知识库 · 亚马逊运营 × Codex

Jax丰哥在跨境写代码 · 知识库

9 篇原创 + 8 个工具页 · 已深蒸馏 9 / 9(9 篇均有独立深蒸馏网页版)· 4 组

网页版:整篇 来源:woyaofei.cn(WordPress,正文走 /wp-json/wp/v2/posts 全量取,原件存 ~/.agent-autoloop/wyf/raw/)| 号主:Jax丰哥,亚马逊运营 + 自研 Skill | 【20261012 update - Total — 】

零、知识链路

主线 这九篇是同一套东西的不同切面:把运营里靠人肉记忆和临场判断的活,改成「固定流程 + 单一口径 + 可追溯产物」。工具层只有一条判据——这份结论能不能离开聊天窗口。

转折一(2026-05 → 06)

从「让 AI 写分析」到「让 AI 跑流程」。最初那篇还是拿 MCP/CLI 把选品模板填满;到竞品监控那篇,他先把 Why / What / How 写死、把边界收住——第一版只做一件事,明确不是 ERP、不管库存、不做利润核算。理由很实在:边界不收住,就掉进无休止烧 token 的漩涡。

转折二(2026-06 → 07)

从「堆工具」到「一套口径」。VOC 那篇最狠的一句是「最核心的不是 LLM,而是 taxonomy」。同一个问题今天叫尺寸、明天叫规格、后天叫空间不足,报告就没法统计。所以标签必须闭集、打不进的要有个「判不了」的出口、残差聚类再补标签,而且标签体系要版本化。

转折三(2026-07 → 10)

从「脚本」到「Skill 是入口约束」。运行时数据不放 Skill 目录、落用户目录 + 审计库;情报那篇把「只有 gate.status = passed 的报告才允许导出」写进流程;巡检那篇把「采集异常只能记数据未知,不得推断业务异常」写成状态机。共同点:模型只读紧凑汇总,原始数据落文件与数据库。

层次 从下往上读:

层内容本辑对应读它的用处在哪
判断层这事该不该做、边界在哪竞品监控的 Why/What/How、巡检的 0.4 建设范围决定做不做、做多大
数据层口径、缓存、落盘、复跑MCP vs CLI 的 manifest、情报 Skill 的采集与去重决定结论能不能复现
语义层标签与分类怎么稳VOC 的 taxonomy 闭集、LLM Wiki决定能不能统计与追踪
交付层报告、告警、安装巡检的事件模型与状态机、安装教程的自检决定能不能落到人手上

一、目录大纲

全部为图文,无音视频(站点唯一的视频是直播回放,未公开)。正文页可直接读,无需登录。

架构与选型(2 条 · 已深蒸馏 2)

#标题精读深蒸馏网页版原文
1亚马逊 Skills 中到底应该用 MCP 还是用 CLI§2.1.1网页版原文
2LLM Wiki 和 RAG 知识库的区别§2.1.2网页版原文

自研 Skill 四件套(4 条 · 已深蒸馏 4)

#标题精读深蒸馏网页版原文
3如何从 0 到 1 构建一个亚马逊竞品监控 Skills§2.2.1网页版原文
4如何用 Codex 构建一个 Amazon VOC 打标签系统§2.2.2网页版原文
5如何用 Skills 做 Listing 每日巡检(硬核完整技术方案)§2.2.3网页版原文
6用 Codex 打造跨境情报 Skill§2.2.4网页版原文

上手与交付(2 条 · 已深蒸馏 2)

#标题精读深蒸馏网页版原文
7Listing 巡检 Skill 安装与使用教程§2.3.1网页版原文
8如何利用 MCP/CLI 与大模型实现全自动市场调研?§2.3.2网页版原文

运营基本功(1 条 · 已深蒸馏 1)

#标题精读深蒸馏网页版原文
9运营面试里,为什么很多人讲不清自己做过什么?§2.4.1网页版原文

附:工具页(8 个,演示与源码,不进精读)

页面是什么链接
自动化市场调研 HTML 源码报告成品与源码打开
Amazon VOC HTML 报告打标后的报告样例打开
ASIN 竞品监控 Demo事件时间线样例打开
赛维 2.0 与单店 9810 模式动态交互业务模式可视化打开
资讯 AI 读情报流成品打开
关于我 / 留言板 / 微信群作者与社群关于 · 留言

