https://www.woyaofei.cn/257.html阅读路径:这是 168 那篇的实践版——把「四模块模板」落成一个能每天跑的东西。第一组看他怎么用 Why/What/How 把需求收住(这一组的纪律比技术更值钱);第二组是全篇骨架:五层拆解,其中「快照层」是大多数人漏掉的一层;第三组是七步落地顺序,第 3 步和第 6 步是稳定性的真正来源;第四组是五条自检判据。赶时间只看第二组的表和三张 Step。
一句话结论:报告不稳定,九成不是分析不稳,是交付格式和取数顺序每次都在变;把「报告目录 → 数据协议 → 采集脚本 → 固定模板 → 校验」这条链钉死,模型只在中间那一小段做语义判断,报告才从「试一次挺惊艳」变成「每天都能用」。
他的原话是:很多人写 Skill 一上来就写脚本、写命令、写调用链,越写越容易失控——因为业务边界还没说清楚,工具已经开始替你决定结果了。
所以第一件事是写 Why / What / How,不是为了方法论完整,而是防止把一个小需求做成大杂烩。
他举的例子是:1 个自有 ASIN、3 个竞品在盯。每天真正关心的只有五件事——竞品有没有降价、有没有突然上 Coupon、BSR 是不是变好、自己的核心词有没有掉排名、差评是不是集中在某个质量问题。
麻烦在于这些数据不在一个地方:价格看卖家精灵、BSR 看 Keepa、关键词看 H10、流量在另一个工具。人工做一轮四十分钟起,而且三个毛病:容易漏(昨天降了 2 美元今天就忘了原价)、复盘难(没有事件记录,只能翻聊天记录和截图)、说不清(报告里全是截图,问来源和参数还原不了)。
| 维度 | 内容 |
|---|---|
| 做什么 | 基于 Sorftime CLI,把自有与竞品 ASIN 的变化整理成 HTML 报告 |
| 不做什么 | 不是 ERP、不管库存;不是广告后台、不自动优化投放;不做真实利润核算 |
| 为什么收这么窄 | 边界一松就掉进「无休止消耗 token 的漩涡」 |
报告里放五类内容:
| 类别 | 具体项 |
|---|---|
| 当前状态 | 价格、销量、BSR、评分评论、Coupon、Buybox、Listing 资产、关键词覆盖 |
| 历史趋势 | 近 14/30/60/90 天的销量、BSR、价格、评分曲线 |
| 变更事件 | 降价、上券、改标题、变体调整、断货、新卖家、关键词排名波动 |
| 对比结论 | 自有 vs 竞品的优势、劣势、风险、机会 |
| 运营建议 | 调价、上券、投词、优化 Listing、新增监控 |
| 规则 | 内容 | 违反后的后果 |
|---|---|---|
| 数据只走一个口径 | 第一版只用 Sorftime CLI,不混接一堆工具 | 报告看着丰富,出问题不知道是哪层口径变了 |
| 流程固定 | 采集 → 缓存 → 快照 → 快照差异 → 分析 → 渲染,每步有输入输出 | AI 会随时改流程,结果不可比 |
| 结果可追溯 | 每个结论能回查到接口、参数、响应文件 | 团队不敢信这份报告 |
他还说了一句很关键的话:规则不用一开始就想全,先有「必须定规则」这个意识,跟 AI 多轮讨论迭代出来。
这一组是整篇最不像技术、却最决定成败的部分。他把「做不做、做多大」和「怎么做」严格分开,并且给出了收窄边界的理由——不是审美,是成本:边界越宽,模型临场发挥的空间越大,token 与不可复现性一起上涨。
你的晨报午报已经是「标的监控」,但结构上缺两块:一是只有当日快照、没有跨日差分;二是没有「不做什么」的显式声明(现在是顺手把基金净值、K 线、消息面都塞进去)。照他的做法,先在 CONTEXT.md 里给晨报写三条边界:只覆盖持仓与观察池、只做变化提示不做买卖建议、数据源固定为腾讯+东财+雅虎三源,其余一律不进第一版。
| 层 | 职责 | 关键点 |
|---|---|---|
| 需求层 | Why / What / How | 先写文档,不写代码 |
| 采集层 | 调 CLI 拿数据 | 记真实命令与参数,存原始响应 |
