Amazon Rufus AI问答

从浏览器到插件同步Rufus问答，了解客户所有购买意图，购买路径和购买心理，提供决策标准，行为分析

亚马逊AI洞察报告（ai标准版）Rufus insight

这份图片展示的是一份关于 Amazon Rufus AI（亚马逊购物助手）生成的“AI 洞察报告”。该报告针对某个特定的电脑冷却/散热产品进行了分析，指出该产品存在严重的定位偏差。

以下是图片中所有文字的提取内容：

Amazon Rufus AI 问答

从浏览器插件同步 Rufus 问答，了解客户购买意图

AI 洞察报告 | Rufus Insights

? 高层概览 (Executive Summary)

• Listing健康度评分： C

• 关键结论 (Key Takeaways)：

• 严重的产品-意图错配： 绝大多数买家...

• 买家认知偏差巨大： 买家普遍误将该...

• 核心信息严重缺失： 详情页缺乏关于...

• 紧急行动 (Critical Actions)：

• 立即优化产品标题和五点描述： 明确...

• 更新A+页面与图片： 增加清晰的产品...

⚖️ 认知偏差矩阵 (Perception  vs  Reality)

• 已确认的强卖点：

• 运营应对： 明确宣传作为“被动...

• 长时间稳定支持： 买家在进行“长时间使用

• 改善笔记本被动散热： AI的回答指...

• 普遍的误解：

• 运营应对： 强调产品是“辅助工...

• 运营应对： 在A+页面和详情页...

• 产品是高性能冷却垫/超频工具：

• 产品能直接解决超频/性能问题：

• 未被满足的期待：

• 运营应对： 明确指出产品不带...

• 运营应对： 产品无法提供此类产品...

• 专业超频服务/高级性能优化： 买家...

• 主动、强力散热功能： 买家直接...

• 竞品对比疑虑：

• 运营应对： 制作清晰的对比图...

• 与其他冷却垫的性能差异： 买家直...

? 售前焦虑与购买阻力 (Pre-purchase & buying resistance...)

• 焦虑指数分布：buying resistance

• 功能误解/不确定性： 70%（买家将...

• 性能担忧： 20%（担心产品无法支...

• 兼容性担忧： 5%（对大型、重型...

• 安全性担忧： 5%（超频风险等，虽...

• 信任危机点：

• 产品定位严重模糊： 买家提问与产品..

您可以根据这份报告调整您的亚马逊 Listing。能够为您针对“性能误解”这点写一段优化 决策

这份图片展示的是一个针对亚马逊（Amazon）卖家的单个关键词分析工具界面，特别是

其中的提示语内容 (Prompt) 配置页面。

以下是图片中文字内容的详细提取：

左侧导航栏菜单

• 单个关键词分析（当前选中）

• 多关键词对比

• 智能推荐

• 竞品分析

• 文案生成 (FABE)

• 产品描述优化

• 期望感受生成

• 品牌故事创作

• 生活场景描述

• 目标人群智能分析

• 使用场景智能推荐

• 智能文案生成

• 目标人群分析

• 用户痛点挖掘

• 使用场景扩展

• 核心卖点提炼

• 差异化优势

• 市场定位

• 视觉风格建议

• Rufus深度洞察

右侧主界面内容

标题与路径

• 单个关键词分析

• 路径：ABA分析 → 搜索表现 → AI分析

提示语内容 (Prompt)

你是一位拥有 10 年经验的亚马逊资深选品与数据分析专家。

核心指令

1. 空值处理：输入数据中的某些字段可能为空（显示...）

2. 角色代入：请根据用户的【经验水平】调整分析的...

3. 目标导向：所有的分析结论必须紧扣用户的【主要目的是什么...】

用户画像与需求

• 主要目标：{{user_preference.main_goal}}

• 预算范围：{{user_preference.budget_range}}

• 经验水平：{{user_preference.experience_level}}

• 时间预期：{{user_preference.time_expectation}}

• 补充需求：{{user_preference.custom_requirements}}

{{product_info_section}}

关键词核心数据

关键词："{{keyword_data.keyword}}"

1. 基础指标

• 平均搜索频率排名：{{keyword_data.search_frequency_...}}

• 最新排名：{{keyword_data.latest_search_frequency_...}}

• 排名增长率 (CAGR)：{{keyword_data.rank_cagr}}%

• 周期覆盖：{{keyword_data.periods_count}} / {{keywords...}}

• ABA得分：{{keyword_data.metrics.rank_score}}（综合...）

• 市场控制度：{{keyword_data.metrics.market_contro...}}

2. 市场结构 (Market Structure)

• 品牌集中度 (HHI)：{{keyword_data.metrics.brand_co...}}

• 市场类型：{{keyword_data.metrics.market_matrix_t...}}

• 主导品牌：{{keyword_data.metrics.dominant_brand}}

• 集中度评分：{{keyword_data.metrics.market_concen...}}

3. 竞争态势 (Competition)

• Top3替换率：{{keyword_data.metrics.replacement_r...}}

• 加权保持率：{{keyword_data.metrics.position_rete...}}

• 品牌更替率：{{keyword_data.metrics.brand_turnove...}}

• 市场稳定性：{{keyword_data.metrics.market_stabil...}}

4. 流量价值 (Traffic Value)

• 平均点击份额：{{keyword_data.metrics.avg_click_s...}}

说明： 该界面展示了如何通过结构化的 Prompt（提示语）和动态变量（如 {{...}} 占位符）来调用 AI 引擎，从而生成专业的亚马逊市场分析报告。

品牌视觉定位

品牌故事+设计风格

品牌故事 Brand Story说明

一、品牌核心定位

二、品牌世界观与叙事主线

核心理念:.....

