[附送Skills] JEV+ABA秒级别搭建亚马逊词库，本地就能跑！- 大数跨境

首页

[附送Skills] JEV+ABA秒级别搭建亚马逊词库，本地就能跑！

从宇宙大爆炸到PPC

2026-10-08

阿波罗的SKills：

亚马逊新规listing优化Skills：

[送Skills]75字符标题新规后，AI一键生成Listing优化

广告全自动数据复盘Skills广告分析

[送PD复盘Skills]Prime Day战况数据复盘:下一轮广告该怎么投？

AI算法的Listing关联流量skills

亚马逊AI推荐流量占比突破30%：关联流量布局正在重塑关键词权重（附AI优化Skills）

Alexa Listing 就绪度检查助手

Rufus 被 Alexa 取代: Amazon AI Shopping的应用与深度解读

A9算法逻辑下Listings转化能力评估 Skills

[万字解读] A9算法最新专利: 从搜索到流量操作系统的亚马逊算法之路

曝光份额体检Skills:

[附送Skills] 曝光份额报表看非标品：4层读法，多数人第一步就反了

分享不易，内容 + 代码 + Skills生成耗时数小时整理和编写，感谢转发 + 点赞 + 收藏支持小编！

正文

一个制冰机的 ASIN，我在最新一周的美国站 ABA 数据里反向命中了 360 个搜索词。如果一个个手动判断"这个词跟我这条链接相不相关"，半天都干不完——而这还只是三个 ASIN、一个周的量。

这篇文章，我想把我上礼拜搭的一台"自动化词库工具"完整拆给你看：它是怎么从几千万条搜索词里，自动把高相关词挖出来、打上分、分好类的。文章末附送这份 Skills，你照着就能搭一套自己的。

一、选词最贵的不是"找词"，是"判相关度"

先对齐一个认知：词不是"想"出来的，是从数据里"挖"出来的。

谁都知道词库重要。但大多数人的做法是"正向捞词"：打开搜索词报告，看到自己链接出过哪些词，抄下来，再凭感觉给每个词标一个"相关/不相关"。这里有两个致命问题。

第一个问题：正向捞词有天花板。

你只能看到"你已经投过的词"，看不到"你没投过、但竞品正在吃的词"。词库再勤快，也跳不出你现有投放的圈。

第二个问题，也是最贵的：判相关度是纯体力活，还最容易出错。

举个真实场景：你有一个台面制冰机的链接，你的竞品 ASIN 在 ABA 热搜词报告里一周命中了 360 个词——ice maker、countertop ice maker、nugget ice maker、euhomy ice maker、ge opal nugget ice maker……

这里面，countertop ice maker（台面制冰机）跟你的链接高度相关，该投；ge opal nugget ice maker（GE 的 nugget 冰型）是别的品牌、别的冰型，跟你完全无关，该否定。

一个词一个词地判，360 个词判到怀疑人生。更要命的是：人肉判断的标准会漂——你上午判的和下午判的，可能都不是同一个标准。比如 nugget ice maker 这种词，你精神好的时候会想起"我家做的是 bullet 冰，这词不该投"，精神一差就随手标了"相关"。同一个词，今天标"相关"，下周再看到又标"不相关"，词库越攒越乱。

所以真正的问题不是"我没有词"，而是"我挖出来的词，没有一个稳定的机制去判相关度、打标签"。

二、为什么别用 LLM 一个个问"这词相关吗"

有人会说：那让 AI 帮我判啊，丢给 GPT 问一句"这个词和这个商品相关吗"。

我一开始也是这么想的。然后我发现这条路又慢、又贵、还会瞎编。这里藏着一个认知翻转：

我一开始真拿 GPT 试过：给它一个词加一段 Listing，让它打分。结果同一个词，第一次问说"高度相关"，换个问法又说"一般"。那一刻我就明白了——生成式模型干不了这活，它太想"把话说明白"，而打分要的是"闭嘴，只给结论"。

相关度判断，你要的不是"会写作文的 AI"，而是"只会做判断题、不会撒谎的 AI"。

现在主流的大模型是"生成式"的：它一个字一个字往外蹦，擅长写长文、聊闲天。但让它给 360 个词各打一个分，它就露怯了：

慢：每个词都要等它完整生成一遍答案，360 个词排队等。
贵：每个词都走一遍完整推理，token 哗哗地烧。
会幻觉：同一个词问两次，可能给你两个不一样的答案。它不是在"判断"，是在"临场发挥"。

我最后用的，是一个叫 Jev 的东西。它是 TypeSafe 做的一个"决策模型"（官方叫 System One 模型），跟生成式大模型是两条完全不同的路线：

	生成式 LLM	Jev（决策模型）
输出	逐字生成自由文本	只返回「打几分 + 每个分的概率」
会不会瞎编	会	结构上编不了，只能在给定选项里选
速度	慢	一个请求 70–500 毫秒，快 40–200 倍
成本	贵	约 $0.042/百万输入 token，输出免费

