登录
电商系统集成GenUI SDK实操指南
2026年4月23日 14:38
本文由云软件体验技术团队岑灌铭原创。
简介：本文以智能导购助手场景为例，带大家实操体验生成式UI带来的全新交互方式。
- OpenTiny 官网：opentiny.design
- GenUI SDK 代码仓库：github.com/opentiny/ge… （欢迎star ⭐）
1. 集成目标
在电商前端中加入一个「AI 导购助手」，能力包含：
- 通过
GenuiChat展示对话与生成式 UI 内容 - 通过 MCP 工具实时搜索商品
- 渲染自定义商品卡片组件
- 支持 AI 触发交互动作：加购、跳转商品详情、跳转购物车
2. 前置准备
2.1 环境要求
- Node.js
18+ - pnpm
10+
2.2 安装项目依赖
在仓库根目录执行：
pnpm install
2.3 启动 GenUI 后端服务
- 进入
server目录，复制环境变量文件：
cd server
cp .env.example .env
- 编辑
server/.env，至少配置：
-
API_KEY：你的模型服务 Key -
BASE_URL：模型服务地址（OpenAI 兼容接口） -
PORT：服务端口（默认3100）
- 回到仓库根目录启动服务：
pnpm dev:server
运行成功后就可以看到控制台输出了genui-sdk-server is running on http://localhost:3100
大模型对话接口为
http://localhost:3100/chat/completions。
至此，后台服务就准备完成了，下面来进行前端的改造。
3. 前端安装 GenUI 相关依赖
在 packages/e-commerce 中需要这些依赖：
@opentiny/genui-sdk-vue@modelcontextprotocol/sdkzodopenai
可执行：
pnpm -F e-commerce add @opentiny/genui-sdk-vue @modelcontextprotocol/sdk openai zod
4. 集成GenuiChat：生成式UI初体验
先做最小可体验版本：只要能看到聊天框、发送消息后，能接受到大模型返回就算成功。
4.1 新建 AI 对话助手
创建 src/components/AIAssistantDrawer.vue, 代码如下：
<script setup lang="ts">
import { computed, ref, type ComponentPublicInstance } from 'vue'
import { GenuiChat, GenuiConfigProvider } from '@opentiny/genui-sdk-vue'
const props = defineProps<{
modelValue: boolean
}>()
const emit = defineEmits<{
(e: 'update:modelValue', value: boolean): void
}>()
type GenuiChatExposed = ComponentPublicInstance & {
handleNewConversation: () => void
}
const chatRef = ref<GenuiChatExposed | null>(null)
const theme = ref<'dark' | 'lite' | 'light'>('light')
const model = ref('deepseek-v3.2')
const temperature = ref(0)
const chatConfig = {
addToolCallContext: false,
showThinkingResult: true,
}
const chatUrl = 'http://localhost:3100/chat/completions'
function closeDrawer() {
emit('update:modelValue', false)
}
function startNewConversation() {
chatRef.value?.handleNewConversation()
}
</script>
<template>
<Teleport to="body">
<Transition name="drawer-fade">
<div v-if="modelValue" class="assistant-layer" @click.self="closeDrawer">
<aside class="assistant-drawer" aria-label="AI 导购助手">
<header class="assistant-drawer__header">
<div>
<h2>AI 导购助手</h2>
</div>
<div class="assistant-drawer__actions" role="toolbar" aria-label="助手操作">
<button type="button" class="assistant-drawer__action" @click="startNewConversation">
新建对话
</button>
<button type="button" class="assistant-drawer__close" @click="closeDrawer">关闭</button>
</div>
</header>
<section class="assistant-drawer__content">
<div class="assistant-chat">
<GenuiConfigProvider :theme="theme">
<GenuiChat
ref="chatRef"
:url="chatUrl"
:model="model"
:temperature="temperature"
:chat-config="chatConfig"
/>
</GenuiConfigProvider>
</div>
</section>
</aside>
</div>
</Transition>
</Teleport>
</template>
<style scoped>
.drawer-fade-enter-active,
.drawer-fade-leave-active {
transition: opacity 0.2s ease;
}
.drawer-fade-enter-from,
.drawer-fade-leave-to {
opacity: 0;
}
.assistant-layer {
position: fixed;
inset: 0;
z-index: 75;
background: rgba(17, 8, 38, 0.26);
