社区 发现 AI 开源分享下codex+listing一键...
开源分享下codex+listing一键生成的实操经验，怎样让listing真正可用
发帖1次
被置顶1次
被推荐1次
质量分0星
回帖互动2次
历史交流热度0
历史交流深度0%
先介绍下自己：
我是Wendy，之前做过几年亚马逊运营，现在专注AI提效，熟悉很多openclaw/claude code/Codex/Workbuddy的好玩玩法，这帖子主要分享下AI生成listing的步骤。
生成listing最关键的不是让AI一顿乱猜拼凑，而是严格按照人工的决策链来执行，这样才能精准找竞品，精准埋词，才是有效的listing。
我把原先人工做 Listing 时决策链，做成了一个 Listing generation Skill：
（下文可能较长，只想体验skill的可见：https://github.com/WendyCoding31/listing_generator）
这个 Skill 是针对欧区的，输入一个源 ASIN，它默认针对英国、德国、意大利、法国、西班牙和荷兰六个站点，分别完成竞品筛选、VOC、关键词分配、本地化写作和质检，最后交付六个独立 Excel 工作簿。
文件目录大概将会如下，囊括欧洲6个站点；这个文件夹和里面的每个excel分页都是codex自己跑脚本、调研竞品、埋词、翻译、整合之后生成的。跑这样一份大概需要20分钟。
具体在 Codex 里是怎么跑起来的？
第一步：给出源 ASIN 和目标站点
最简单的输入只需要两项：请调用 listing generation Skill：源 ASIN：XXXXXXXXXX 目标站点：UK、DE、IT、FR、ES、NL 输出目录：XXXXXXXXXX。如果只需要某一个站点，也可以单独指定。
Skill 首先不会急着写文案，而是先锁定源 ASIN 的产品事实：材质、尺寸、数量、颜色、结构、核心功能和使用方式。
这一步很重要，因为竞品可以借鉴表达，不能借用参数。
第二步：每个站点独立筛选竞品
六个欧洲站不是同一个市场。
所以 Skill 不会拿德国站的竞品和关键词，翻译一下就套到法国站。
它会在每个站点的对应叶子类目中独立获取候选商品，先过滤：
近 30 天销量必须大于 5；
上架时间必须晚于设定的日期，不能是陈旧的老品；
缺失销量或上架时间的商品不能默认通过。
然后分别计算主图相关度和标题相关度：综合相关度 = 主图相关度 × 60% + 标题相关度 × 40%。最后留下 Top 20 竞品进入后续分析。
被淘汰的商品也不会凭空消失，而是进入“竞品剔除记录”，保留具体原因。
第三步：从竞品评论里找增量卖点
竞品的标题和五点讲的是卖家想说什么，评论区里才有买家拿到手的真实感受。
Skill 会把评论拆成三类：
使用场景；
体验好的点；
真实痛点。
那些只是重复竞品官方卖点的评论，价值并不高。
更值得看的，是竞品文案没有强调、但买家反复提到的使用场景；或者竞品做得不好，而源产品确实能够解决的问题。
最终，每个站点会沉淀 3～8 个 VOC 卖点，并明确记录哪些评论被采用进了哪一条 Bullet。
第四步：先分配关键词，再写 Listing
很多 AI Listing 的埋词方式，本质上是“写完以后再找地方塞词”。
我的流程刚好相反。
关键词扩展后，先按照产品主体相关性、相关竞品覆盖率、转化率和搜索量筛选，再从原始词库收敛到 30～50 个词。
然后建立一张严格的关键词分配表：
T1–T5：标题关键词；
B1–B5：五点关键词；
D1–D5：描述关键词；
Search Terms：后台搜索词。
每个词为什么保留、为什么删除、分配到哪里、最终有没有完整嵌入，都能在表里查到。
先把决策做完，再让文案执行，别写到哪里算哪里。
第五步：独立本地化并完成质检