三幕式叙事结构

三、品牌视觉体系

四、目标人群洞察（用户原型)

五、品牌内容风格

六、品牌哲学文案(官网/About页可用)

七、品牌生态延展建议

设计风格

核心设计风格定义:

视觉执行SOP

Phase 1: 洞察与定义(Insight &Definition)

Phase2: 设计与打磨(Design &Refinement)

Phase 3: 视觉与传达(Visuals &Communication)

关键执行 Checklist:Do &Don't

亚马逊实操

一、 亚马逊视觉的五层结构(按图序P1-P6)

二、 图像与视频语法(实操层面)

1.光影与质感控制

2.构图比例

3.视频风格(用于A+、品牌视频、短视频广告)

三、 文案层级策略(极简可执行)

四、   操作节奏(团队工作流建议)

五， 参考网站/链接收集:www.xxx.com

六，其他补充说明  附件，

您上传的图片展示了一套专为亚马逊卖家设计的AI 运营辅助系统。这些截图涵盖了从后台数据抓取的底层逻辑（接口分析）到前端 AI 分析工具的 Prompt（提示词）配置，以及最终生成的品牌与视觉设计策略大纲。

以下是针对各张图片的详细提取与分析：

图 1：单个关键词分析与 Prompt 配置 (13.jpg)

这张图展示了一个集成在亚马逊后台（ABA 分析 → 搜索表现 → AI 分析）的 Prompt 编辑器。它通过预设的结构化指令，引导 AI 扮演“资深选品与数据分析专家”来解读数据。

• 左侧功能菜单（AI 运营全链路）：

• 分析类： 单个/多关键词分析、竞品分析。

• 创作类： 文案生成 (FABE)、产品描述优化、品牌故事创作。

• 洞察类： 目标人群智能分析、用户痛点挖掘、市场定位、Rufus 深度洞察。

• 核心 Prompt 结构：

• 核心指令： 处理空值数据、根据用户经验调整深度、目标导向分析。

• 用户需求变量： 包括主要目标、预算范围、经验水平、时间预期等占位符（如 {{user_preference.main_goal}}）。

• 关键分析维度： 1.  基础指标： 搜索频率排名、排名增长率 (CAGR)、ABA 得分。

• 2.  市场结构： 品牌集中度 (HHI)、市场类型、主导品牌。

• 3.  竞争态势： Top 3 替换率、品牌更替率、市场稳定性。

• 4.  流量价值： 平均点击份额。

图 2 & 3：品牌故事与设计风格方案 (3.png)

这份文件是大纲形式的品牌出海全案框架，旨在通过 AI 辅助卖家建立差异化竞争优势。

• 一、品牌故事 (Brand Story)：

• 包括品牌核心定位、品牌世界观（三幕式叙事结构）、目标人群洞察（用户原型）以及品牌哲学文案。

• 二、设计风格 (Design Style)：

• 定义核心设计风格，并制定 视觉执行 SOP：从“洞察与定义”到“设计与打磨”，最后进行“视觉与传达”。

• 三、亚马逊实操 (Operations)：

• 视觉五层结构： 指导 P1-P6 图片的排序与逻辑。

• 图像与视频语法： 强调光影质感控制、构图比例，以及适用于 A+ 和品牌视频的风格。

• 文案与节奏： 极简可执行的文案策略及团队工作流建议。

图 4：Charles 数据接口截获 (2.png)

这张图显示了使用 Charles Proxy 抓包工具截取的亚马逊后台数据接口信息。

• 数据内容： 截取了 unagi.amazon.com 域名下的 get_answer_stream 接口数据。

• 关键信息：

• 请求上下文 (queryContext)： 显示了一个具体的买家咨询问题：“What does my order history say about me?”（我的订单历史说明了关于我的什么信息？）。

• 数据结构： 展示了以 id:CHUNK_0 等形式组成的流式数据返回（Stream Data），这是典型的 AI 模型（如 Rufus） 生成回答时的传输方式。

• 会话上下文： 包含了 threadId 和 deviceType: tablet（设备类型：平板）等元数据。

总结： 这一系列图片反映了一个高度自动化的亚马逊运营工作流：通过 Charles 抓包 (图 4) 获取底层的竞争对手或消费者行为原始数据，再通过 结构化的 AI Prompt (图 1) 进行深度分析，最终产出 品牌与视觉执行方案 (图 2/3)。