二、精读正文

架构与选型

2.1.1 亚马逊 Skills 中到底应该用 MCP 还是用 CLI

2026-07-03 | 1.46 万字 | 深蒸馏网页版 | 原文

原文在说什么

他翻自己写过的亚马逊 Skill,发现市场调研、竞品监控、VOC 全走 Sorftime CLI,于是自问:既然官方有 MCP,为什么主干还是 CLI。答案不是技术优劣,是交付要求不同。关键在于他在 Codex 里说「B0FCYFS3LW 单品分析」时看到的一幕:product_report 返回的不是数据,而是一段「分析方法」——先查详情、再看类目 Top100、拉好评差评、比对类目特点、反查关键词、最后给 Listing 与广告建议。也就是说这个 MCP 工具本质是个流程提示器,它把「单品报告该看什么」递给了模型。由此他给出分工:MCP 做探索入口,CLI + Python 管道做执行主干,Skill 负责把业务 SOP 编排成可复用流程。判据只有一句:这份结论能不能离开聊天窗口。

关键概念

探索入口 vs 执行管道;流程提示器(tool 返回方法而不是结果);manifest 记账(cache_hit / request_consumed / request_left);分页 stop_reason(reached_total / empty_page);事实包链路(raw → DuckDB → facts → agent_input → report_data.json → HTML);Skill 是小型工作流,不是一段 prompt。

对你的实际应用

你的 K 线源链是「多源兜底」,但晨报里没记这次命中的是哪个源、有没有走缓存——照他的做法,每次报告落一份 runs/<日期>/manifest.jsonl,一行一次调用:source、cache_hit、latency、fail_reason。这样「昨天那条曲线为什么是空的」才查得动,而不是重新跑一遍猜。另一条可以直接当阈值用:只发一次对话就完的,别写脚本;要进晨报午报、要下周复盘的,必须有落盘产物——你 report_html.py 里那几段「临时抓一下」的逻辑,按这条就该收进管道。

2.1.2 LLM Wiki 和 RAG 知识库的区别

2026-07-24 | 正文页只渲出标题,本条按站点首页摘要提炼 | 深蒸馏网页版 | 原文

原文在说什么

一句话区别:普通 RAG 是「提问时临时检索并拼答案」,LLM Wiki 是「入库时先把资料整理成持续维护的知识体系」。他给了个类比:RAG 像搜索引擎加一个临时研究员,LLM Wiki 像一本由 AI 持续维护的百科全书;企业级做法是两者混合——百科负责理解,搜索引擎负责回原文取证。Karpathy 那版 LLM Wiki 的要点是:原始资料保留且不可修改,LLM 在它上面持续生成并维护主题页、实体页、摘要、交叉链接和矛盾记录,而不是每次提问都从原始文档重新分析一遍。

关键概念

入库时整理 vs 提问时检索;原始层不可变;主题页 / 实体页 / 摘要 / 交叉链接 / 矛盾记录五类产物;理解与取证分工(百科 + 搜索引擎)。

对你的实际应用

你现在这套 kb 就是 LLM Wiki 结构:raw/ 原件不动,md/ 是主题页,飞书是阅读层——方向是对的。缺的正好是他列的另外两样:交叉链接和矛盾记录。具体两步:主题条目末尾加「相关:」双链(比如 343 那条链到 465 的事件模型);再建 kb/矛盾表.md,专门记不同来源打架的地方(同一个数字两个说法、同一方法两种口径),这比再多写一篇精读有用——你现在的知识库只有「累加」,没有「对账」。

自研 Skill 四件套

2.2.1 如何从 0 到 1 构建一个亚马逊竞品监控 Skills

2026-06-14 | 8.4 千字 | 深蒸馏网页版 | 原文

原文在说什么

从「我想监控几个竞品 ASIN」长成一个可复用 Skill 的全过程。他先逼自己写 Why / What / How:Why 是数据散在卖家精灵、Keepa、H10 四五个工具里,人工一轮四十分钟、容易漏、过几天只能翻聊天记录;What 是第一版只做一件事——把自有与竞品 ASIN 的变化整理成 HTML,明确不是 ERP、不管库存、不做真实利润核算;How 是三条硬规则:数据只走一个口径、流程固定(采集 → 缓存 → 快照 → 快照差异 → 分析 → 渲染,每步都要有输入输出)、结果可追溯(报告里带接口调用审计)。他还专门反驳了「让 AI 写得专业一点」这种需求:那只会让结构每次都不一样。