| 快照层 | 每天存一份,比较差异 | 没有快照,报告只能描述现状 |
| 分析层 | 把事实拼成判断 | 确定性计算交脚本,意图判断交模型 |
| 交付层 | 单文件 HTML | 目录固定、图表可交互、审计在底部 |
他的说法很直接:只采一次数据,只能知道「现在是什么样」;运营真正关心的是变化。所以每天保存快照,再比较快照差异:
| 变化 | 记为 |
|---|---|
| 价格 29.99 → 25.99 | 降价 |
| 新增 Coupon | 促销变化 |
| 标题变化 | Listing 调整 |
| 核心词排名 8 → 24 | 关键词流失 |
| 差评里频繁出现「发热」 | 质量预警 |
「竞品降价了」是事实,不是结论。要判断的是:为什么降、是促销还是价格战、降完 BSR 有没有变好、有没有同时上券、我们的价格差是不是被拉大。
他把这件事拆成两类:排名变化、价格差值、搜索量排序这类确定性计算交给脚本;竞品意图、评论主题归纳、运营建议这类有判断成分的交给模型,但只能基于已采集的数据说话。
| 需求 | HTML 的做法 |
|---|---|
| 开会要跳转 | 左侧目录固定 |
| 看趋势 | 图表比截图清楚 |
| 多 ASIN 对比 | 表格可排序 |
| 要追溯 | 接口审计放底部 |
| 要转发 | 单文件离线打开 |
这一层拆解真正的贡献是「快照」这个中间态。多数人做监控,做的是「今天的数据 + 今天的分析」,产出的是一份日报;他做的是「今天的数据 − 昨天的数据 = 事件」,产出的是一个可累积的事件流。两者在第二周就分道扬镳:前者每天从零,后者越跑越有上下文。
你的 K 线浮卡已经有「距高点、分位、量能」这类计算,但都在报告生成时现算,没有历史序列可比。加一层:每天把 quote + 指标落 snapshots/YYYYMMDD.json,第二天 diff 出事件(跌幅 ≥3%、跌破 MA20、量能 ≥2 倍、创 20 日新低),报告里那一段就从「当前符合某条规则」变成「今天发生了什么变化」。这一步做完,你才谈得上「事件驱动」。
| 步 | 做什么 | 不这么做会怎样 |
|---|---|---|
| 1 | 写需求文档(谁用、什么时候用、第一版交付什么、报告有哪些模块、哪些是真实值哪些是估算、CLI 能做什么不能做什么) | 大模型会把小需求扩写成「看起来很完整」的方案 |
| 2 | 先定报告目录,再定接口 | 变成「拿到什么字段就展示什么」 |
| 3 | 设计 report_data.json 作为中间合同 | CLI 返回一变,页面模板跟着乱 |
| 4 | 写采集脚本(编排,不重造 CLI) | 页面直接吃原始 JSON,token 全花在模型读数据上 |
| 5 | 写分析脚本(事实 → 可用结论) | 模型既算数又判断,错在哪分不清 |
| 6 | 固定 HTML 模板 | 格式每天变,被误判成「分析不稳」 |
| 7 | 校验(完整性、逻辑、离线可开、图表渲染、审计生成、有没有调错接口) | 演示很好看,真用几次就露馅 |
他给的骨架是:meta(报告日期、站点)、summary(风险数、机会数)、asin_snapshots、price_trends、keyword_gap、review_voc、events、action_items、request_audit。
理由一句话:CLI 返回会变,页面模板不应该跟着乱动;只要这份合同稳,模板就能稳。这也是让 AI 输出稳定的关键之一——别让它每次都面对一堆原始 JSON 自己理解。
他强调了两遍:这个细节非常非常重要。AI 在对话中读到返回结果就会浪费大量 token,所以采集脚本要把数据直接存到硬盘或数据库,只把必要摘要交给模型。脚本越确定越好:该失败就失败、该记录就记录,不要静悄悄吞掉错误,更不要在数据缺失时让 AI 自己补。
七步里真正反直觉的是第 2 步和第 6 步。第 2 步说「先想清楚给人看什么」,第 6 步说「模板固定之后,变化的只是数据」。这两步合起来就是把「每次重新生成」改成「每次重新填」。他由此给了一个很硬的判断:很多人觉得 AI 报告不稳定,其实不是分析不稳定,而是交付格式每次都在变。