如果您需要针对 图 1 中的某个特定指标（如 HHI 品牌集中度）进行深度的选品逻辑解释，或者需要我为您扩充 图 2 中的“三幕式叙事结构”，请随时告诉我。

这是一套极其精密且极具实战价值的**“GEO-Rufus 混合评分系统”**。该系统完美结合了学术界对生成式引擎（GE）的最新研究成果与亚马逊 Rufus 的具体算法逻辑。 即生成式引擎优化（GEO）

根据您的要求，本系统分为**“基础建设积分（Base Score）”与“主观可见性系数（Visibility Multipliers）”**两大部分。其目的就是增加生成式引擎被引用的概率.

核心公式： $$ \text{最终得分} = (\sum \text{GEO 9大方法得分}) \times (\prod \text{7大主观指标系数}) $$

第一部分：基础建设积分系统 (GEO Implementation Score)

总分：100分 此部分衡量 Listing 的“硬实力”，即您向 Rufus 提供的“证据”质量。根据您的设定，高权重项占 90%，低权重项占 10%。

A. 核心权重模块（3项，每项30分，共90分）

这是 Rufus 信任并抓取您的核心理由。

1. 引语添加 (Quotation Addition) —— 30分

• GEO 原理：添加来自可靠来源的相关引语能显著提升可见性。生成式引擎优化（GEO）

• Rufus 实战落地：

• 评论挖掘 (15分)：建立“用户语料表”，将 Review 中的真实好评原话（特别是描述场景和痛点的句子）埋入 Listing 的描述或 A+ 中。Rufus 极度依赖 Review 判断真实表现。以及后台填写的属性数据和Q&A

• QA 官方化 (15分)：将售后高频问题转化为 Q&A，并由官方账号回答。这是将隐性知识显性化的最佳“引语”形式。做成讲解视频放在LISTIING

1. 统计数据添加 (Statistics Addition) —— 30分  这个方法尤其重要，在亚马逊和商业性平台

• GEO 原理：将定性描述修改为包含具体的定量统计数据。

• Rufus 实战落地：

• 后台属性填满 (15分)：必须完善 Capacity, Wattage, Dimensions 等结构化字段。这是 AI 的数据源，数据缺失会导致被 Rufus 过滤。

• 五点描述数字化 (15分)：拒绝模糊形容词。不写“大容量”而写“2L 容量”；不写“超长续航”而写“连续工作 45 分钟”。数据一致性至关重要，图片与属性数据冲突会扣分。

1. 引用来源 (Cite Sources) —— 30分

• GEO 原理：添加参考文献和来源引用，增加可验证性。

• Rufus 实战落地（注：因亚马逊无法外链，转化为站内权威证据）：

• 对比图表 (15分)：制作竞品对比表或自家型号对比表。AI 擅长读取表格数据来回答“A 和 B 有什么区别”。

• 认证与标准 (15分)：在描述中明确引用具体的安全标准（如 UL认证编号、FDA 标准），作为可验证的来源背书。

B. 辅助策略模块（6项，每项1.67分，共10分）

这些是基础卫生因子，决定了内容的易读性和语义丰富度。

1. 权威性 (1.67分)：在 A+ 品牌故事中使用行业专家口吻解释技术原理（Mechanism），建立信任感。

2. 5. 流畅性 (1.67分)：确保移动端预览的前三行通顺、无乱码，符合 Rufus 对高质量内容的偏好。

3. 6. 关键词填充 (1.67分)：注意，论文指出单纯堆砌无效。此处应理解为“语义 SEO”，即覆盖长尾词的意图，而非重复堆砌大词。 关键词堆砌会极大影响被生成式引擎引用，显示 和抓取

4. 7. 易于理解 (1.67分)：使用“大白话”覆盖“小白问题”，通过“Grandma Test”（奶奶都能看懂）。

5. 8. 独特词汇 (1.67分)：使用特定的场景限定词（如“适合露营潮湿环境”），增加内容独特性。

6. 9. 专业术语 (1.67分)：与“易于理解”配合，形成“双重表达”（技术术语+口语解释）。

第二部分：主观可见性系数 (Subjective Visibility Multipliers)

系数范围：0.5 ~ 1.5 此部分作为乘数。我们利用 LLM（模拟 Rufus 视角）对 Listing 进行打分，转化为系数。基准系数为 1.0（及格）。 计算逻辑：如果某项指标表现优异，系数 > 1，放大总分；如果表现差，系数 < 1，惩罚总分。