display: flex;
justify-content: flex-end;
}
.assistant-drawer {
width: min(600px, 95vw);
height: 100%;
background: #fcf9ff;
border-left: 1px solid #e5d9ff;
box-shadow: -12px 0 34px rgba(20, 8, 41, 0.24);
display: flex;
flex-direction: column;
}
.assistant-drawer__header {
padding: 16px;
border-bottom: 1px solid #eadfff;
display: flex;
justify-content: space-between;
gap: 12px;
}
.assistant-drawer__header h2 {
margin: 0;
color: #20133c;
font-size: 18px;
}
.assistant-drawer__header p {
margin: 4px 0 0;
color: #73668d;
font-size: 12px;
}
.assistant-drawer__actions {
display: flex;
flex-shrink: 0;
align-items: flex-start;
gap: 8px;
}
.assistant-drawer__action,
.assistant-drawer__close {
border: 1px solid #ddcff9;
background: #fff;
color: #5e4e79;
border-radius: 8px;
height: 32px;
padding: 0 10px;
cursor: pointer;
font-size: 13px;
white-space: nowrap;
}
.assistant-drawer__action {
border-color: #c4b5fd;
color: #4c1d95;
background: #f5f3ff;
}
.assistant-drawer__action:hover {
background: #ede9fe;
}
.assistant-drawer__content {
min-height: 0;
flex: 1;
}
.assistant-chat {
height: 100%;
}
.assistant-chat :deep(.tiny-config-provider) {
height: 100%;
}
@media (max-width: 760px) {
.assistant-drawer {
width: 100vw;
}
}
</style>
添加完成后，还需要在App.vue中引入并使用。
引入使用AIAssistantDrawer
import AIAssistantDrawer from './components/AIAssistantDrawer.vue'
import { ref } from 'vue'
const assistantOpen = ref(false)
加入悬浮球，用于控制助手的隐藏显示。
<button
class="assistant-fab"
type="button"
aria-label="打开 AI 导购助手"
@click="assistantOpen = true"
>
<span class="assistant-fab__dot">AI</span>
<span class="assistant-fab__text">
导购助手
<small v-if="totalCount > 0">{{ totalCount }} 件待结算</small>
</span>
</button>
<AIAssistantDrawer
v-if="assistantOpen"
v-model="assistantOpen"
/>
给悬浮球配置一下样式
.assistant-fab {
position: fixed;
right: 18px;
bottom: 20px;
z-index: 72;
border: 0;
border-radius: 999px;
background: linear-gradient(135deg, #8b5cf6 0%, #6366f1 100%);
color: #fff;
min-height: 52px;
padding: 8px 14px 8px 10px;
display: inline-flex;
align-items: center;
gap: 10px;
box-shadow: 0 10px 24px rgba(77, 46, 141, 0.28);
cursor: pointer;
}
.assistant-fab__dot {
width: 34px;
height: 34px;
border-radius: 50%;
display: grid;
place-items: center;
font-size: 12px;
font-weight: 700;
background: rgba(255, 255, 255, 0.18);
}
.assistant-fab__text {
display: grid;
text-align: left;
gap: 1px;
font-size: 13px;
font-weight: 700;
line-height: 1.2;
}
.assistant-fab__text small {
font-size: 11px;
font-weight: 500;
opacity: 0.88;
}
4.2 开始体验
运行前端后，点击AI助手的悬浮球，确认：
- 侧边抽屉对话界面能打开/关闭
- 聊天框能正常展示
- 输入消息能体验生成式UI能力
可以尝试在输入中输入“你好呀！”，查看大模型返回。
现在生成式UI的能力已经集成到系统中，不过目前的生成式UI和系统还没有半点联系，是两个完全独立的模块。下面我们来将电商系统能力接入到生成式UI当中，使其成为一个智能导购助手。
新建一个文件夹， src/genui。
5. 集成MCP：商品查询能力赋能
智能助手最重要的一个能力就是商品搜索，因此需要将电商系统中的商品搜索能力接入到智能助手中。
5.1 MCP工具开发
新建一个文件 src/genui/mcp/product-mcp.ts。我们来开发一个商品搜索的mcp服务。这里我们将业务系统中已有的商品查询能力引入，进过包装后，成功MCP工具。
import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js'
import { z } from 'zod'
import { searchProducts } from '../../api'