report_data.json 是采集层与渲染层之间唯一被允许的接口。你的 report_html.py 现在就是「页面直接吃原始返回」:抓完行情直接在内存里拼 HTML。照第 3 步改一版——抓完先写 report_data.json(meta、持仓、行情、指标、事件、消息、审计),渲染只读这份 JSON。收益很具体:同一份数据可以出晨报、午报、周报三种版式,而不用抓三次;出问题时也能拿着 JSON 复现,不用重跑抓取。
| 判据 | 具体标准 | 反例 |
|---|---|---|
| 边界清楚 | 只做三件事:一个数据口径、竞品变化监控、HTML 报告 | 顺手加自动调价、库存、利润核算 |
| 流程稳定 | 锁定需求 → dry-run 审计 → 采集 → 建数据协议 → 校验 → 渲染 → QA | 每次靠 AI 自己想步骤 |
| 数据能追溯 | 哪个接口、什么参数、响应文件在哪、有没有命中缓存 | 报告只有结论,没有来源 |
| 输出能看 | 先结论、再证据、再行动 | 生成一堆 JSON 就交差 |
| 后面改得动 | 能在原结构上加「竞品上券事件」「关键词流失模块」 | 每改一次推倒重来 |
结尾他写得很清楚:AI 真正有用的地方不是替运营拍脑袋,而是把重复、琐碎、要按步骤执行的活跑稳;要不要跟价、要不要加广告、要不要改 Listing,这些判断不能甩给 AI。一个好用的运营 Skill,本质是把五件东西装在一起:业务 SOP、数据接口、分析口径、报告模板、校验与审计。
这一组是验收清单,也是他给「AI 能不能替代运营」这个问题的回答:能替代采集与整理,不能替代取舍。他刻意把「判断」留在人身上,理由不是能力不足,而是判断没法用同一套口径复跑——而这恰好是 Skill 的前提。
拿这五条给你的晨报打个分:SOP 有(在 WORKING-METHODS.md)、接口有、口径部分有、模板固定、校验几乎没有(数据不全也照发)。最该补的是第五条——在 report_html.py 里加一个 validate():必填字段、时间戳新鲜度、数据条数下限,任一不过就降级为「数据不全」提示。这一步做完,「报告看起来正常但其实缺数据」这类事故会直接消失。
| 这篇里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 边界写「不做什么」 | 晨报顺手塞了行情、基金、消息、K 线 | 在 CONTEXT.md 给晨报写三条边界,越界的进「附录」不进正文 |
| 快照差分出事件 | 只有当日快照,规则是状态判定 | 每日落 snapshots/YYYYMMDD.json,次日出事件段 |
| report_data.json 中间合同 | 抓完直接拼 HTML,数据不可复用 | 先写 JSON 再渲染,一份数据出三种版式 |
| 原始返回不过模型 | 我经常直接读接口原始 JSON 判断 | 采集脚本摘要化,模型只读摘要与事实包 |
| 模板固定 | 已在做(浮卡五栏) | 把「接口审计」区块补进模板底部 |
| 七步里的校验 | 没有 validate | 加必填/时效/条数三闸,不过就降级提示 |
| 判断留给人 | 报告里有「反方一句」 | 保留,但标明是规则生成,不冒充结论 |
原文:Jax丰哥《如何从 0 到 1 构建一个亚马逊竞品监控 Skills》,2026-06-14,约 8.4 千字。
本篇依据:原文全文逐段核对。七步顺序、五类报告内容、三条规则、五条判据均为原文表述;report_data.json 字段清单照原文骨架列出。
更正与边界:文中的报告图表他自己注明「部分为 Mock 数据」,所以「效果很好」这类判断不能当证据看;另外第一版把「利润核算」排除在外,意味着这份报告不能直接用于定价决策,只能用于盯变化。
定位:中文深蒸馏,不是译稿也不是逐字摘要。标「对你的实际应用」的部分是我的分析,与原文分开;引用原文处标「原文在说什么」。