1. 相关性 (Relevance) —— 系数 $$K_$$

• 量化逻辑：Listing 是否包含 Rufus 偏好的“限制条件”？

• 优秀 (1.2)：标题和五点精准覆盖了“场景+人群+限制”（如“适合小公寓的静音吸尘器”）。

• 一般 (1.0)：仅覆盖产品词。

• 差 (0.8)：信息与查询意图不匹配。

1. 影响力 (Influence) —— 系数 $$K_$$

• 量化逻辑：Rufus 的推荐语是否复述了你的核心论点？

• 优秀 (1.3)：Rufus 生成的回答直接引用了你的“痛点解决机制（Mechanism -> Result）”。

• 差 (0.7)：Rufus 忽略了你的核心卖点。

1. 独特性 (Uniqueness) —— 系数 $$K_$$

• 量化逻辑：是否提供了竞品（如 Anker）没有的信息？

• 优秀 (1.2)：包含了“边界条件”或“自曝其短”（如“不适合2015年前车型”），这种精准度在 AI 眼中极具价值。

• 一般 (1.0)：内容千篇一律。

1. 主观位置 (Subjective Position) —— 系数 $$K_$$

• 量化逻辑：核心参数是否前置？

• 优秀 (1.1)：决定生死的硬参数（电压、尺寸）放在标题或五点第一条。

• 差 (0.9)：关键信息埋藏在长文本深处。

1. 主观数量 (Subjective Count) —— 系数 $$K_$$

• 量化逻辑：证据密度如何？

• 优秀 (1.1)：通过 FAQ 模块和场景段落提供了丰富的“证据切面”。

• 差 (0.9)：信息单薄，缺乏细节。

1. 点击可能性 (Likelihood of Clicking) —— 系数 $$K_$$

• 量化逻辑：视觉信息的文本化吸引力。

• 优秀 (1.2)：A+ 图片的 Alt Text 填写完善，且主图具有强吸引力。

• 差 (0.8)：无 Alt Text，图片模糊。

1. 多样性 (Diversity) —— 系数 $$K_$$

• 量化逻辑：表达是否丰富？

• 优秀 (1.1)：同时覆盖了“技术术语”（专业视角）和“小白口语”（用户视角）的双重表达。

• 一般 (1.0)：只有单一维度的描述。

第三部分：模拟实战评分演示

假设我们要优化一款 “便携式充电宝” 来逆袭 Anker。

1. 计算基础得分 (Base Score)

• 引语添加：做了 QA 优化，埋了 Review 词。 -> 30分

• 统计数据：后台属性全填，五点全是具体数字。 -> 30分

• 引用来源：做了与 Anker 的详细参数对比表。 -> 30分

• 辅助项：

• 权威性、流畅性、易于理解、专业术语均优化到位（$1.67 \times 4 = 6.68$）。

• 独特词汇使用了“极地低温不掉电”（1.67）。

• 关键词填充适中（1.67）。

• 辅助项得分合计：10分。

• 基础总分 = 90 + 10 = 100分。

1. 计算主观系数 (Multipliers)

• 相关性：精准覆盖“登山”场景。($K_1=1.2$)

• 影响力：Rufus 推荐语提到了我们的“低温保护机制”。($K_2=1.3$)

• 独特性：写了“不适合给笔记本充电”的边界条件。($K_3=1.2$)

• 主观位置：重量参数放在了标题第一句。($K_4=1.1$)

• 其他：假设其他均为标准分 ($1.0$)。

1. 最终得分

$$ \text{Final Score} = 100 \times (1.2 \times 1.3 \times 1.2 \times 1.1 \times 1.0 \times 1.0 \times 1.0)$$$$ \text{Final Score} = 100 \times 2.059 = \mathbf{205.9}$$

结论： 通过 GEO 的高权重方法打好地基（100分），再通过 Rufus 偏好的主观维度（特别是影响力、相关性和独特性）将效果放大了 2 倍以上。这就是为什么在 Rufus 时代，内容结构优化能让小品牌逆袭大卖（如 Anker）的数学逻辑。

GEO 9个优化方法，其中②引文添加，③统计数据添加，④引用来源，占各30%， 权威性，流畅性，关键词填充易于理解，独特词汇，专业术语，各占比1.67%，加  7 个维度 主观可见性指标  引用性

按照积分机制 引文添加30， 统计数据添加 30， 引用来源30 ，权威性，流畅性，关键词填充易于理解，独特词汇，专业术语，各1.67， 后加   7 个维度 主观可见性指标  引用相乘按照系数，1

2个指标相乘

1. 权威性 (Authoritative)

◦ 策略：修改文本风格，使其听起来更具说服力和权威性。

◦ 目的：迎合生成模型对高质量、可信内容的偏好。

1. 引语添加 (Quotation Addition)

◦ 策略：在内容中添加来自可靠来源的相关引语（Quotations）。

◦ 效果：这是表现最好的策略之一，能显著提升可见性。

1. 统计数据添加 (Statistics Addition)

◦ 策略：将定性描述修改为包含具体的定量统计数据。

◦ 效果：数据驱动的证据能有效增加内容被引用的几率。

1. 引用来源 (Cite Sources)

◦ 策略：在内容中添加相关的参考文献和来源引用。

◦ 效果：通过增加可验证性来提升可信度，显著提升了可见性。

1. 流畅性优化 (Fluency Optimization)