一句话：让 Jev 判相关度，它只会回答"几分、几成把握"，绝不会给你编一个理由。

再往深一层：它给的是"概率"，不是"结论"。同样是 9 分，60% 把握和 99% 把握是两个完全不同的信号——前者你自己再瞄一眼，后者可以直接放心用。这个"把握度"，正是你批量处理几千个词时，决定"哪些词要人工抽验、哪些可以闭眼用"的依据。LLM 给不了你这个，它只会甩一句笃定的评语给你。

我实测的效果：ice maker → 9.9 分（强相关）；ge opal 2.0 nugget ice maker → 2.2 分（竞品，该否定）。它不光认得"是不是制冰机"，还认得"是不是你这台制冰机该抢的词"——这个区分度，是人工判 360 个词时最容易走神丢掉的。

三、词库不该手动堆，该"ASIN 反向命中"

第二个认知翻转：词库不是一个个手动往里塞，是从 ABA 数据里"反向命中"出来的。

这里要先懂 ABA（Brand Analytics）的热搜词报告长什么样。它是亚马逊给品牌卖家的一份官方数据，里面美国站每一个搜索词，都带了三列"点击最多的商品 ASIN"（Top Clicked Product #1 / #2 / #3）。也就是说：

每一个搜索词，亚马逊都告诉了你"点这个词的人，最后点进了哪个商品"。

再补一个细节：这三列 ASIN 之外，每个搜索词还带两列更细的数——Click Share（点击份额）和 Conversion Share（转化份额）。也就是说，你不仅能知道"点这个词的人点进了哪个竞品"，还能知道"这些竞品里谁吃掉了最大的份额"。这个份额，以后做竞品分析、判断谁才是真正的对手，是现成的线索。

大多数人只看这份报告的"搜索频率排名"，用来找大词。但我发现它真正值钱的地方，是那三列 ASIN。

反过来想：我把我的竞品 ASIN 丢进去，找出所有"点进去的是这些竞品"的搜索词——这不就是一份"竞品在吃、而我不一定投过"的词库吗？

这个"反向命中"的逻辑，就是整台工具的地基。它绕开了"正向捞词"的天花板：你看到的不是自己投过的词，而是整个类目里，真实买家在搜、并且搜完点进了竞品的词。

实测：一个中腰部制冰机 ASIN，单周就能反向命中 96 个搜索词；三个 ASIN 合起来，一周 360 个、两周 404 个词。

反向命中出来的词，能直接干什么？至少四件事：

拓词：把你没投过、但竞品在吃的词补进词库。
竞品词库：一次性把 N 个竞品的词池全挖出来，看清他们的主力词是什么。
否定词：分类里"竞品品牌词"这一栏，就是现成的否定词候选。
新品冷启动：新品没有历史数据，靠竞品 ASIN 反向命中，能快速拿到一个可用的初始词池。

四、4 步流水线：从几千万搜索词到一张词表

下面是我搭出来的完整流程，一共四步。每一步我都说清"用了什么、为什么这么选"。整套技术栈其实就三样：DuckDB（存数据、查数据）、Python（抓页面 + 串流程）、Jev（打分）。都不复杂，关键是每一步用对了地方。

第 1 步：用 DuckDB 把 ABA 数据装进去。

ABA 热搜词报告的量级是劝退级的：一周一个 CSV 文件就 270 万行，一个文件 1.3–2GB，十二周加起来就是 3200 万行。你用 Excel 打开直接死机，用 pandas 读也吃满内存、卡到怀疑人生。

我用的是 DuckDB——一个专门为"大表格秒查"设计的列式数据库。它不用装服务器，一个本地文件就能跑，查 270 万行是秒级的事。这一步看起来只是"把数据搬进去"，但选对工具，后面每一步才不会卡。工具选错了，数据一加载就劝退，后面全是空谈。

第 2 步：ASIN 反向命中搜索词。

把你要挖的竞品 ASIN 列表丢给 DuckDB，一条 SQL 就能命中：找出所有"Top Clicked Product #1/#2/#3 三列里出现过这些 ASIN"的搜索词。同时顺手把每个词的几个口径一起算出来。

这里有个口径值得单独记住："最近一次排名"和"历史最佳排名"是两回事。 实测 countertop ice maker 最近一周排名 5673，但历史最好排到过 5337。排名是波动的，它的涨跌本身就是选词信号——只存一个数，你就丢了"这个词最近是在起量还是在掉"的信息。

第 3 步：爬目标 ASIN 的 Listing。

命中了词，还要知道"这些词跟我的链接相不相关"。所以这一步去爬你目标 ASIN 的详情页，抓回标题、五点描述、正文描述、类目、品牌。这堆文本，就是第 4 步打分的"标准答案"。