import type { Product } from '../../types'
export const SEARCH_PRODUCTS_TOOL = 'search_products'
export const SearchProductsArgsSchema = z.object({
keyword: z.string().min(1, 'keyword 不能为空'),
limit: z.number().int().min(1).max(10).optional(),
})
export const ProductSchema = z.object({
id: z.string(),
title: z.string(),
price: z.number(),
image: z.string(),
description: z.string(),
tags: z.array(z.string()),
rating: z.number(),
ratingCount: z.number(),
inStock: z.boolean(),
badgeText: z.string(),
})
export const SearchProductsResultSchema = z.object({
tool: z.literal(SEARCH_PRODUCTS_TOOL),
keyword: z.string(),
total: z.number().int().min(0),
found: z.boolean(),
results: z.array(ProductSchema),
})
export type SearchProductsArgs = z.infer<typeof SearchProductsArgsSchema>
export type SearchProductsResult = z.infer<typeof SearchProductsResultSchema>
async function searchProductsByBusiness(keyword: string, limit = 4): Promise<Product[]> {
const results = await searchProducts(keyword)
return results.slice(0, limit)
}
export function createProductMcpServer() {
const server = new McpServer(
{ name: 'e-commerce-product-mcp-server', version: '1.0.0' },
{},
)
server.registerTool(
SEARCH_PRODUCTS_TOOL,
{
title: '搜索商品',
description: '根据关键词在商品库中搜索商品',
inputSchema: SearchProductsArgsSchema,
},
async (rawArgs) => {
const parsedArgs = SearchProductsArgsSchema.safeParse(rawArgs)
if (!parsedArgs.success) {
throw new Error('参数校验失败')
}
const { keyword, limit = 4 } = parsedArgs.data
const results = await searchProductsByBusiness(keyword, limit)
const payload = SearchProductsResultSchema.parse({
tool: SEARCH_PRODUCTS_TOOL,
keyword,
total: results.length,
found: results.length > 0,
results,
})
return {
content: [{ type: 'text', text: JSON.stringify(payload) }],
}
},
)
return server
}
5.2 MCP Client开发
有了工具，还需要一个MCP Client去调用工具，下面我来编写MCP Client的代码，这里的MCP Server和MCP Client都运行在同一服务当中，因此我们选择选择使用InMemoryTransport 即可。
新建文件src/genui/mcp/mcp-client.ts
import OpenAI from 'openai'
import { Client } from '@modelcontextprotocol/sdk/client'
import { InMemoryTransport } from '@modelcontextprotocol/sdk/inMemory.js'
import { createProductMcpServer } from './product-mcp'
let clientPromise: Promise<Client> | null = null
async function createClient() {
const [clientTransport, serverTransport] = InMemoryTransport.createLinkedPair()
const server = createProductMcpServer()
await server.connect(serverTransport)
const client = new Client({ name: 'e-commerce-product-mcp-client', version: '1.0.0' }, {})
await client.connect(clientTransport)
return client
}
export function getMcpClient() {
if (!clientPromise) clientPromise = createClient()
return clientPromise
}
export async function getOpenAITools() {
const client = await getMcpClient()
const raw = await (client as unknown as { listTools: () => Promise<{ tools?: Array<Record<string, unknown>> }> }).listTools()
const tools = Array.isArray(raw?.tools) ? raw.tools : []
return tools
.filter((tool) => typeof tool?.name === 'string')
.map(
(tool) =>