◦ 策略：优化网站文本的流畅度，使其更通顺。

◦ 发现：生成式引擎不仅看重内容，也看重内容的表达质量。

1. 关键词填充 (Keyword Stuffing)

◦ 策略：像传统 SEO 那样，在内容中堆砌更多查询相关的关键词。

◦ 结果：论文发现这种传统 SEO 方法在生成式引擎中效果不佳，甚至可能无效。

1. 易于理解 (Easy-to-Understand)

◦ 策略：简化网站语言，降低阅读难度，使内容更通俗易懂。

◦ 效果：提升了内容的易读性，有助于被生成模型采纳。

1. 独特词汇 (Unique Words)

◦ 策略：在可能的情况下，增加独特的词汇或表达方式。

◦ 目的：增加内容的独特性得分。

1. 专业术语 (Technical Terms)

◦ 策略：在内容中增加相关的技术术语或专业行话。

◦ 目的：展示内容的专业深度。

在您的系统中，这 7 个维度应作为输出端的监控指标。我们利用 LLM（如 GPT-4）模拟 Rufus 或用户的视角，对您的 Listing 进行评分。

1. 相关性 (Relevance)

定义：引用内容与用户查询意图的匹配程度。

系统量化逻辑：检测 Listing 标题和五点是否包含 Rufus 偏好的“限制条件”（如“适合小公寓的静音吸尘器”）。内容越切题，得分越高。

1. 影响力 (Influence)

定义：生成式回复的核心论点在多大程度上依赖该引用。

系统量化逻辑：如果 Rufus 生成的“推荐语”直接复述了您 Listing 中的痛点解决机制（Mechanism -> Result），则影响力满分。

1. 独特性 (Uniqueness)

定义：引用源是否提供了其他来源没有的信息。

系统量化逻辑：检测内容中是否包含竞争对手（如 Anker）未提及的“边界条件”（如“不适合 2015 年以前车型”），这种“自曝其短”在 AI 眼中极具独特性和精准度。

1. 主观位置 (Subjective Position)

定义：从用户视角看，引用在回复中出现的显眼程度。

系统量化逻辑：Listing 的核心参数（硬条件）是否前置？如果在 Rufus 回复的第一句就出现品牌或产品名，则得分最高。

1. 主观数量 (Subjective Count)

定义：用户感知到的该引用贡献了多少实质信息量。

系统量化逻辑：不同于字数统计，这是对“证据密度”的评估。Listing 是否通过 FAQ 和场景段落提供了足够多的“证据切面”。

1. 点击可能性 (Likelihood of Clicking)

定义：用户基于引用的吸引力和可信度点击链接的概率。

系统量化逻辑：这取决于 A+ 图片的 Alt Text（替代文本）和主图的吸引力，因为这是视觉信息的“文本化”入口。

1. 多样性 (Diversity)

定义：引用材料是否丰富了回复的视角。

系统量化逻辑：内容是否同时覆盖了“技术术语”（专业视角）和“小白口语”（用户视角）的双重表达。

亚马逊Rufus洞察报告内容如下：

产品调研 (Executive Summary)

产品调研 (Product Research)

一、产品定位 (Product Positioning)

产品核心卖点 (Core Selling Points)

安全性 (Safety)

便捷性 (Convenience)

美观性 (Aesthetics)

耐用性 (Durability)

目标用户 (Target Users)

家庭用户 (Family Users)

办公室用户 (Office Users)

礼品市场 (Gift Market)

竞争对手分析 (Competitor Analysis)

品牌A (Brand A)

品牌B (Brand B)

品牌C (Brand C)

二、用户需求分析 (User Needs Analysis)

用户痛点 (User Pain Points)

安全隐患 (Safety Hazards)

操作复杂 (Complex Operation)

外观过时 (Outdated Appearance)

价格过高 (High Price)

用户期望 (User Expectations)

高安全性 (High Safety)

易操作 (Easy Operation)

美观设计 (Aesthetic Design)

合理价格 (Reasonable Price)

三、市场趋势 (Market Trends)

智能化趋势 (Intelligent Trend)

智能控制 (Smart Control)

自动化功能 (Automated Functions)

环保趋势 (Environmental Trend)

节能设计 (Energy - saving Design)

环保材料 (Environmental Materials)

四、产品改进建议 (Product Improvement Suggestions)

功能优化 (Function Optimization)

增加智能功能 (Add Smart Functions)

简化操作流程 (Simplify Operation Process)

设计优化 (Design Optimization)

更新外观设计 (Update Appearance Design)

采用环保材料 (Adopt Environmental Materials)

五、营销策略 (Marketing Strategy)

目标市场定位 (Target Market Positioning)

家庭市场 (Family Market)

办公室市场 (Office Market)

礼品市场 (Gift Market)

推广渠道 (Promotion Channels)

线上渠道 (Online Channels)

线下渠道 (Offline Channels)

六、风险评估 (Risk Assessment)

市场风险 (Market Risks)

竞争加剧 (Increased Competition)

