%
  • 中档机（¥2500–3500，自清洁+水路）12–15%
  • 旗舰机（¥5000+，加热/烘干/多泵）15–20%

数据获取与分析

数据库结构

统一汇总在飞书表格中调取，本地备份保存。重启服务后数据不丢失。