中文稿只是事实和卖点的桥接层，不是六个国家文案的共同母版。
每个站点都必须结合当地关键词、语序、单位和语言习惯独立生成。
写完以后还要继续检查：
标题、五点、描述和 Search Terms 是否超限；
分配的关键词有没有被拆散、换序或者漏掉；
五条 Bullet 是否各自只讲一个核心卖点；
是否错误借用了竞品参数；
每条 Bullet 与任一 Top 20 竞品是否低于 50% 文本相似度；
德语名词大小写、英式拼写、数字和标点是否符合站点习惯。
只有通过这些检查，才进入最终工作簿。
跑完以后，会交付什么？
默认情况下，一个源 ASIN 会得到六个独立 Excel：
＜ASIN＞_＜产品名＞_UK.xlsx
＜ASIN＞_＜产品名＞_DE.xlsx
＜ASIN＞_＜产品名＞_IT.xlsx
＜ASIN＞_＜产品名＞_FR.xlsx
＜ASIN＞_＜产品名＞_ES.xlsx
＜ASIN＞_＜产品名＞_NL.xlsx
每个工作簿至少包含：
竞品相关度过程表；
竞品剔除记录；
关键词决策与分配表；
VOC 证据表；
中文桥接稿；
目标站点语言 Listing；
字符数、埋词和本地化质检结果。
这套工作簿，重点看哪几处？
1. 先看事实锁定：AI 有没有偷偷改产品
Listing 写得再漂亮，只要材质、尺寸或者包装数量写错了，后面所有工作都是负资产。
所以第一眼先看源产品事实，而不是标题够不够吸睛。
这次实跑就抓到了一个典型冲突：brief 是 21.5 × 21.5 cm，当前 Amazon 详情是 22 × 22 cm。Skill 将差异保留在审计记录里，等待人工确认，没有静默选择其中一个。
2. 再看竞品过程：为什么是这 20 个
“AI 找了很多竞品”本身说明不了什么，关键看它能不能回答：
这些商品是不是同一种产品；
月销量和上架时间有没有通过门槛；
主图、标题和源产品有多相关；
为什么它进入 Top 20，另一个却被剔除。
这张表决定了后面的 VOC、关键词和文案到底建立在什么样的参照物上。
图里展示的是本次 DE 实跑过程表前 12 条。销量和上架时间已经通过硬过滤；主图相关度和 Top 20 列明确标记“未评分/未形成”，而不是补一个看起来完整的数字。
3. 最值钱的一张表：关键词到底埋到哪里
以前人工做 Listing，最容易丢失的是关键词决策过程。
运营可能知道某个词重要，却很难在交接时说清楚：为什么重要、排第几、最后放在哪里。
关键词页把这些全部摊开：原始数据、相关度、保留或删除原因、分配位置和最终嵌入句子。
如果标题里少了一个核心词，不用重新猜，直接沿着分配表查。
Listing generation Skill宣传软文/03-历史样本关键词分配.png
这张图来自 2026 年 6 月 8 日的历史交付样本，只用于展示关键词页的结构，不代表本次 SellerSprite 已经重跑。历史文件里缺失的“相关产品数”也直接标记为 SellerSprite 未返回，没有从综合分反推伪造。
4. 再看 VOC：卖点有没有真实用户证据
我不想让 AI 凭空发明“适合办公室”“易于清洁”“家庭必备”这类万能卖点。
只要采用了 VOC 卖点，工作簿就要标记它来自哪条评论、属于什么场景，以及进入了哪一条 Bullet。
这样运营看到的不是一句漂亮话，而是一条可以回看的证据链。
本次实跑因为综合相关度和 Top 20 尚未形成，没有继续生成 VOC 证据表。这一段保留为完整流程说明，不把历史或模拟评论混进当前案例。
5. 最后看成品：文案和证据能不能对得上
最终 Listing 页不只放标题、五点和描述，还会显示字符数、限制、超限状态和关键词嵌入审计。
到这一步才算交付。
Listing generation Skill宣传软文/04-历史样本德语Listing.png
