最强亚马逊listing写作Ai Agent

最近一周没有更新内容，是因为想在之前第一版的亚马逊listing机器人上面再做升级，结果一发不可收拾。还记得我之前做的基础版的写listing的bot吗？现在来看，真的是太简陋了，虽然引用了知识库，知道给大模型喂语料，但是连基础工作流都没有，跟不用说自定义插件了。所以实现的效果也比较随机，不太能够稳定的运用到生产环境。

https://www.amzalysis.com/article/coze-amazon-listing

其实我不太喜欢标题党，但是我觉得升级后的Agent还是挺强的。强在逻辑和功能上，强在把业务的理解和技术实现相结合。在可实现的范围内，不断的试错，摸索Agent的边界。Coze可以当作一个快速实现MVP的工具，如果有更庞大复杂的需求，可以用其他工具深入实现。目前，这一版的listing写作agent有三个大功能：

用户上传关键词表，给出关键词分类
通过关键词分类，做出思维导图
根据关键词库，和用户给出的产品特点，写出listing

实际效果

我用之前广告分析的投影仪作为例子，先来看下实际的效果。

体验地址：https://www.coze.cn/s/iMD8NbCt/

使用说明

由于我在做插件的时候，把数据处理方式写死了，所以需要按我的方法导出关键词表。不过按这个方法基本也可以获取80%的关键词了。

**找竞品：**找出小类best seller前20的同类产品，如果没有固定的的小类目，也可以通过关键词搜索，最多收集20个销量好的ASIN。
**反查：**把收集的ASIN放到卖家精灵后台-关键词优化-拓展流量词选项反查相关词。
**导出表格：**这里我选取的是之前分析过的投影仪类目，20个ASIN导出了3000多个关键词，做词库是够用了吧。
**Coze：**上传表格到coze机器人，先进行关键词分类，再做思维导图（非必选），最后写出listing。

Coze Bot 制作过程

流程

由于关键词表格的获取方式在上一部分说过了，下面就略过了，主要介绍coze的制作思路。首先，我想实现的终极功能是让agent去写listing。但是也不能只给大模型一些Prompts就开始写了，这样太基础了。我想给他一个词库，不让他跑偏太多。同时，希望他能知道亚马逊listing的规则，就需要接入知识库。我还想利用大模型给关键词打标，替代人工分类。最后，再锦上添花一下，把分类好的关键词做成思维导图的形式，方便浏览。总结一下，我的需求是如下：

业务需求：

关键词分类
思维导图
写listing 用户需求：
高质量listing
使用简单
速度快

数据清洗插件

在关键词分类之前，我需要agent把表格清洗一下，虽然有些很强的大模型可以直接识别表格，比如Claude。最新的Artifacts扩展性很强，个人以为目前已经超过ChatGPT了。其实最开始我是把表格直接丢给了Claude，问了几次后他就给我分好类了，而且比我用agent的效果更好。大模型的能力确实是根本。

但是，大模型绕不过去的就是幻觉问题，所以我希望用Agent去减少大模型的幻觉。清洗表格看似可有可无，但是也是为了减少大模型的幻觉，最终往高质量的答案上靠近。

数据清洗需要用到coze的自定义插件功能，配合Python的panda数据分析包。虽然这么多代码，我也写不出来，但是通过最近的编程学习，我可以阅读基本的代码。我同时使用了OpenAi的ChatGPT和国内deepseek的代码助手，这是我给GPT的Prompt：

我要用python进行数据清理，帮我写代码。

保留第一个sheet，其他删除。
表格的第一行是标题行，删除掉。
筛选列”相关产品”，筛选值为此列最大数值的30%
降序排列此列：”购买率”
保留需要的列：关键词，关键词翻译，流量占比，ABA周排名，月购买量，购买率，SPR，商品数，点击集中度，前三ASIN转化总占比，PPC竞价这段代码已经差不多可以了，插件可以测试通过，但是在工作流当中过不去。经过技术大佬的指点，是因为Coze中的json的key要用英文，后面导出中声明编码格式也没用。这是个很小的细节，无论我怎么问GPT他也不会给出答案。后来我加上了重命名的代码，把需要的表头都换成英文，问题就解决了，可以在工作流正常运行了。我在jupyter notebook中调试了几次，得到最终的代码：

from runtime import Args
from typings.kw_clean.kw_clean import Input, Output
import pandas as pd
import json
import openpyxl

def handler(args: Args[Input]) -> Output:
    # 获取输入参数
    file_path = args.input.file_path
    
    # 读取Excel文件
    xls = pd.ExcelFile(file_path)
    df = pd.read_excel(xls, sheet_name=0, header=None)
    df = df.iloc[1:]  # 跳过第一行
    df.columns = df.iloc[0]  # 将第二行设为列名
    df = df[1:]  # 再次跳过第一行以得到实际数据
    df = df.fillna(0) # 填充空值为0

    # 计算阈值
    threshold = df['相关产品'].max() * 0.3
    
    # 过滤数据，保留相关产品数量大于等于阈值的行
    df_filtered = df[df['相关产品'] >= threshold]
    
    # 排序数据，按照购买率从高到低排序
    df_sorted = df_filtered.sort_values(by='购买率', ascending=False)
    
    # 选择需要的列
    columns_to_keep = ['关键词', '关键词翻译', '流量占比', 'ABA周排名', '月购买量', '购买率', 
                       'SPR', '商品数', '点击集中度', '前三ASIN转化总占比', 'PPC竞价']
    df_final = df_sorted[columns_to_keep]
    