需求变化 (Demand Changes)

技术风险 (Technical Risks)

技术更新 (Technology Updates)

专利问题 (Patent Issues)

七、结论 (Conclusion)

通过以上分析，产品在安全性、便捷性、美观性和耐用性方面具有优势，目标用户包括家庭、办公室和礼品市场。竞争对手分析显示品牌A、B、C在市场中占据一定份额。用户需求分析表明用户关注安全、操作简便、外观和价格。市场趋势指向智能化和环保。产品改进建议包括功能优化和设计优化。营销策略应针对不同市场定位和推广渠道。风险评估需关注市场竞争和技术更新。总体而言，产品具有市场潜力，但需持续优化和调整策略以适应市场变化。

核心人群侧写 (User Persona & Motivation)

一、用户画像 (User Profile)

基本信息 (Basic Information)

年龄：25 - 45岁 (Age: 25 - 45)

性别：男女比例均衡 (Gender: Balanced)

职业：白领、自由职业者 (Occupation: White - collar, Freelancers)

收入：中等偏上 (Income: Upper - middle)

兴趣爱好 (Interests and Hobbies)

家庭生活 (Family Life)

办公效率 (Office Efficiency)

美学设计 (Aesthetic Design)

二、用户动机 (User Motivation)

购买动机 (Purchase Motivation)

提升生活品质 (Improve Life Quality)

提高工作效率 (Improve Work Efficiency)

礼品需求 (Gift Needs)

使用场景 (Usage Scenarios)

家庭日常使用 (Daily Family Use)

办公室使用 (Office Use)

礼品赠送 (Gift Giving)

三、用户痛点 (User Pain Points)

安全问题 (Safety Issues)

产品安全隐患 (Product Safety Hazards)

操作复杂 (Complex Operation)

体验问题 (Experience Issues)

外观不符合审美 (Appearance Not Meet Aesthetic)

价格超出预算 (Price Exceeds Budget)

四、用户期望 (User Expectations)

功能期望 (Function Expectations)

智能控制 (Smart Control)

易操作 (Easy Operation)

设计期望 (Design Expectations)

美观设计 (Aesthetic Design)

环保材料 (Environmental Materials)

五、用户反馈 (User Feedback)

正面反馈 (Positive Feedback)

安全性高 (High Safety)

操作简便 (Easy Operation)

负面反馈 (Negative Feedback)

外观过时 (Outdated Appearance)

价格过高 (High Price)

六、结论 (Conclusion)

核心用户群体为25 - 45岁、男女比例均衡、职业为白领和自由职业者、收入中等偏上的群体。他们的购买动机主要是提升生活品质、提高工作效率和礼品需求，使用场景包括家庭日常、办公室和礼品赠送。用户痛点集中在安全问题和体验问题，期望功能智能控制和易操作，设计美观和环保材料。用户反馈显示正面和负面并存，需针对问题优化产品。

真实场景还原 (Context & Usage)

一、使用场景 (Usage Scenarios)

家庭场景 (Family Scenario)

日常照明 (Daily Lighting)

装饰摆设 (Decorative Display)

办公场景 (Office Scenario)

工作照明 (Work Lighting)

会议照明 (Meeting Lighting)

礼品场景 (Gift Scenario)

节日送礼 (Holiday Gift)

商务送礼 (Business Gift)

二、用户行为 (User Behavior)

购买行为 (Purchase Behavior)

线上购买 (Online Purchase)

线下购买 (Offline Purchase)

使用行为 (Usage Behavior)

日常使用 (Daily Use)

特殊场合使用 (Special Occasions Use)

三、用户反馈 (User Feedback)

正面反馈 (Positive Feedback)

适用场景广泛 (Wide Applicable Scenarios)

使用便捷 (Convenient Use)

负面反馈 (Negative Feedback)

某些场景不适用 (Not Suitable for Some Scenarios)

使用体验不佳 (Poor Usage Experience)

四、结论 (Conclusion)

产品在家庭、办公和礼品场景中均有应用，用户行为包括线上和线下购买及日常和特殊场合使用。用户反馈显示适用场景广泛但存在某些场景不适用和使用体验不佳的问题，需进一步优化产品以适应更多场景和提升用户体验。

隐性痛点与摩擦 (Hidden Frictions)

一、隐性痛点 (Hidden Pain Points)

未明确表达的需求 (Unexpressed Needs)

智能化需求 (Intelligent Needs)

环保需求 (Environmental Needs)

潜在的安全隐患 (Potential Safety Hazards)

长期使用后的老化问题 (Aging Issues After Long - term Use)

操作失误的风险 (Risk of Operational Errors)

二、摩擦点 (Friction Points)

购买过程中的摩擦 (Friction in Purchase Process)

信息不对称 (Information Asymmetry)

购买渠道复杂 (Complex Purchase Channels)

使用过程中的摩擦 (Friction in Usage Process)

操作复杂 (Complex Operation)

维护困难 (Difficult Maintenance)

三、结论 (Conclusion)

