跨境电商AI选品调研横评：公平边界与证据复核
为验证AI助手在跨境电商业务中的实际效能，本文对Claude Code、Codex及Antigravity进行了同一任务的横向测评。测试于2026年10月7日进行首轮，10月17日针对Antigravity更换新模型补测，共形成四份独立答卷。Manus因运行环境差异，作为场外参考单独列示。本次测评旨在建立一套可复核的评估体系，帮助从业者判断AI产出是否具备决策价值。
任务设计：明确交付标准与约束
测试题目设定为时尚品类蓝海选品调研，角色定位为跨境选品研究员。核心要求是提交有证据、可复核的成果，而非仅仅提供执行计划。
图 1｜前四份的测试流程。Claude参考分不等于我自己的盲评结果。
商业逻辑验证：需复制一套成立的生意机制，即海外需求已验证、国内存在认知或开发缺口、制造能力可承接、单位经济模型成立。严禁将无现货直接等同于蓝海，需明确区分门槛、需求缺失或开发不经济等情形。
判断框架：从套利层（信息差、成本、确定性）延伸至流量转化，最终落脚于围绕人群组织供应链的垂直产品线。重点考察逻辑推导能力，而非方法论复述。
调研路径：分为垂直类目、细分人群、本土品牌三路独立检索。以日本为首要验证市场，美、欧、韩为交叉对照市场。每个方向需明确载体、差异化元素、目标人群及可检索词，避免泛化或无效组合。
数据严谨性：单次仅验证一个元素，评论数不等于销量，未搜索到不等于无人做。缺口原因需明确归类。财务测算需涵盖售价、采购、起订量、物流、平台费、广告及退货等全链路成本。初筛标准为客单价至少6,980日元或49美元，单件净利至少100元人民币。数据缺失时需给出区间与假设，严禁编造精确利润。
交付规范：包含知识回执、主报告、来源表、过程日志和运行元数据。主报告需含摘要、方法限制、8—12个候选、3—5张深研卡及淘汰清单。关键判断需标注事实、推断或假设，链接必须真实有效。
公平性控制：统一上下文与环境差异
为确保公平，所有参赛AI使用同一份任务书原文及包含12个文件的知识包。知识包提前生成SHA-256指纹以供比对，确保三方接收内容一致。
图 2｜公平性既包括统一条件，也包括把没有控制住的条件公开。
前置步骤：各方需先读取知识包并计算哈希值，确认一致后方可开始检索。日志检查显示，三方均未越界读取其他方产出。
环境差异：测试直接通过CLI启动，避免派单器注入额外业务规则。禁止项包括付费、登录后台、绕过验证码等。但存在以下不可控差异：
- Codex被强制注入全局规则（声明未使用）；
- Claude环境含有同名方法论及长期记忆（未调用）；
- Antigravity环境规则未知，且首轮仅能查看搜索摘要；
- 各工具检索能力不同，部分可直接读页，部分依赖网页工具。
Manus场外参考说明：Manus基于平台运行，使用知识库v1.1而非统一版本，未提供哈希校验及运行日志，交付物仅限主报告。因此不纳入正式排名，仅作参考。
评分体系：聚焦业务风险与证据可靠性
评分满分100分，权重设置基于业务风险排序，而非通用智力评估。
图 3｜五个维度的权重反映这次选品调研的风险排序，不是通用智力分数。
- 证据可靠性（30分）：核心指标。核查链接有效性、页面支持度及多源验证。每份报告至少抽查10条来源。
- 因果逻辑与模式匹配（25分）：防止将缺货误判为蓝海，需论证需求驱动因素及缺口成因。
- 产品具体与开发可行性（20分）：建议需具体至可讨论打样程度，拒绝空泛方向。
- 单位经济（15分）：调研阶段允许估算区间，但需明确假设前提，严禁将假设当作报价。
- 反证与透明度（10分）：要求列出至少3个淘汰方向，主动披露未知项与阻碍。
维度间存在关联，如证据不足会影响因果判断。评分规则旨在提供可讨论、可复查的标准，而非绝对科学量表。
复核过程：双向抽查与数据纠错
鉴于Claude兼具组织者与参赛者身份，其给出的分数仅作参考，最终以作者盲评为准。首轮报告匿名处理，映射表独立保存。
首轮抽查：仅对Codex的10条链接进行逐项复核，8条吻合，2条因拦截无法复核。Claude和Antigravity因来源形式问题未完成同等深度复核，导致验证不对称。
二轮核对：针对Antigravity补测报告，核对17个关键数字，均能在抓取页面中找到对应，证实引用与当时内容一致。但需注意，数字存在不代表结论成立。
常见错误类型：
- 数据概括失真：如将少量评论概括为“接近0”；
- 引用错配：凭单一款式预售判断结构性缺货；
- 计算口径错误：未扣除消费税、佣金率取值偏差、汇率折算错误等。
Manus复核：尝试打开15条链接，10条关键数字吻合，5条因技术原因无法复核。发现其汇率折算高估净利约15%，且未核实官方分档费率，但结论方向未受根本影响。
评测结果：各模型表现差异分析
Claude参考评分如下：Codex 84分，Claude Code 70分，Antigravity首轮约33分，第二轮约72分。Manus场外参考分约83分。
图 4｜Claude参考评分。Manus为场外参考、条件不同，不参加前四份排名；第一轮缺失分项不推算。
图 5｜耗时与证据获取过程。搜索、打开次数和具体URL不是同一种统计，未知项保留未知。
- Codex (84分)：优势在于证据纪律严明，冲突字段标注清晰，公式可复算。弱点是日本主站未完全打开，竞争密度分析不足，最终仅给出优先验证方向而非确证蓝海。
- Claude Code (70分)：优势是直接读取平台页面，市场结构扫描完整。缺点是供给侧调查空白，费用与汇率采用保守假设，需求证据偏弱。
- Antigravity (首轮33分/二轮72分)：首轮速度极快但未打开任何页面，严重依赖知识包，缺乏可复核性。更换Gemini 4 Argon模型后，通过一手数据纠正了知识包矛盾，质量显著提升，但仍存在表述过满的问题。
- Manus (场外83分)：供给侧取证最强，明确区分认知错位与开发门槛，未夸大蓝海属性。但因汇率、税费口径错误扣分。
后续优化与建议
本次测试中，各方均未得出确证的新蓝海，这本身具有价值，避免了盲目采购。但也暴露出对知识包的过度依赖，尤其是Antigravity首轮几乎全盘照搬。未来测试将增加“仅给方法论、不给产品库”的对照组，以评估独立发现能力。
给从业者的建议：
- 选择真实工作任务进行测试，明确交付格式与扣分标准；
- 要求关键结论附带可核对证据；
- 保持同题、同知识、同禁止项，若环境无法完全一致则需公开差异；
- 评分者应回避利益冲突，或采用盲评机制；
- 保留抽查规则与扣分理由，确保评估过程透明。
需警惕将知识包当作研究、将评论当作销量、将未搜到当作无人做的思维陷阱。AI辅助决策的核心在于建立可回溯、可核对的证据链条，而非仅仅追求报告的流畅度。