关键概念

边界收住(否则掉进烧 token 的漩涡);单一数据口径;快照差分出事件;事件时间线;接口调用审计;报告要素五类(当前状态 / 历史趋势 / 变更事件 / 对比结论 / 运营建议)。

对你的实际应用

你的晨报午报本质就是「标的监控」,结构却缺最关键的一环:只有当天快照,没有跨日差分。照他的做法加两步——每天把行情落成 snapshots/YYYYMMDD.json,第二天用 diff 生成事件段(跌幅 ≥3%、跌破 MA20、量能 ≥2 倍、创 20 日新低),你现在的「规则命中」就变成「今天发生了什么变化」,而不是「当前状态符合某条规则」。另一个直接可抄的是「第一版只做一件事」:report_html.py 现在 460 行同时管抓数、渲染、浮卡、发送,按这条该拆成取数 / 渲染 / 发送三段。

2.2.2 如何用 Codex 构建一个 Amazon VOC 打标签系统

2026-06-20 | 1.23 万字 | 深蒸馏网页版 | 原文

原文在说什么

先把三种常规做法逐条否掉:人工翻评论(拿不全、标准漂移)、飞书多维表格 AI 字段(免费版 2000 行、每列一个提示词、没有上下文、整表跑一次又慢又贵,「只能算玩具」)、商业 VOC 软件(标签黑盒,明细不开放,做不了二次分析)。然后给出自己的解法:把 taxonomy 当资产。taxonomy 不是行业标签大全,是产品级标签合同,分 L1 价值维度 / L2 问题域 / L3 具体标签,打标时模型只能选 L3,L1/L2 由 L3 反查,避免同一个问题被拆成三套口径。流程是:抽样 bootstrap 出候选 taxonomy → holdout 验证 → 全量闭集打标 → 打不进的进 needs_review / insufficient_content → 残差聚类生成候选标签 → 人工审核合入 taxonomy.yaml → 升版本重跑。场景画像另走开放抽取再归一化,不和 VOC 标签混。

关键概念

taxonomy 是合同不是大全;L1/L2/L3 与「主统计口径只在 L3」;闭集打标;holdout 验证;残差闭环;场景画像开放抽取;LLM 五件事(Provider 抽象、结构化输出、失败兜底、成本控制、审计可追溯)。

对你的实际应用

你报告里的「规则命中」现在是硬编码 if,既没有版本,也没有「判不了」的出口。三处可以直接搬:① 规则挪到 rules.yaml 并带 version,改规则等于升版本,历史报告能对上当时用的是哪版;② 加 needs_review——数据拿不到或条件互相矛盾时不要硬塞进某条规则,单独列出来;③ 每周把那批残差看一遍,决定是加规则还是加数据源。他算成本的方式也值得抄:5000 条评论按每批 5 条约 1000 次请求——你算一次晨报的接口调用与 token 成本,同样该有这么一个乘法。

2.2.3 如何用 Skills 做 Listing 每日巡检(硬核完整技术方案)

2026-09-04 | 3.2 万字 | 深蒸馏网页版 | 原文

原文在说什么

一份完整到能直接照着做的技术方案。监控范围只有四类变化:新增 1–3 星差评(不重复告警存量)、评分变化(升降都留痕)、父体成员集合与数量变化(含数量不变但成员被替换)、掉购物车(仅价格变化不算)。骨架是「统一事件模型」(event_type / subject_type / subject_key)+ 告警状态机,最硬的一条纪律是:采集异常只能记「数据未知」,不得据此推断业务异常,只有完整快照比较出的成员差异才能进业务告警。技术形态刻意做轻:不建常驻服务、不上 Java/Redis/消息队列,一次巡检就是一个短任务——定时器唤起 Skill,Python 跑采集、去重、状态比较、SQLite 落库、Outbox、飞书投递并回写结果,模型只读紧凑汇总,不碰原始响应。

关键概念

四类变化的口径边界;统一事件模型;数据未知 ≠ 业务异常;告警状态机;Outbox 投递与回写;短任务而非常驻服务;模型只读汇总不读原始响应。

对你的实际应用

这份几乎是给你提醒系统做的体检表。你有 sent_markers 做幂等、cron-state 做去重,但没有「数据未知」这个状态:K 线五个源全挂时,报告现在写「无数据」,读起来像「没变化」。加一个 unknown 态并把整次运行标黄,比再加一条规则重要。第二件是 Outbox:你是「发失败就丢」,他是「先落库、再投递、回写结果、失败进重投」——企微那次文件权限过期丢掉的几份 HTML,用这套就能自动补发。