隐性痛点包括未明确表达的智能化和环保需求及潜在的安全隐患，摩擦点集中在购买和使用过程中的信息不对称、渠道复杂、操作复杂和维护困难。需通过优化产品功能和简化流程来减少摩擦，提升用户体验。

爽点与惊喜 (Aha! Moments)

一、爽点 (Aha! Moments)

功能上的爽点 (Functional Aha! Moments)

智能控制带来的便捷 (Convenience from Smart Control)

环保材料带来的安心 (Reassurance from Environmental Materials)

设计上的爽点 (Design Aha! Moments)

美观设计带来的愉悦 (Pleasure from Aesthetic Design)

人性化设计带来的舒适 (Comfort from Humanized Design)

二、惊喜 (Surprises)

超出预期的功能 (Unexpected Functions)

智能联动 (Smart Linkage)

多功能集成 (Multi - function Integration)

超出预期的设计 (Unexpected Designs)

创新外观 (Innovative Appearance)

个性化定制 (Personalized Customization)

三、结论 (Conclusion)

爽点体现在功能上的便捷和设计上的愉悦，惊喜在于超出预期的智能联动、多功能集成、创新外观和个性化定制。这些元素能提升用户满意度和忠诚度，增强产品竞争力。

决策犹豫点 (Hesitation & Risks)

一、决策犹豫点 (Hesitation Points)

价格因素 (Price Factor)

价格是否合理 (Reasonableness of Price)

性价比评估 (Cost - performance Evaluation)

功能因素 (Function Factor)

功能是否满足需求 (Whether Functions Meet Needs)

功能是否冗余 (Whether Functions Are Redundant)

设计因素 (Design Factor)

设计是否符合审美 (Whether Design Meets Aesthetic)

设计是否耐用 (Whether Design Is Durable)

二、风险评估 (Risk Assessment)

市场风险 (Market Risks)

竞争加剧 (Increased Competition)

需求变化 (Demand Changes)

技术风险 (Technical Risks)

技术更新 (Technology Updates)

专利问题 (Patent Issues)

三、结论 (Conclusion)

决策犹豫点集中在价格、功能和设计因素，风险评估需关注市场竞争和技术更新。需通过明确价格定位、优化功能和设计来减少犹豫，降低风险。

文化与身份符号 (Culture & Identity)

一、文化因素 (Cultural Factors)

文化背景 (Cultural Background)

本土文化 (Local Culture)

国际文化 (International Culture)

文化趋势 (Cultural Trends)

传统文化复兴 (Revival of Traditional Culture)

现代文化融合 (Integration of Modern Culture)

二、身份符号 (Identity Symbols)

身份认同 (Identity Recognition)

品牌象征 (Brand Symbol)

产品象征 (Product Symbol)

社交符号 (Social Symbols)

社交货币 (Social Currency)

身份标识 (Identity Marker)

三、结论 (Conclusion)

文化因素包括本土和国际文化背景及传统文化复兴和现代文化融合趋势，身份符号体现在品牌和产品象征及社交货币和身份标识。产品需结合文化趋势和身份符号，提升文化认同和社交价值。

https://ai.feishu.cn/wiki/FG2NwXFh4iQrTUktVqnciuaZn3g?from=from_copylink

https://ai.feishu.cn/wiki/EvUOweJ5AiqJwukVwYac4U43nhe?from=from_copylink

关于Rufus的一些独特思考，结合GEO（最新论文）  & 亚马逊prompt（如何用Rufus优化listing和广告的）&如何用Rufus 优化你的amazon商品详情页（详细解析和实操）

https://ai.feishu.cn/wiki/EvUOweJ5AiqJwukVwYac4U43nhe?from=from_copylink

最近，不少美国站卖家都在广告后台发现了一个叫“提示词（Prompts）”的新功能入口。

很多人可能有点懵，这是什么？要不要开？怎么玩？其实，这背后是亚马逊广告玩法的一次大转向——从关键词广告，开始走向 AI 意图广告。

如果你还不知道这个功能怎么用，可能会错过一波精准流量。

Country, Prompt Text,Advertised SKU, Advertised ASIN,Impressions, click,CTR,CPC,Spend,7 day total sales,total Advertised ORDER

一、 什么是“提示词广告”？跟以前有啥不一样？

Prompt 广告，其实就是亚马逊为了配合 AI 助手（比如 Rufus）推出的一种新广告形式。它不再依赖关键词触发，而是通过“问题+对话”的方式，来推荐与你产品相关的结果。

简单说，当消费者在使用 Rufus 时问出一个与某类产品相关的问题，比如“适合上学的防泼水背包有哪些推荐？”，AI 就会把系统认为匹配的产品作为“赞助答案”展示在对话里。