为什么一定要爬，而不是凭 ASIN 号猜？因为 Jev 判相关度，靠的是"拿搜索词跟商品的文字描述比"——bullet ice maker（子弹冰）和 nugget ice maker（冰珠）就差一个词，但冰型完全不同，你不给它标题和五点，它没法下判断。

第 4 步：Jev 打分 + 分类，导出词表。

把 Listing 当"参考物"只放一次，360 个词当成 360 个问题，一次性丢给 Jev。每个词它给你两个结果：

相关度分（1–10）：ice maker 9.9 分，ge opal 2.2 分。
词分类（6 类）：品类词 / 自有品牌词 / 竞品品牌词 / 属性规格词 / 场景用途词 / 其他长尾。

为什么用 1-10 分而不是简单的是/否？因为词的价值是分层的：9 分和 6 分都是"相关"，但投放力度天差地别。1-10 分让你能按分值分层出价、分层建活动，而不是一刀切。

为什么要分类？因为不同类型词，打法完全不一样：品类词是主力投放；自有品牌词要守；竞品品牌词要么否定、要么单独开活动打拦截；属性词、场景词是长尾拓量的主力。分类这一步，直接决定这个词进哪个活动、怎么用。

最后导出成一张 Excel：搜索词、相关度分、词分类、最近一次排名、命中 ASIN 数、点击份额。实测 360 个词里，强相关（≥8 分）187 个、中相关 21 个；竞品品牌词 37 个——这些正好拿去做否定词，一举两得。

四步跑下来，从"几千万行原始数据"到"一张能直接用的高相关词表"，全自动，人只做最后一眼抽验。这是它跟"人肉选词"的本质区别：人肉是体力，它是流水线。

拿我这次的制冰机为例，输入三个竞品 ASIN，跑出来长这样：

搜索词	相关度分	词分类	最近排名	你会怎么用
ice maker	9.9	品类词	182	主力大词
euhomy ice maker	9.9	自有品牌词	29707	守品牌
countertop ice maker	9.9	品类词	5673	主力词
ge opal nugget ice maker	2.2	竞品品牌词	83672	否定词

一张表，词该进哪个活动、该不该否定，一眼看清。

再算一笔账：Jev 打 360 个词，成本不到一分钱（按 $0.042/百万输入 token 算），跑完不到一分钟。同样的量交给人工，少说半天。你手里的 ASIN 越多、类目越大，这个差距越夸张——几千个词对它来说也就是多跑几次。

以前我手动选词，一个链接的几百个词，从早筛到晚，还筛得自己心里没底。现在同样的活，一条命令一分钟出表，我只需要把"该抽验的那几个低把握词"点开看一眼。

五、我踩过的 3 个坑（照抄能省你半天）

坑一：ABA 的 CSV 第一行不是表头。

每个文件第一行是一段元数据 Reporting Range=...，真正的表头在第二行。读数据必须跳过第一行，否则整列错位、后面的命中全废。

坑二：爬到的价格可能是别的币种。

爬 Listing 时如果你的网络走海外节点，price 字段可能抓到新加坡元（S$）这种。它跟关键词相关度无关，但别拿它去做定价判断——那个要单独去美国站核。

坑三：Jev 一次别塞太多词。

它的上下文有上限（约 64k token）。我这边一次塞 60 个词是安全值，塞多了直接报错——不是模型笨，是你贪了。老老实实分批，多跑几次反而更稳。

最后说清边界：这套工具做的是"选词"这一步，出的是"词表"，不是"直接开投"的结论。Jev 的分再准，也只是相关度的判断，最后还得你结合转化数据、竞价、预算去做投放决策。它替代的是"人肉筛词的体力活"，不是"你作为操盘手的判断力"。

六、总结 + 附送这份 Skills

一句话记住今天这篇：词库不是手动堆出来的，是"ABA 数据反向命中 ASIN + 决策模型 Jev 打分"自动挖出来的。

上手你只要准备三样：① 后台下载的 ABA 热搜词报告（几周的 CSV）② 你的竞品 ASIN 清单 + 一个目标 ASIN ③ 一个 TypeSafe 的 Jev key（申请几分钟）。环境装好之后，一条命令就出表。

附送：ABA 自动词库 Skills

它解决什么：给你 ABA 数据 + 一组 ASIN，一键产出「高相关关键词词表」。
内置口径：① 1–10 相关度打分（期望值，非拍脑袋）② 6 类词分类（品类/自有品牌/竞品品牌/属性规格/场景用途/长尾）③ 最近一次 + 历史最佳双排名 ④ 命中 ASIN 数。四步流水线一个脚本串起来，输入 ABA 目录 + ASIN 列表 + 目标 ASIN，直接出 Excel。
领取方式：转发本文到朋友圈，免费领取这份 Skills 的脚本 + 完整使用说明。