不是AI 给一个答案，而是让它按业务逻辑跑完一条可复核的选品调研链路

真实数据、固定规则、人工复核三件事缺一件，报告就不能当经营决策。

老陈· 基于直播、课程课件与真实案例报告整理

最近有不少同学问我：老陈，我把一个产品名称、一张表格，甚至一个 ASIN 丢给 AI，让它直接判断这个产品能不能做，行不行？

我的答案一直很明确：不行。

所以我这段时间一直在做的，不是再写一串更长的提示词，而是把一套亚马逊市场调研和产品差异化开发的流程，拆成 Agent 可以稳定执行的 Skill。

我想解决的也不是“让 AI 替我选品”。

这个事情做好了，AI 才不是一个会聊天的实习生，而是一个能按 SOP 干活的分析员。

先说结论：Skill 不是提示词，而是一套可以复用的业务判断流程

很多人理解的 Skill，大概是“提示词写得更专业一点”。我觉得这个理解太浅了。

提示词解决的是一次对话怎么说；Skill 要解决的是一个业务流程怎么跑。

如果只看市场规模，很容易把“很大”误读成“值得做”。

如果只看低评分、低价格，也很容易把“看着有机会”误读成“我有能力拿到这个机会”。

对吧？亚马逊卖家真正需要的不是一句“建议进入”，而是四个更具体的问题：

我把这套工作拆成两个连续的 Skill。第一个叫市场调研，负责把整个市场的底盘算出来；第二个叫市场机会深挖，必须在第一个报告已经形成之后才启动，负责把“哪里可能有产品机会”继续拆到可讨论的组合层面。

为什么一定要拆成两段？

因为一个市场是否值得研究，和一个产品到底应该怎么做，是两道不同的题。把它们一口气混在一起，往往会得到一个很热闹、很长，但无法复核的结论。

况且，咱们还得考虑上下文会不会被爆掉这个问题。

先把市场看明白，再讨论差异化。这个顺序不能反。

第一段：市场调研 Skill 先回答，市场有没有继续做的资格

这套 Skill 的输入并不复杂：站点、核心关键词，以及有条件的话补一个类目节点。

但输入简单，不代表后面的判断可以简单。

有些同学会说：“数据工具导出来的表，不就是数据了吗？”

不是。导出表只是原料。

如果一个关键词下面混进了一堆配件、耗材、完全不同的产品结构，你后面算出来的均价、销量、评论和广告压力，都会被拉歪。再漂亮的图表也救不了错误的样本。

所以这套流程有一个很简单的门槛：清洗后有效 Listing 如果少于 50 个，报告不应该硬给市场结论，而是明确标记为低置信样本，建议回到关键词或类目边界重新确认。

这不是保守，这是对结论负责。

在有效样本成立之后，Skill 会把市场拆成几层去看。

第一层是当下：近 30 天的销售额、销量、均价、评论、评分、头部链接和头部品牌的集中度。这些数据回答的是：现在这个盘子有多大，钱主要被谁赚走。

第二层是变化：过去 12 个月按月快照下的价格、销量、销售额、评论、新品和头部格局。这一层尤其重要，因为它用的是每个月当时的 Listing 集合，而不是拿今天还活着的链接去倒推过去。否则那些已经退出市场的失败产品会被悄悄删掉，趋势看起来当然会比真实世界更好。

这就是典型的幸存者偏差。

第三层是流量和投放：先从头部 ASIN 的关键词反查里找出主要流量根词，再按累计流量贡献筛到 Top90，最后再回看这些词的 90 天转化率和加权 PPC。这样拿到的广告压力，才不是随手搜一个大词、看一眼 CPC 就下结论。

我在直播里反复讲过一句话：如果能用公式、用规则、用结构化数据算出来的东西，就不要让大模型去算。

例如广告压力可以先用一个非常朴素的关系做判断：

这不是最终的利润模型，但至少能让我们先知道：这个市场的点击成本、转化效率和客单价放在一起，广告是不是有基本的承受空间。AI 在这里的工作，是把计算结果解释成人话，提醒可能的异常和风险；不是自己编一个“低广告竞争”的结论。

