过去，亚马逊的推荐算法对我们所有运营来说似乎都是个黑盒子，我们可能都只是粗略的知道“A10算法”“转化率为王”这些很泛的概念，但也说不出所以然

不过其实这件事情也不算是完全的黑盒子，只是大部分人不知道，亚马逊有一个官方网站叫做“Amazon Science”，比如之前关于COSMO算法的论文，就能在上面自己查看和下载。只是对于我们运营岗位的人来说，读起来真的太吃力了，早期借助ChatGPT 3.0，可能也得啃一两天才能消化。而至于其他算法推进论文，那真是胃口不好，根本吃不下来

但是！！！现在，在Gemini + NotebookLM的“组合拳”下，一个小时就能把过去的黑盒子砸烂，面对论文也开始变得胃口大开了

ok 不继续卖关子了先让我们来简单看看这几个可能让无数卖家头疼的问题，还有结合亚马逊官方的算法论文得出来的真相
 
真相一：“广告订单抑制自然排名”？纯属谣言！
结论： 无论订单来自广告还是自然位，只要产生了真实的“搜索-购买” 行为，在算法眼里都是给 Listing 加分的强信号

以下是NotebookLM根据给到的解析，直接贴出来给大家看看：
 

我的实操解读： 拿我们实际在运营的100美金以上的产品来举例，仗着客单价高和利润率还ok，我们长期把广告位霸在首页顶部，单纯看广告占比其实非常夸张会达到60-70%，但是我们的关键词自然排名还是能长期稳定在首页前三

 
真相二：想推自然排名，SP出单最有利于自然排名？确实是唯一的“亲儿子”
 
结论： 在提升关键词自然排名上，SP（Sponsored Products）广告的效果是 SD 和 SB 无法比拟的。这不是偏见，是数据结构决定的

同样，给大家看下原文解析：

我的实操解读： 在现阶段的算法下，如果想推自然排名，确实更加依赖SP广告说（但不是说SD、SB和DSP广告不重要）。这个其实比第一个更好验证，大家如果最近有新品上新，多留意一下SP / SB搜索词报告中出单词和自然排名的关系即可

 
其实还问了好多好多过去一直有困惑的问题，这里就不一一赘述了
先给自己挖个坑，大家有兴趣的话后续我可以单开一期来写✍️

放在过去几年，如果我能啃下来这些论文并且系统化输出，不得高低是个百万博主？

不过在今天，不用有三头六臂，甚至也不需要英语有专八和计算机背景
只是用好了工具加上保持对问题的强烈好奇心，真的能在一个小时去做到

放心我也不藏着掖着
这个其实也是我今天核心想要分享的工具和关于AI使用的小技巧，就是Google新推出的 NotebookLM
它最牛的地方在于： 你可以投喂给它几十份专业的 PDF，它只基于这些资料回答问题，绝不胡说八道

?到底怎么做？！
 
1、抓取资料： 我先用 Gemini 让它帮我搜集了亚马逊搜索和推荐系统的核心算法（这一步就很爽，AI 找资料又快又准，放之前需要花非常大精力才能找到）

# Role

你是一位专注于电商搜索与推荐系统的**首席算法科学家**，精通信息检索（IR）、自然语言处理（NLP）以及亚马逊在 KDD、WWW、SIGIR 等顶级会议上发表的学术成果。你擅长将晦涩的学术论文转化为具体的业务逻辑。



# Context

用户希望建立一个关于亚马逊核心算法（Search Ranking, Recommendation, Generative AI）的私有知识库（用于 NotebookLM）。用户需要你通过联网搜索，精准定位亚马逊官方发表的关键论文，特别是关于 **COSMO (Common Sense Knowledge Graph)**、**Semantic Search (Deep Learning in Search)** 以及与 **Rufus (LLM applications)** 相关的底层技术。



# Task

请执行深度联网搜索，寻找亚马逊官方（amazon.science）或顶级技术会议上发表的关于以下三个维度的核心论文，并整理成清单：



1.  **Organic Ranking Logic (自然排名/A9进化版)**: 关注 "Learning to Rank", "Semantic Matching", "Query Understanding"。

2.  **User Intent & Knowledge Graph (COSMO)**: 关注用户意图推理、常识图谱在电商中的应用。

3.  **Generative AI in E-commerce (Rufus)**: 关注 LLM 在购物问答、评论摘要生成的应用。



# Constraints

1.  **来源严格**：首选 domain:amazon.science 或 arXiv.org 上亚马逊作者的论文。

2.  **拒绝虚构**：如果找不到特定名字（如 Rufus）的直接论文，请寻找其背后的技术原理（如 "RAG in E-commerce"），不要编造。

3.  **格式规范**：必须包含论文的英文原名（便于检索 PDF）。



# Output Format

请按照以下 Markdown 表格格式输出：



| 算法维度 | 论文/技术标题 (英文原名) | 核心机制简述 (中文) | 对应的业务启示 (运营视角) | 来源链接/出处 |

| :--- | :--- | :--- | :--- | :--- |

| COSMO | [Paper Title] | [简述它是如何理解用户"为什么"买这个产品的] | [例如：Listing 中需要强调使用场景而非单纯堆砌关键词] | [url= |] |

| ... | ... | ... | ... | ... |



# Workflow

1.  先搜索 "Amazon COSMO KDD paper" 等关键词，确认论文准确名称。

2.  搜索 "Amazon semantic search deep learning amazon.science" 获取排名相关论文。

3.  搜索 "Amazon LLM e-commerce reviewing summarization" 获取生成式 AI 相关技术。

4.  汇总并用中文进行业务层面的解读，生成最终表格。[/url]

2、建立知识库： 打开 NotebookLM，找到“新建笔记本”，把这些算法论文一股脑上传上去
3、开始玩起来：完全可以就像面试一样，把你在运营中遇到的死结丢给它（也能记录闪卡或者关于算法知识的测验题目等等）



工作方式确确实实在产生变化

可能对于一些运营老鸟来说，会觉得文章一开始提到的算法解读没有过多的含金量
但是我看到的是，在现在的AI工具辅助下：
 

• 对于经营者：可以不再需要花那么大的时间和金钱代价去验证市场上关于算法的模糊概念
• 对于运营组长/主管们：不再需要花费大量的时间精力去培训小白，而是把精力更加聚焦到业务
• 对于刚入行的小白们来说：不会接着一头雾水，而是可以在做着过程中清晰得验证自己的想法，快速拿到正反馈

写在最后
 
说实话，大部分情况下确实是运营上的事情就已经足够焦头烂额，没有很多精力去学习更多的东西。我也才开始正儿八经去了解和学习AI后，才能知道过去短短半年的变化有多夸张。看着 AI 每天都在变，光是“跟上”就很吃力，也很难不去想：我以后能干什么？

但是后面转念一想的是：与其老想着以后能干什么，不如先不要那么焦虑。我倒是要看看：所谓的AI时代、技术革命下，AI能帮我做到什么，不能帮我做到什么？

所以在过去一两个月开始疯狂上头，学习各种AI相关的知识，也尝试着搭建跟自己工作内容更匹配的AI Agent工作流（放心，等我写好也会分享出来，欢迎关注和交流?）

而今天玩着玩着的小技巧，让我解开做了亚马逊这么多年来的一堆疑问，让我真切地感受到了“AI时代下让人兴奋的地方”
 
这也是我为什么迫不及待想要开始写公众号的原因之一，希望的是——
不仅我自己玩得好，也能让大家玩得好