2.2.4 用 Codex 打造跨境情报 Skill

2026-07-22 | 1.09 万字 | 深蒸馏网页版 | 原文

原文在说什么

把公开资讯变成围绕六个卖家决策维度(钱、货、号、流量、效率、竞争)的情报。架构很轻:Python 负责 RSS/HTML/Sitemap 采集、正文提取、规范化、canonical URL + 正文哈希去重,落 DuckDB 单文件审计库;Codex 主 Agent 给每篇文章生成最小任务载荷、派子 Agent 做受约束解读,只接受符合 Pydantic 合同的 JSON,子 Agent 不写库、不发布。两处自我约束最值得看:一是专门写了一节「当前能力边界」,说清哪些是设计、哪些代码真有(没有 build、没有一键全流程、不绕过登录与验证码);二是关门验证——只有 gate.status = "passed" 的报告才允许导出,Markdown 只从同一份已通过的 JSON 生成。合规上也划了线:按域名限速,遇 401/403/验证码不绕过不重试。

关键概念

六维决策;任务合同(Pydantic)约束子 Agent;正文哈希去重与事件键;信源适配器;gate 关门校验;设计与实现的边界声明。

对你的实际应用

你的晨报没有 gate:数据抓一半、时间戳还是昨天的,也照样发出去。照他加一道闸——数据完整率 ≥90%、最新报价在 N 分钟内、必填字段齐全,任一不满足就 gate=failed,改发「数据不全」而不是硬发一份看起来正常的报告。另一条更该学:他自己写「哪些还没做」。你 report_html.py 的已知缺陷(浮卡在窄屏溢出、基金净值偶尔只拿到 20 期)也该列成一份「已知问题」,否则每个接手的人都要重新发现一遍。

上手与交付

2.3.1 Listing 巡检 Skill 安装与使用教程

2026-10-12 | 1.02 万字 | 深蒸馏网页版 | 原文

原文在说什么

把「安装」当成独立交付物写。顺序是硬约束:先拿领星开放平台的 AppId / AppSecret(不是登录密码,也不是文档访问密钥)、配公网出口 IP 白名单(换 Wi-Fi 就要重配,127.0.0.1 和局域网地址无效)、建飞书群自定义机器人(不是自建应用)、开签名校验拿配套密钥;再下载分享包交给 Codex 装、生成 .env、自己填凭据、让 Codex 自检、确认监控清单、联网验证、跑首次巡检,最后才开真实告警——第一次测试建议单独建群,免得测试消息混进正式通知。他反复强调一句:安装完成只代表 AI 能找到这套工具,不代表它能跑业务。

关键概念

凭据类型不能混(AppId / 登录密码 / 文档密钥);IP 白名单在平台侧不在 .env;Webhook 与签名密钥成对;先手动跑通再开通知;版本对应(分享包 20261008)。

对你的实际应用

你 ~/.agent-autoloop 现在三十多个脚本、没有安装文档,换机器或者我下次接手都要重新摸一遍。照这个结构写 INSTALL.md:依赖(node / python / uv / ffmpeg / mlx-whisper)→ 凭据清单(企微 aibot、飞书 app、小鹅通 profile、元宝登录态)→ 自检命令 → 首跑验证 → 再开定时。自检那步最值钱:一个 doctor.py 跑完直接告诉你哪个凭据过期、哪个 PATH 缺——上次 launchd 找不到 nvm 导致 wecom-cli 全挂,就是因为没有这一步。

2.3.2 如何利用 MCP/CLI 与大模型实现全自动市场调研?