这也是我觉得 Agent 真正有价值的地方：它可以按同一套步骤，把十几个市场先统一过一遍，但它不应该替老板拍板。

用自清洁猫砂盆这个样本，看看一份报告到底在回答什么

前段时间我们拿美国站的 self cleaning litter box 做了一次完整样本。清洗后保留下来的有效 Listing 是 392 个。

报告里看到的不是一个孤零零的“市场规模”，而是一组需要放在一起看的数字：过去 30 天销售额折算年化约 2.10 亿美元，销量约 105.61 万件，样本平均售价约 195.75 美元；头部 10% 链接拿走了 70.1% 的销量，头部 10% 品牌拿走了 67.1% 的销量。

再看广告压力，模型估算 ACOS 大约 11.0%。很多人看到这里会高兴：“老陈，这不挺好吗？”

别急。

低一点的广告压力，并不等于低竞争。它有可能意味着高客单价给了广告更多空间，也有可能是头部链接的转化能力更强，把平均数字拉得好看。你还要把评论集中度、品牌集中度、新品表现、价格带和实际产品结构一起放回来。

这张图里的每一张卡片，单独看意义都有限。市场调研真正有用的地方，是把它们放进一个统一的判断链里：市场容量够不够、集中度会不会把新进入者压死、广告是不是能承受、买家需求有没有变化、新品有没有观察价值。

一份报告要能让不同岗位从同一份数据里拿到不同答案，才算没有白做。

第二段：差异化，要从买家决策里拆出来

市场主报告跑完后，才进入机会深挖。

很多人做产品差异化，一上来就盯着 Listing 标题、五点和图片，试图凭感觉总结几个卖点。这样当然也能做，但很容易变成“竞品有自动清理，那我加个自动清理；竞品有大容量，那我再大一点”。最后做出来的只是竞品的拼贴版。

我更愿意反过来做。

先从 Top90 流量根词里把泛词剥掉，再让 Agent 协助归类：消费者反复在找的，到底是尺寸和适用对象，还是结构方式、废物处理、除臭、清洁便利、静音、安全感，或者其他更具体的决策点？

注意，这里 AI 很适合干活，但不能放飞。

它适合把大量关键词、标题和卖点做语义归类，帮我们形成候选维度；但什么是同一个维度、哪些词只是同义表达、哪些词实际上代表不同的产品结构，必须有规则，也要有人确认。否则 AI 很容易把看起来相近的词硬揉在一起，最后标签漂亮，业务逻辑却是错的。

所以这套流程不是让 Agent 直接给出“差异化方向”，而是先生成候选维度，再由运营、产品或老板从里面确认 3 到 6 个真正值得研究的买家决策维度。

确认完维度后，才对每条有效 Listing 打标签，并计算不同组合在样本里占了多少 Listing、拿了多少销量、平均销量如何。

这里有个很关键的指标，叫供需指数：

如果一个组合的销量份额明显高于它的 Listing 份额，供需指数大于 1，说明它在当前样本里存在相对的供需强度。它不是“市场需求大于供给”的宏观结论，只是一个有用的筛选信号。

这个边界必须写得很清楚。否则又会有人把一个 2.0 的供需指数，当成立项通知书。

好吧，数据没有这么好骗。

在这次自清洁猫砂盆的机会深挖中，我们最终确认了 5 个有效维度，形成了 175 个满足规则的机会组合。其中一个优先观察组合是：大容量 + 自动整机结构 + 废物仓/垃圾袋处理。

这个组合的样本数是 25 个，Listing 份额 6.4%，销量份额 14.1%，平均销量约 433.60，供需指数 2.21，机会评分 67.66。

这组数据为什么值得看？因为它不是单纯告诉你“消费者喜欢大容量”，而是把几个相互关联的购买理由放在了一起：大容量解决多猫或清理频率问题，自动整机结构影响使用体验，废物仓/垃圾袋处理又直接影响清洁和异味管理。

这才接近一个产品方向应该有的样子。

但也只能说“接近”。

一个机会组合要进入产品立项讨论，至少还得再过几关：样本数不能太小，销量份额要确实高于 Listing 份额，产品含义要明确，平均销量要有基本支撑；然后再人工核验主图和评论，确认供应链能不能做、成本能不能算、专利风险和合规要求有没有坑。

如果一个组合只有三五个样本，供需指数再高，也只能放到观察区，不能假装成机会。样本少的时候，可以退回更上层维度继续看，但不要为了凑一个结论强行把不相关的标签合在一起。