    # 将列名翻译成英文并用下画线替换空格
    df_final.rename(columns={
        '关键词': 'keyword',
        '关键词翻译': 'translation',
        '流量占比': 'traffic_share',
        'ABA周排名': 'aba_rank',
        '月购买量': 'monthly_purchases',
        '购买率': 'purchase_rate',
        '相关产品': 'related_product',
        '商品数': 'products',
        '点击集中度': 'click_concentration',
        '前三ASIN转化总占比': 'top_3_conversion',
        'PPC竞价': 'ppc_bid'
    }, inplace=True)
    
    # 将数据帧转换为JSON
    result_json = df_final.to_json(orient='records', force_ascii=False)
    
    # 返回结果
    return {"data": json.loads(result_json)}

数据处理方式的逻辑是先筛选产品相关数量大于产品总数的30%。这是因为有些词虽然数据很好，但只属于个别卖家，并不属于大多数卖家。比如tiktok, youtube这种泛词，能拿到流量和转化当然最好，但是他不是行业的精确关键词，主推和主打广告都不太适合。所以，这里选取大多数产品都能反查出来的词。

然后通过购买率做降序，得到关键词的排序。根据商品数综合判断词的竞争程度，其实所谓的长尾词不一定转化率就高，竞争小的长尾词转化率才会高。所以这里我们主要考虑购买率的指标。除了ABA是确定的亚马逊后台数据，其他都是相对数据，大家不用太纠结数据的绝对准确性。

然后我又发现其他列没什么用，扣子也暂时导不出来表格，最后我只取了“关键词”一列的值。为了得到最好的用户体验，我只取了按购买率做降序的前50个关键词，形成了最终形态。还是我上文说的，coze可以作为MVP的验证，如果能跑通可以结合复杂的业务去使用高级的工具或者大模型。

下图可以看到，已经出来了完整格式的json的数据。

工作流-清洗分类

一开始，我是想把所有的功能放在一起，包括清洗、关键词分类、思维导图、写listing。但是实际测试中，花费的时间太长了，就想到了工作流和multi agent。但是想到其实我的功能也不是很复杂，就没有必要为了复杂而复杂，就直接用了3个工作流，把功能分开，对应不同的快捷键和用户询问。

关于关键词情感分析维度：人群特征，使用场景，地点，行为，产品功能。我根据常用的场景增加了，品牌、小语种和拼写错误，这在实际过程中还是经常出现的。

关键词打标就真的很依赖大模型的能力。因为我需要一个相对确定的结果，所以我把大模型调成了精确模式。同时选择了245K上下文的MiniMax模型，即使是牺牲时间和用户体验，也要保证效果。

我计划在后面的深入使用场景中接入Claude api，在我测试这么多大LLM中，综合体验最好的一个。当然这个算是私有部署了，因为会耗费token。Coze和Dify都能接入大模型api，可玩性还是挺高的。

工作流-思维导图

实际测试中，耗费时间最长的就是生成思维导图了，毕竟是文生图，不是单纯的文生文。所以，我把这个工作流单独分离出来，并加上了提示信息，让用户耐心等待。同时生成的效果也比较随机，大家不用较真。但是谁知道以后会怎么发展呢，如果能更好的实现，那确实很有帮助。

工作流-listing

之前做过一版的写listing机器人，虽然只是图个乐，但是提示词是优化很多次了，毕竟主要是靠提示词的，这次我直接把promot拿来用了。所谓功不唐捐，再垃圾的东西，也可能被需要。

知识库中引用了亚马逊的规则和写listing的技巧，有官网的内容，也有互联网的内容。我做了简单的处理，为了减少大模型的幻觉。

由于接入了知识库，还有不超过3000个字符的关键词库，大模型依然是选用了上下文最长的MiniMax 245K，保持质量。同时，大模型引用会根据用户对于产品特点的描述。

由于外部的bot不需要处理长文本，主要负责用户沟通，我选用了兼容性最好的豆包模型。调试界面看到工作流流程没有问题。

总结

如果关键词分类错乱，那一定是大模型的锅。如果网络超时，那一定是扣子的锅，反正都不是我的问题。职场老油条的基本修养“甩锅”，我还是具备的，哈哈。

因为国内扣子提供的模型能力比较有限，而关键词打标这个环节很依赖于大模型的能力。同时前期我需要大量的测试，去验证这个想法有没问题，而不是纠结于是否能得到最好的结果。只要这个想法和流程没有问题，我可以把这套流程部署在不同的agent平台，结合不同的大模型去测试，最后得到更好的效果。

怎么在需要确定解决方式的场景中解决大模型的幻觉问题，就是给他最确定的东西。表格是确定的，代码是确定的，工作流程是确定的，知识库优化到最佳的条目。最后把这些内容输入给大模型，得到的输出一定要比单纯的几句prompt更加准确。当然，过程中的乐趣莫过于不断测试大模型的调性和探索技术的边界。

你觉得这个listing的agent称的上最强吗？感兴趣的朋友欢迎与我交流。