2026-05-30 | 2.3 千字 | 深蒸馏网页版 | 原文

原文在说什么

这条线的起点。选品调研的祖传做法是拿卖家精灵 / Sorftime / 飞鱼复制数据、截图表、粘进 Excel 或 PPT,费时易漏;RPA 迭代成本高、容错低,所以换 MCP/CLI 加大模型。他逛了知无不言、读了几十份模板,把调研报告归纳成四个核心模块:市场大盘(天花板与赛道健康度)、产品形态(功能规格与迭代空间)、竞品(头部玩家护城河)、关键词与流量。选型上明确偏好 CLI 而不是 MCP,理由是能精准控调用频次、调试输入输出、控住额度被打满的风险。

关键概念

模板四模块;CLI 的显式控制;RPA 的反面教材;额度预算意识;模板先于自动化。

对你的实际应用

这份的价值不在亚马逊,在「模板先行」四个字:先把稳定模块归纳出来,再让模型往里填。你的晨报午报已经模板化了,但标的/行业深度分析还是每次现写结构,导致两次结论没法对比。建议固化成五段:大盘与行业 → 公司在链条里的位置 → 财务与估值 → 关键变量与反方 → 结论与触发条件。结构固定之后,「这次和上次判断差在哪」才看得出来。

运营基本功

2.4.1 运营面试里,为什么很多人讲不清自己做过什么?

2026-06-22 | 4.2 千字 | 深蒸馏网页版 | 原文

原文在说什么

他在招运营,看了不少简历,最直观的感受是:很多人不是没干活,是把工作讲丢了。「负责 Listing 优化,提升关键词排名和转化率」这种句子,遮住名字换谁都能用——它说明你接触过这个模块,不说明你会做。他拿广告优化举例:说「根据 ACOS 和转化率调价加预算」不算错,但所有做过广告的人都知道这件事;真正有区分度的是后面那层——产品当时在什么阶段、账户到底哪里不对、你怎么判断问题、做了哪些动作、动作之后数据怎么变。落点就是 STAR,落到运营语境里。

关键概念

经历 ≠ 职责;STAR;判断依据与数据变化;主导还是配合要讲清;岗位 JD 式表达的信息量为零。

对你的实际应用

这跟你的 tasks.md 是同一件事。现在不少条目写的是「整理知识库」「跟进 X」——属于职责式描述,一周后自己都看不出当时做了什么判断。给每条加三行:当时的问题是什么、我做了什么判断(依据是什么)、结果数据。这三行同时也是 reports/calls.md 那套「判断准确率」的原料,两件事其实是一件事。

三、与在用工作的关联

他的判断你现在的做法具体动作
单一数据口径 + manifest 记账K 线五源兜底,但不记这次命中了谁每次报告落 runs/<日期>/manifest.jsonl:source / cache_hit / latency / fail_reason
快照差分出事件只有当日快照,规则是「当前状态」判定每日落 snapshots/YYYYMMDD.json,第二天 diff 出事件段
taxonomy 闭集 + needs_review规则硬编码在 report_html.py 里抽成 rules.yaml + version,判不了的进 needs_review
gate 关门校验数据不全也照样发完整率 / 时效 / 必填三闸,不过改发「数据不全」
数据未知 ≠ 业务异常源全挂时报告写「无数据」加 unknown 态,整次运行标黄
Outbox 投递与回写企微发送失败即丢,没有重投先落库再投递,失败进重投队列,成功回写
安装与自检是独立交付物三十多个脚本,无 INSTALL、无 doctorINSTALL.md + doctor.py(凭据、PATH、端口)
经历要写成判断tasks.md 多为职责式句子每条加「问题 / 判断 / 结果」三行

四、逐日追加队列

站点是 WordPress,正文走 /wp-json/wp/v2/posts,新文章自动可见。号主更新节奏约每月 1–2 篇,抓到新文当天进大纲、当天可精读。

#日期标题状态
12026.10.12Listing 巡检 Skill 安装与使用教程已完成
22026.09.04如何用 Skills 做 Listing 每日巡检(硬核完整技术方案)已完成
32026.07.24LLM Wiki 和 RAG 知识库的区别已完成(按摘要,正文页未渲出)
42026.07.22用 Codex 打造跨境情报 Skill已完成
52026.07.03亚马逊 Skills 中到底应该用 MCP 还是用 CLI已完成
62026.06.22运营面试里,为什么很多人讲不清自己做过什么?已完成
72026.06.20如何用 Codex 构建一个 Amazon VOC 打标签系统已完成
82026.06.14如何从 0 到 1 构建一个亚马逊竞品监控 Skills已完成
92026.05.30如何利用 MCP/CLI 与大模型实现全自动市场调研?已完成

抓取与精读工具链:~/.agent-autoloop/wyf/(raw 原件)、kb/md/jax-跨境skill.md 为本主题唯一源。