报告最怕的，不是没有结论；最怕的是用很确定的语气，包装一个本来就不确定的东西。

Agent 最应该接管的，是重复劳动；最后的判断还得留在人手里

说到这里，可能有人会问：既然还要人工确认，那做 Skill 到底节省了什么？

节省的不是“思考”本身，而是大量低价值、重复、容易漏的工作。

比如：读取不同来源的数据表，检查字段和时间窗口，清洗异常值，计算市场规模和集中度，整理历史趋势，找 Top ASIN 的流量根词，按规则筛 Top90，计算 90 天转化和加权 PPC，对成百上千条 Listing 执行同一套标签逻辑，生成辅助表、HTML 看板和运行日志。

这些事情不应该每次都靠人从头来一遍。

而产品定义、标签维度的确认、机会是否适合自己的供应链、风险是否可控，仍然应该由人来做。因为这些判断里有经营策略，也有资源边界，不是换一个大模型就能解决的。

所以我会把整个输出分成几类，而不是全部塞进“AI 结论”四个字里：

这几个边界越清楚，报告越可信。

很多人以为 AI 的价值是“它能替你下一个结论”。我现在越来越觉得，它更大的价值在于让你不必把精力耗在重复执行上，从而有时间去做真正影响结果的判断。

一份能落地的 Skill，最后应该交付什么？

我不太认可那种只输出一篇 Markdown 长文的“自动分析”。写得再漂亮，过两天你想问：这个数字从哪来的？那个结论是怎么得出的？有没有清洗过异常样本？大概率就找不到了。

所以这套流程最终会保留几层输出。

第一层是主报告：告诉团队市场底盘、趋势、集中度、广告和新品观察结论。

第二层是机会深挖：把买家决策维度、组合标签、供需指数、机会分和需要人工复核的事项拉出来。

第三层是辅助数据：把核心计算、清洗记录、候选关键词、标签明细和规则结果放在可追溯的位置。

第四层是 HTML 看板和运行日志：方便老板快速看，也方便运营和产品同学回头复盘“这次为什么会得到这个结论”。

这样，Agent 接到任务时做的就不是临场表演，而是完整执行一条链路：先确认输入能不能用，再跑市场主报告；市场主报告通过后，才允许继续做机会深挖；如果样本或数据条件不满足，就如实告诉你哪里断了，而不是硬编一个建议。

我觉得这才叫可靠。

至于VOC，很多小伙伴还在纠结怎么去获取竞品Asin所有的评论。说实话，亚马逊改了政策之后，虽然我们现在不是说完全没方法去获取评论，但是确实是很麻烦的。

但是，我们获取评论不就是为了洞察消费者的VOC吗？那我们为什么不能直接通过站外去获取呢？TK、Reddit、Pinterest、YouTube 等等，这些上面其实一大堆。

那么我们怎么通过一整套完整固定的操作流程去获取定向的某种类型产品的来自于这些社媒的消费者VOC呢？大家觉得这对AI Agent而言，难道是多么难的一件事吗？

为什么一定要把它做成 Skill，而不是留在某个人脑子里

做过选品的人应该都有感觉：一个团队里最有价值的东西，往往不在工具里，而在某个老运营、某个选品负责人脑子里。

他知道哪些数据不能信，知道某个类目要先看什么，知道看到 70% 集中度时该紧张，知道小样本的漂亮机会不能当真，也知道哪些事情必须拉产品和供应链一起复核。

但如果这些都只是“经验”，它就很难被复制。

换一个人做，报告的口径变了；忙起来漏两步，结论又变了；新人进来，只能靠看老人的脸色慢慢学。最后你会发现，团队不是没有数据，而是没有一套稳定的判断方式。

Skill 的意义，就是把这些经验里能被明确表达的部分沉淀下来：输入是什么，数据源是什么，判断顺序是什么，阈值是什么，谁来做最后确认，输出需要长什么样。

它不是用来替你拍板，而是让团队少在错误的数据、错误的顺序和错误的幻觉上耗时间。

你把一张表丢给 AI，它会给你一段答案。

你把一套成熟的业务逻辑做成 Skill，它才有机会替你跑出一条真正能复盘、能交接、能继续迭代的选品调研链路。

案例说明：文中自清洁猫砂盆数据来自 2026 年 6 月的本地市场调研与机会深挖看板，仅用于说明方法与数据口径，不构成当前市场、投资或立项结论。