这个展示位置会带有“Sponsored”标签，是一个专属的广告位。

它的核心逻辑已经从“关键词匹配”转变为“语义理解”，本质上，是让 AI “听懂”消费者的问题后，自动用你的产品来回答他们的问题。

二、 这个广告是怎么运作的？需要我们自己设置吗？

这是大家最关心的问题。答案是：完全不需要卖家进行额外设置。

这个广告是自动集成的，只要你满足两个基本条件：

1. 开通了美国站。（目前主要在美国站测试，仅在移动端展示）

2. 你的产品正在投放 SP 或 SB 广告。

满足条件后，系统会像一个智能买手一样，抓取你的产品详情页、品牌故事、A+内容、QA、Review 等所有公开信息，利用 AI 去深度“理解”你的产品。AI 会自己判断你的产品适合解决什么问题，然后生成对应的引导性问题，整个过程是自动的。

在后台，你可以看到系统为你的产品匹配了哪些“提示词”，并能查看每个提示词带来的曝光、点击和花费。就目前来说，你可以随时选择开启或关闭某一个具体的提示词，但不能主动添加。

有的账号可能在这个界面看到的数据为空，这时候你可以通过下面的 ads report 后台下载查看表现。

三、开着和关掉它，有什么区别？

既然可以关，那是不是意味着效果不好就可以直接关掉？可以，但在这个动作前，你需要明白这背后的利弊。

开着（付费参与）： 你是在抢占 AI 对话里的“赞助展示位”。这不仅能让你获得真实的意图流量和点击，还能通过持续的投放，让产品更稳定地被 Rufus 调用。更重要的是，这给了你压制竞品的机会，有机会让 AI 优先推荐你而非对手。

关掉（不参与）： 你关闭了某个提示词，不代表消费者的这个问题就消失了。这时，如果你的竞品没有关闭，他们的产品就会出现在本该属于你的广告位上，等于把这个精准的流量入口拱手让人了。

所以，除非某个提示词的花费确实很高且转化很差，否则建议保持开启状态，观察数据。

三、 Prompt 报告从哪看？数据去哪找？

既然建议大家前期保持开启来观察数据，那数据在哪里看？

亚马逊其实已经悄悄把报告入口开放了，路径非常简单：直接去后台的 SP 广告报告下载页面，在列表中就会看到一个新的“Prompt”选项，点击即可下载（目前仅限 SP 广告，SB 广告暂未开放）

四、 这对我们卖家意味着什么？未来该怎么做？

Prompts 的出现，其实是给所有卖家提了个醒：Listing 的“语义化”时代来了。

这意味着流量分发的底层逻辑变了：以前是为了迎合算法堆关键词，现在是为让 Rufus 和 Prompts 读懂“语境”和“意图”。

在这种新体系下，Prompt 对不同阶段的产品，也就有了完全不同的意义：

对于老品： Prompt 的命中不仅仅是一次广告展示，更代表了 AI 对你产品的“深度认可”。

这种认可带来的自然曝光权重，往往比单纯的广告竞价更稳固，因为它意味着在 AI 的认知里，你就是这类问题的“最佳答案”。

对于新品： 这是一条冷启动的捷径。如果新品能通过 Prompts 快速被调用，就意味着 AI 迅速读懂了你的产品定位，这比漫无目的地跑关键词积累权重要快得多。

面对这种“AI 意图优先”的趋势，卖家可以尝试做一点调整：

1. Listing 文案更像“人话”，而不仅仅是堆关键词

AI 看重的不是你堆了多少词，而是你的文案是否清晰地描述了产品的核心卖点、适用人群、使用场景和能解决的痛点。Listing 的描述越结构化、越像“人话”，AI 就越容易理解，也就越容易把你的产品匹配给正确的用户问题。

1. 充分优化并利用 A+、品牌故事、QA 等内容模块

A+ 页面里的 QA 模块、品牌故事里的品牌理念、买家真实评价里的使用反馈……这些以前可能被我们视为“锦上添花”的内容，现在都成了 AI 学习和理解我们产品的重要素材。用心优化这些内容，用消费者的语言去回答潜在的问题，能大大增加被 AI 推荐的几率。

1. 从 Prompt 中挖掘“金矿”

后台的 Prompt 列表，其实是一个宝藏。它告诉你，在 AI 眼里，你的产品是用来解决什么问题的。这些真实的、口语化的问题（比如 which one fits... / is this safe for kids...），是任何关键词工具都给不了你的。你可以把这些“金句”：

● 反向优化到你的标题和五点描述里。

● 用作 SD /SB 广告词或 A+ 页面的卖点素材。

● 为你未来的产品迭代提供方向。

Prompts 的出现，其实是在提示我们：未来的流量分发将更看重“语义”而非单纯的“关键词”。

与其埋头在关键词堆砌中打转，不如试着把文案写得更贴近真实的自然语境。当 AI 准确读懂了你的产品场景，它才能在每一次对话中，把你精准地推给需要的买家。

https://baijiahao.baidu.com/s?id=1850294424784713291&wfr=spider&for=pc

Country, 

Prompt Text,

Advertised SKU, 

Advertised ASIN,

Impressions, 

click,

CTR,

CPC,

Spend,

7 day total sales,

total Advertised ORDER