({
type: 'function',
function: {
name: tool.name as string,
description: typeof tool.description === 'string' ? tool.description : '',
parameters:
tool.inputSchema && typeof tool.inputSchema === 'object'
? (tool.inputSchema as Record<string, unknown>)
: { type: 'object', properties: {} },
},
}) as OpenAI.Chat.Completions.ChatCompletionTool,
)
}
export async function callMcpToolAsText(name: string, args: Record<string, unknown> = {}) {
const client = await getMcpClient()
const result = await client.callTool({ name, arguments: args })
const content = Array.isArray((result as { content?: unknown }).content)
? ((result as { content: Array<{ type?: string; text?: string }> }).content ?? [])
: []
const text = content.find((item) => item.type === 'text' && typeof item.text === 'string')?.text
return text ?? JSON.stringify(result)
}
5.3 自定义fetch
要想将MCP能力接入到智能助手中，还需要通过自定义fetch。在自定义fetch中，去处理工具的多轮调用和工具参数的流式返回。
新建文件：src/genui/mcp/custom-fetch.ts
import OpenAI from 'openai'
import type { CustomFetch } from '@opentiny/genui-sdk-vue'
import { getOpenAITools, callMcpToolAsText } from './mcp-client'
interface OpenAIFetchConfig {
apiKey: string
baseURL?: string
defaultModel?: string
maxToolSteps?: number
}
type ParsedRequestBody = {
model?: string
temperature?: number
messages?: unknown[]
}
type ToolCallDelta = {
index?: number
id?: string
function?: {
name?: string
arguments?: string
}
}
type ToolCall = {
id: string
type: 'function'
function: {
name: string
arguments: string
}
}
function encodeSseChunk(encoder: TextEncoder, data: unknown) {
return encoder.encode(`data: ${JSON.stringify(data)}\n\n`)
}
function parseRequestBody(body: string): ParsedRequestBody {
try {
return JSON.parse(body) as ParsedRequestBody
} catch {
return {}
}
}
function accumulateToolCalls(target: ToolCall[], deltas: ToolCallDelta[]) {
for (const delta of deltas) {
const index = delta.index ?? 0
const item = (target[index] ??= {
id: delta.id ?? '',
type: 'function',
function: { name: '', arguments: '' },
})
if (delta.id) item.id = delta.id
if (delta.function?.name) item.function.name += delta.function.name
if (delta.function?.arguments) item.function.arguments += delta.function.arguments
}
}
async function executeToolCall(toolCall: ToolCall, currentMessages: unknown[]) {
const createResult = (result: string) => {
currentMessages.push({ role: 'tool', tool_call_id: toolCall.id, content: result })
return {
id: toolCall.id,
type: 'function',
function: {
name: toolCall.function.name,
arguments: toolCall.function.arguments,
result,
},
}
}
try {
const result = await callMcpToolAsText(toolCall.function.name, JSON.parse(toolCall.function.arguments || '{}'))
return createResult(JSON.stringify(result))
} catch (error) {
return createResult(
JSON.stringify({
error: error instanceof Error ? error.message : '工具执行失败',
}),
)
}
}
const systemPrompt = `
你是一个电商导购助手，你的任务是根据用户的需求，推荐商品。禁止使用mock数据，必须使用mcp工具获取商品数据。
你的可展示区域宽度不大，请注意你的布局。商品卡片宽度差不多占满了显示区域，请注意排版，单行只可以放一张商品卡片。
如果缺少的商品，请提示用户，让用户自行通过其他方式购买。
`
