最近一直在折腾用 Codex 搭配 MCP 做亚马逊选品，试了挺长一段时间，越用越觉得有个很难绕开的问题。

目前不管是自己写 prompt，还是网上现成的 AI 选品方案，本质还是靠运营主观判断，没有一套固定、可复现的评判标准。

同样一组 ASIN 数据，不同运营看，一个觉得能做，一个直接 pass。老运营的选品经验很难沉淀下来，新人上手慢，想要规模化复制选品思路基本行不通。

所以最近萌生一个想法，尝试搭建一套 AI 驱动的标准化选品链路。

简单说思路：把运营脑子里模糊的经验，拆成一条条可量化的指标、竞争判定条件、各类风险红线；由 AI 负责大批量抓取数据、自动筛选、指标计算，初步收敛出候选商品池。

之后运营不用耗费大量时间大海捞针式筛品，工作重心转移到样品测试、供应链沟通、产品差异化开发上面。

大致流程：
收集各品类实战选品标准 → AI 批量采集类目 / ASIN 市场数据 → 多层规则筛选 + 综合评分 → 运营深度复核候选品 → 上架测试，再用真实销售数据反过来调整筛选规则

现在最大短板就是我接触的类目有限，单凭自己摸索，很多阈值、隐性风险考虑不全。

想着在论坛和大家交流，汇总不同赛道卖家的实战经验，一起完善这套框架。

想请教下各位大佬几个问题：
1. 大家筛选新品时，基础硬性门槛是什么？比如最低月销、评论上限、能接受的毛利率底线，怎么判断头部卖家是否形成垄断？
2. 有哪些后台看不到的隐性坑，选品阶段必须排查？专利、认证、类目审核、变体套路、季节性衰退这类。
3. 怎么区分短期流量爆款和长期稳定需求的产品，依靠哪些指标辨别？
4. 评判红海、蓝海，大家日常主要参考哪些维度？
5. 家居、工具、户外、3C 这些大类，选品标准差别最大的地方在哪？

单纯交流选品思路，不卖工具、不引流。后续如果整理出完整可行的标准化方法论，我会更新在帖子里分享出来。

欢迎大家聊聊各自类目实操心得，互相避坑！