深蒸馏 · 亚马逊运营 × Codex

如何从 0 到 1 构建一个亚马逊竞品监控 Skills · 深蒸馏(257)

图文原件 | 站点第三早 | 已深蒸馏 2 / 9 | 4 组 · 5 表 · 一次读完
来源:原文 | Jax丰哥 | 2026-06-14 | 8.4 千字
直链(在飞书/企微预览里点击可能被拦截,复制到浏览器打开):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」。

第一组 · 先把业务问题说透

一上来就写脚本,是失控的开始

1.1 他为什么先写文档

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。

1.2 Why:一个充电宝类目的真实一天

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)。

1.3 What:第一版只做一件事
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
1.4 How:三条底线规则
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。

原文在说什么

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。

关键概念
对你的实际应用

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。

第二组 · 把「监控竞品」拆成五层

采集、快照、分析、交付,加一层合同

2.1 五层结构
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
2.2 快照层:全篇最容易被跳过的一层

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
2.3 分析层:别把事实当结论

「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。

2.4 交付层:为什么是 HTML
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
原文在说什么

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。

关键概念
对你的实际应用

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」。

第三组 · 七步落地:顺序比技术重要

从需求文档到校验

3.1 七步
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
3.2 第 3 步:为什么要有 report_data.json

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。

3.3 第 4 步:页面不要直接吃 CLI 的原始返回

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

第四组 · 什么样的 Skill 算好

他给自己的五条判据

4.1 五条
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
4.2 他最后划的那条线

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。

原文在说什么

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。

关键概念
对你的实际应用

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。


与在用工作的关联

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」。