export function createMcpOpenAICustomFetch(config: OpenAIFetchConfig): CustomFetch {
const openai = new OpenAI({
apiKey: config.apiKey,
baseURL: config.baseURL,
dangerouslyAllowBrowser: true,
})
const maxToolSteps = config.maxToolSteps ?? 20
return async (
_url: string,
options: {
method: string
headers: Record<string, string>
body: string
signal?: AbortSignal
},
) => {
const req: any = parseRequestBody(options.body)
const encoder = new TextEncoder()
const stream = new ReadableStream<Uint8Array>({
async start(controller) {
try {
let step = 0
const currentMessages = [{ role: 'system', content: systemPrompt }, ...req.messages]
const tools = await getOpenAITools()
while (step < maxToolSteps) {
const completion = await openai.chat.completions.create(
{
...req,
messages: currentMessages as OpenAI.Chat.Completions.ChatCompletionMessageParam[],
tools,
tool_choice: 'auto',
stream: true,
},
{ signal: options.signal },
)
const toolCalls: ToolCall[] = []
let hasToolCall = false
let shouldContinue = false
for await (const chunk of completion) {
const choice = chunk.choices?.[0]
if (!choice) continue
if (choice.delta.tool_calls && choice.delta.tool_calls.length > 0) {
hasToolCall = true
accumulateToolCalls(toolCalls, choice.delta.tool_calls as ToolCallDelta[])
}
controller.enqueue(encodeSseChunk(encoder, chunk))
if (choice.finish_reason === 'tool_calls' && toolCalls.length > 0) {
currentMessages.push({
role: 'assistant',
content: null,
tool_calls: toolCalls,
})
const toolResults = await Promise.all(
toolCalls.map(async (item, index) => ({ ...(await executeToolCall(item, currentMessages)), index })),
)
controller.enqueue(
encodeSseChunk(encoder, {
id: chunk.id,
object: 'chat.completion.chunk',
model: chunk.model,
created: chunk.created || Math.floor(Date.now() / 1000),
choices: [
{
index: 0,
delta: { tool_calls_result: toolResults },
finish_reason: 'tool_calls',
},
],
}),
)
shouldContinue = true
break
}
if (choice.finish_reason && choice.finish_reason !== 'tool_calls') {
shouldContinue = false
break
}
}
step += 1
if (!hasToolCall || !shouldContinue) break
}
controller.enqueue(encoder.encode('data: [DONE]\n\n'))
controller.close()
} catch (error) {
controller.enqueue(
encodeSseChunk(encoder, {
error: {
message: error instanceof Error ? error.message : 'customFetch 处理失败',
type: 'custom_fetch_error',
},
}),
)
controller.error(error)
}
},
})
return new Response(stream, {
status: 200,
headers: {
'Content-Type': 'text/event-stream',
'Cache-Control': 'no-cache',
Connection: 'keep-alive',
},
})
}
}
6.引入自定义fetch：工具调用
改造一下AIAssistantDrawer.vue, 引入并使用自定义fetch
import { createMcpOpenAICustomFetch } from '../genui/mcp/custom-fetch'
// ...省略部分代码
// 在model定义的后面创建自定义fetch
const customFetch = createMcpOpenAICustomFetch({
apiKey: 'sk-trial',
baseURL: 'http://localhost:3100',
defaultModel: model.value,
maxToolSteps: 20,
})
改造一下GenuiChat使用的地方，传入customFetch
<GenuiChat
ref="chatRef"
:url="chatUrl"
:model="model"
:temperature="temperature"
:custom-fetch="customFetch"
:chat-config="chatConfig"
