经过几天的调试，亚马逊AI作图方案已经完成，可以告一段落了。图片分析的效果和文案效果都还行，个人感觉达到了70分左右。在这个基础上，人工再修改，就会节省不少时间。

先上价值观，我觉得这套流程的意义在于节省，运营对比竞品图片的时间，同时把优秀的图片文字化，不用再花时间去想怎么表达。 

同时，减少了沟通成本。经常做图的朋友应该知道，和美工沟通是一件很痛苦的事情。他不懂你的品味，你不懂他的技术。

很多时候，运营只是觉得，这张图的感觉很好，但是细说，又说不出哪里好。你给美工说，你要做出这种感觉，具体什么感觉呢，你自己体会。美工说我谢谢你啊。

那至少这一套东西出来后，大家再沟通会有一个共识，不会天马行空了。

想法
言归正传，跑一次代码要5-10分钟，我用Claude做了一个流程图，帮助理解。

1. 先把几个竞品ASIN的图片下载下来

2. 让AI视觉模型去分析竞品图片

3. 识别出内容之后，用文本处理的方法提取特征。

4. 用Deepseek R1进行推理

5. 让Gemini综合所有信息，写出文案。
AI模型选择

刚开始，我是直接用视觉分析图片，生成作图方案。后来发现，效果不太好。因为AI大模型就和人一样，有的模型擅长视觉分析，有的模型擅长思考，有的模型擅长写作。

如果竞品分析内容太多的话，只用一个大模型不太够用。一是上下文长度不够，大模型不能识别所有的竞品图片分析内容。

二是视觉模型对于图片分析比较擅长，但不擅长写文字内容。针对这种情况，视觉模型负责处理图片识别，最后写产品的方案时候，用另外一个擅长文字的大模型。

所以，测试了几轮后，我确定了多模型组合的流程。

视觉模型：豆包模型，负责分析竞品图片。免费额度比较多，先用着吧。

推理模型：Deepseek R1，负责根据竞品图片的分析和特征，进行推理。成本低且效果上乘。

文案模型：Gemini pro，负责综合竞品图片分析、R1的推理，写出作图方案。Gemini 2.0 pro 有200万上下文，是目前所有大模型中，上下文最长的模型，非常适合输出大量文本。

 
流程

竞品图片

用卖家精灵的主图下载功能，把主图下载，包括A+图片。但是A+图片太多，有的是大图，有的是小图，我没有测试很多A+图片。

 
阶段1:视觉分析

用豆包视觉模型，分析一张图片差不多10几秒，一个ASIN的话，大概1分半。一开始还好，后面分析多了话，还是有点费时间的。

而且对于token的消耗也是很大，一张图大概需要消耗6k以上的token。几个ASIN下来，大几万的token就没了。

一天下来，几十万token就没了。好在现在有免费活动，不然还是有点费钱的。

由于太费token了，所以后面在这里加了一个检查机制。如果本地已经存在了分析结果，就跳过分析过程，这对于后期调提示词还是节省了不少时间。

 
阶段2:特征处理

这个阶段需要把视觉分析的结果，提取特征，方便分析。不然一个ASIN的视觉分析结果，差不多有一千字，产品多的话，直接全给大模型的话，容易受到上下文限制。

特征处理中，我比较熟悉的是TF-IDF和Kmeans聚类，毕竟之前用过这一套处理关键词。

我又让AI多给了LDA的主题分析和词频统计。整体感觉，特征处理的部分的效果一般。

因为Cursor中也有上下文限制，全让Claude改代码的话，超过1000行就有点吃力了。目前这一整套代码，差不多有2000行。

我还测试了AI embedding模型进行向量化，但是让模型Input视觉分析的结果总是出bug，所以就先不折腾了。

 
阶段3:Deepseek R1推理

拿到视觉模型的分析结果，和特征提取后，把这些内容都给R1去推理。

R1 模型强在推理，在写文案和上下文上，就很一般了。所以，这里只让R1进行推理。

 
阶段4:Gemini生成方案

Gemini的上下文很长，所以我把上面收集的所有内容，全给gemini，包括视觉模型的分析界，特征处理，Deepseek R1的推理结果。

为了保证文案质量，使用目前Google最强的Gemini 2.0 pro 生成文案。
 

 
效果

这是视觉分析的结果，默认输出json格式，再把它转成csv格式，方便横向对比竞品图。

 
这是特征词分析，感觉一言难尽。。。

 
这是Deepseek的推理报告。确实需要先用推理模型过一下，直接生成的话，分析不了这么全面。

 
这是Gemini最终生成的作图方案。采用了总-分的结构，先写出了整体的设计策略，又细致的把每张图的计划写出来。

 
从效果来说，大大节省了运营分析图片的时间。对于运营的话，是绝无可能分析的这么细致。就一个视觉分析，就节省了足够多的人工时间，更不用说，还有和美工的沟通成本。

优化

其实有很多细节都可以优化，但是我觉得已经是1+1<2，提升可能不会很大，因为已经做到了70分，可以节省了足够多的人工。

我觉得可以优化的地方：

1.视觉模型可以用阿里千问最新的模型，感觉会强一点，缺点是免费额度少。

2.特征处理可以再优化，TF—IDF对语义识别没有AI embedding模型强。

3.语言模型的提示词可以再优化。跑通逻辑，我就花了很多时间，所以在调提示词上，时间就少了。

 
总结

再简单回顾下整个流程，先是下载多个竞品图片，然后给视觉模型分析。再提取特征，给Deepseek推理。最后综合所有内容，让Gemini写出方案。

没有AI coding，没有Cursor，我是不可能完成到这个程度的。使用过程中，Claude很强，但Cursor在改超过1000行代码的时候，经常出bug卡顿。

AI在写代码的时候，会写很多冗余。因为他会把所有情况考虑到，都做好备用方案。但是无形中，增加了代码量，不好理解。

AI半自动辅助工作，一定会存在很长时间的。与其说AGI，不如说Agent AI。在相当长的时间内，这一定会是主旋律。

最后，代码还是不会分享，因为这只会吸引更多的人来问我怎么安装。。。

对于本次测试的文件，还是放到飞书文档，找我领取。

另外，感兴趣的朋友，可以把图片或ASIN发给我，我来帮你测试效果。