上半场：从大模型认知到AI工作流落地
Lucas：厘清概念，精准指令
BF Labs创始人Lucas指出，AI的核心价值在于实现从整理、分析到执行的连续闭环。使用前需区分三个概念：
- 大模型：负责理解资料与分析任务；
- Agent：围绕目标调用工具并连续行动；
- 应用：交代工作的入口。
对于规则清晰、重复性高的工作适合做成固定工作流；需实时判断的工作则交给Agent。关键在于“把工作交代清楚”，遵循五个要素：对象、目标、范围、约束、交付。
例如优化广告时，明确指令为：“检查近30天品牌防守广告，列出依据及修改建议，经确认后执行选中项并核对。”结合Helium 10 MCP，AI可在授权范围内完成调价、改设置及复查，形成优化闭环。
Sunny：AI接入店铺的四大原则
针对AI使用中的常见误区，Sunny提出四点实操建议：
1. 明确需求优于长提示词
清晰界定站点、规格及交付标准。例如：“美国站6mm防滑瑜伽垫，筛选月搜索量2000以上的直接相关词，按搜索量排序输出表格。”通过精准指令，可从3390个关联词中高效筛选出47个核心词。
2. 背景信息文件化
将店铺规则、词库、差评及进度存为文件。新对话直接读取文件，避免重复查询，节省API额度与模型费用。
3. 赋予权限同时设置护栏
Helium 10 MCP提供134个工具，其中122个仅查询，12个可修改。原则是：查数据全自动，改内容（商品页、广告等）需人工确认。演示显示，AI在试图直接修改后台时会主动停止并列出风险理由。
4. 创作与核查分离
避免让生成文案的AI自我核查。应使用另一AI对照原始词表进行独立核对。案例显示，自查宣称全覆盖，实则遗漏9处关键词及高流量大词。
此外，建议建立定期复查机制（如每周一自动运行对比报告），并注意识别数据口径变化导致的异常波动。
下半场：选品、关键词与广告的方法论+AI实战
Shawn：选品策略与逆向思维
1. 断货商品挖掘
利用Helium 10查找断货商品，逻辑在于验证真实需求并承接遗留流量。主打“需求真空捡漏”策略，辅以差评改良、本土卖家退场等五种打法。需注意排查侵权、合规下架等非正常断货情况。
2. AI逆向选品
通过AI+MCP筛选“有搜索量但竞争弱”的机会。以美国家居厨房类目为例，从ABA候选词中层层筛选，标记“孤儿需求”、“弱头部”等标签，最终输出包含价格、尺寸等信息的可交互报告。
关键词：Rufus时代的数据真相
针对“Rufus上线后关键词无用论”，Shawn引用官方SQP数据驳斥：
- 搜索量：同比微增1.4%，基本持平；
- 点击量：同比增5.6%；
- 转化率：从23.2%降至15.2%。
转化率下降并非买家购买意愿降低，而是SQP统计路径局限（仅统计直线路径）。若用户通过Rufus或品牌广告转化，不计入原关键词SQP。因此，SQP转化率偏低时，应先核对实际订单量。
Rufus同样依赖标题、五点及图片理解产品，关键词优化与Rufus优化相辅相成。保守估算，每个Listing多获取30个长尾词，年增收可达上万美元。
Cerebro实战技巧包括：反查出单词、历史排名对比、Amazon推荐排名校验等。案例显示，某袜子产品因类目归属问题未被亚马逊识别为咖啡周边，通过Amazon推荐排名校验可快速纠偏。
Listing优化与广告自动化
1. Listing修复实例
法国站多变体被拆分导致流量下滑，通过AI对比竞品发现法语收录不足。优化后3天，核心词自然排名从70升至10，日均单量显著提升。此过程可固化为Listing优化Skill，自动生成优先级修复清单。
2. 广告规则化
将资深卖家的判断转化为三类自动化规则：
- 否定规则：近期高点击无转化词自动否定；
- 收割规则：表现好的广泛/自动匹配词加入精确活动；
- 竞价规则：根据ACoS阶梯式微调竞价。
建议保留人工最终确认环节，以应对特殊情况。AI还可辅助生成广告批量操作表格，大幅缩短处理时间。
核心要点总结
● 查词：明确相关性、搜索量阈值及排序方式；
● 文案：利用外部文件提供背景，独立AI进行交叉核对；
● 选品：关注断货商品及“孤儿需求”关键词；
● Rufus：SQP转化率异常时先核对总订单量；
● 新品：上架即查Amazon推荐排名，确保类目识别正确；
● 广告：规则筛选问题，人工执行决策。