/>
这个时候，就可以重新运行项目，然后打开导购助手，输入问题 “我想去露营！但我没经验，也没装备，预算 1500 元以内！”，体验，查看一下助手的回答。
可以看到，这里助手已经可以调用MCP工具去进行商品查询，并实现了多轮的工具调用后生成商品卡片
而且目前生成的商品卡片是由大模型随机生成的排版和样式，体验与原本电商系统中不一致。并且目前点击加入购物车也并未成功。
目前在组件与交互的体验上，仍有部分细节不够完善，整体使用感受尚未达到理想状态。接下来，我们就围绕这两部分进行优化，让组件表现与交互行为更加贴合原生系统体验。
7. 自定义组件：复刻原生系统体验，保持一致交互质感
新建文件 src/genui/chat/custom-components.ts 复用电商系统中的ProductCard.vue商品卡片。填写相关字段和定义好参数。提供给大模型进行理解，ref字段配置组件。在渲染时会渲染指定组件。
import ProductCard from '../../components/ProductCard.vue'
export const customComponents = [
{
component: 'ProductCard',
name: '导购商品卡片',
description:
'展示推荐商品信息，单张卡片宽度是600px，请注意排版，另外组件包含onOpen和onAdd事件，请务必给对应的事件绑定对应的交互事件',
schema: {
properties: [
{ property: 'id', type: 'string', description: '商品 id' },
{ property: 'title', type: 'string', description: '商品标题', required: true },
{ property: 'price', type: 'number', description: '商品价格', required: true },
{ property: 'image', type: 'string', description: '商品图片 URL' },
{ property: 'description', type: 'string', description: '商品描述' },
{ property: 'tags', type: 'array', description: '标签数组' },
{ property: 'rating', type: 'number', description: '评分，0-5' },
{ property: 'ratingCount', type: 'number', description: '评分人数' },
{ property: 'inStock', type: 'boolean', description: '是否有货' },
{ property: 'badgeText', type: 'string', description: '角标文案' },
{ property: 'onOpen', type: 'function', description: '打开商品详情，必须绑定跳转商品页详情事件' },
{ property: 'onAdd', type: 'function', description: '加入购物车，必须绑定加入购物车事件' },
],
},
ref: ProductCard,
},
]
可以看到，这里是ProductCard.vue是从原有的电商系统引入的，我们没有写一行组件代码。
同样的，在AIAssistantDrawer.vue引入并使用自定义组件
import { customComponents } from '../genui/chat/custom-components'
<GenuiChat
ref="chatRef"
:url="chatUrl"
:customFetch="customFetch"
:customComponents="customComponents"
:model="model"
:temperature="temperature"
:chat-config="chatConfig"
/>
刷新页面后，重新输入刚刚的问题：“我想去露营！但我没经验，也没装备，预算 1500 元以内！” 可以看到，现在的商品卡片已经和电商系统中的保持一致了。
组件添加完毕后，我们再来添加一下对应的交互
8. 自定义交互：贴合业务场景，原生体验不割裂
在 src/genui/chat/custom-actions.ts 定义交互动作：
addToCartopenProductopenCart
import { z } from 'zod'
import type { ICustomActionItem } from '@opentiny/genui-sdk-vue'
import type { Product } from '../../types'
const ProductActionSchema = z.object({
id: z.string(),
title: z.string(),
price: z.number(),
image: z.string().optional(),
description: z.string().optional(),
tags: z.array(z.string()).optional(),
rating: z.number().optional(),
ratingCount: z.number().optional(),
inStock: z.boolean().optional(),
badgeText: z.string().optional(),
})
const OpenProductSchema = z.object({
productId: z.string(),
})
type CreateActionOptions = {
addProduct: (product: Product) => void
openProduct: (id: string) => void
openCart: () => void
}
export function createCustomActions(options: CreateActionOptions) {
return [
{
name: 'addToCart',
description: '将商品加入购物车',
parameters: {
type: 'object',
properties: {
product: {
type: 'object',
description: '待加入购物车商品',
properties: {
id: { type: 'string', description: '商品 id' },
title: { type: 'string', description: '商品标题' },
price: { type: 'number', description: '商品价格' },
image: { type: 'string', description: '商品图片 URL' },
description: { type: 'string', description: '商品描述' },
tags: { type: 'array', description: '标签数组' },
rating: { type: 'number', description: '评分' },
ratingCount: { type: 'number', description: '评分人数' },
inStock: { type: 'boolean', description: '是否有货' },
badgeText: { type: 'string', description: '角标文案' },
},
required: ['id', 'title', 'price'],
},
},
required: ['product'],
} as const,
execute: (params: unknown) => {
const parsed = z
.object({ product: ProductActionSchema })
.safeParse(params)
if (!parsed.success) return
options.addProduct(parsed.data.product as Product)
},
},
{
name: 'openProduct',
description: '跳转到商品详情页',
parameters: {
type: 'object',
properties: {
productId: { type: 'string', description: '商品 id' },
},
required: ['productId'],
} as const,
execute: (params: unknown) => {
const parsed = OpenProductSchema.safeParse(params)
if (!parsed.success) return
options.openProduct(parsed.data.productId)
},
},
{
name: 'openCart',
description: '打开当前用户购物车页面',
parameters: {
type: 'object',
properties: {},
} as const,
execute: () => {
options.openCart()
},
},
] as ICustomActionItem[]
}
然后在 AIAssistantDrawer.vue 中：
- 通过
createCustomActions(...)注入动作 - 把动作绑定到真实业务（购物车和路由）
import type { Product } from '../types'
import { createCustomActions } from '../genui/chat/custom-actions'
import { useCart, useCartNotice } from '../composables'
import { useRouter } from 'vue-router'
const router = useRouter()
const { addToCart } = useCart()
const { showCartNotice } = useCartNotice()
function onAddProduct(product: Product) {
addToCart(product, 1)
showCartNotice(product.title)
}
const customActions = computed(() =>
createCustomActions({
addProduct: onAddProduct,
openProduct: (id) => {
closeDrawer()
router.push(`/products/${id}`)
},
openCart: () => {
closeDrawer()
router.push('/cart')
},
}),
)
<GenuiChat
ref="chatRef"
:url="chatUrl"
:model="model"
:temperature="temperature"
:custom-fetch="customFetch"
:custom-components="customComponents"
:custom-actions="customActions"
:chat-config="chatConfig"
/>
最后修改一下提示词，加上自定义组件和自定义相互相关的约束
你是一个电商导购助手，你的任务是根据用户的需求，推荐商品。禁止使用mock数据，必须使用mcp工具获取商品数据。推荐完商品后，最后加上加入购物按钮，并绑定方法，点击跳转到购物。
你的可展示区域宽度不大，请注意你的布局。商品卡片宽度差不多占满了显示区域，请注意排版，单行只可以放一张商品卡片。
商品卡片需要绑定加入购物车事件和打开商品详情事件，请务必给对应的事件绑定对应的交互事件, 禁止自定义方法，必须使用this.callAction中提到的方法， 例如：this.callAction('addToCart', { product: product })
如果缺少的商品，请提示用户，让用户自行通过其他方式购买。
集成了自定义组件和自定义交互后，我们再来输入问题 “我想去露营！但我没经验，也没装备，预算 1500 元以内！”，体验，查看一下助手的回答。
卡片生成完毕后，我们点击加入购物车，可以看到，成功地弹出了提示。并且购物车中也添加了对应的商品。
至此，一个完整的电商导购助手就完成了~
关于 OpenTiny NEXT
OpenTiny NEXT 是一套企业智能前端开发解决方案，以生成式 UI 和 WebMCP 两大核心技术为基础，对现有传统的 TinyVue 组件库、TinyEngine 低代码引擎等产品进行智能化升级，构建出面向 Agent 应用的前端 NEXT-SDKs、AI Extension、TinyRobot智能助手、GenUI等新产品，实现AI理解用户意图自主完成任务，加速企业应用的智能化改造。
欢迎加入 OpenTiny 开源社区。添加微信小助手：opentiny-official 一起参与交流前端技术～
OpenTiny 官网：opentiny.design
GenUI SDK 代码仓库：github.com/opentiny/ge… （欢迎star ⭐）
如果你也想要共建，可以进入代码仓库，找到 good first issue标签，一起参与开源贡献~如果你有任何问题，欢迎在评论区留言交流！