上图是历史德语 Listing 样本，标题、五点、字符限制和历史 lint 结果都保存在同一页；黄色边界说明同时标记了“本次未重跑”和尺寸事实冲突，避免读者把历史文件误认成当前结果。
这套 Skill 最值钱的地方，不在“六站点”
六个站点、六个 Excel，拿来讲效率很顺口。
但它值钱的地方既不是快，也不是能同时写六种语言，而是把 Listing 从“一段依赖个人经验的文案”变成了一套可以审核的决策过程：源 ASIN 事实 → 站点独立竞品 → Top 20 相关度 → VOC 卖点证据 → 关键词筛选与分配 → 本地化 Listing → 相似度、字符和语言质检。运营可以修改它，主管可以审核它，新员工可以接手它，客户也能看懂钱到底花在了哪里。
如果 AI 只是帮你一键写出标题和五点，它确实没什么价值。
值得做成 Skill 的从来不是最后那几段文字，而是文字背后的判断标准、数据来源、异常处理和验收规则。
文案只是结果，能被解释、修改、复用和交接的证据链，才是这套 Skill 真正想交付的东西。
skill我也已经开源，链接在：https://github.com/WendyCoding31/listing_generator
欢迎更多讨论和交流
我是Wendy，之前做过几年亚马逊运营，现在专注AI提效，熟悉很多openclaw/claude code/Codex/Workbuddy的好玩玩法，这帖子主要分享下AI生成listing的步骤。
生成listing最关键的不是让AI一顿乱猜拼凑，而是严格按照人工的决策链来执行，这样才能精准找竞品，精准埋词，才是有效的listing。
我把原先人工做 Listing 时决策链，做成了一个 Listing generation Skill：
（下文可能较长，只想体验skill的可见：https://github.com/WendyCoding31/listing_generator）
这个 Skill 是针对欧区的，输入一个源 ASIN，它默认针对英国、德国、意大利、法国、西班牙和荷兰六个站点，分别完成竞品筛选、VOC、关键词分配、本地化写作和质检，最后交付六个独立 Excel 工作簿。
文件目录大概将会如下，囊括欧洲6个站点；这个文件夹和里面的每个excel分页都是codex自己跑脚本、调研竞品、埋词、翻译、整合之后生成的。跑这样一份大概需要20分钟。
具体在 Codex 里是怎么跑起来的？
第一步：给出源 ASIN 和目标站点
最简单的输入只需要两项：请调用 listing generation Skill：源 ASIN：XXXXXXXXXX 目标站点：UK、DE、IT、FR、ES、NL 输出目录：XXXXXXXXXX。如果只需要某一个站点，也可以单独指定。
Skill 首先不会急着写文案，而是先锁定源 ASIN 的产品事实：材质、尺寸、数量、颜色、结构、核心功能和使用方式。
这一步很重要，因为竞品可以借鉴表达，不能借用参数。
第二步：每个站点独立筛选竞品
六个欧洲站不是同一个市场。
所以 Skill 不会拿德国站的竞品和关键词，翻译一下就套到法国站。
它会在每个站点的对应叶子类目中独立获取候选商品，先过滤：
近 30 天销量必须大于 5；
上架时间必须晚于设定的日期，不能是陈旧的老品；
缺失销量或上架时间的商品不能默认通过。
然后分别计算主图相关度和标题相关度：综合相关度 = 主图相关度 × 60% + 标题相关度 × 40%。最后留下 Top 20 竞品进入后续分析。
被淘汰的商品也不会凭空消失，而是进入“竞品剔除记录”，保留具体原因。
第三步：从竞品评论里找增量卖点
竞品的标题和五点讲的是卖家想说什么，评论区里才有买家拿到手的真实感受。
Skill 会把评论拆成三类：
使用场景；
体验好的点；
真实痛点。
那些只是重复竞品官方卖点的评论，价值并不高。
更值得看的，是竞品文案没有强调、但买家反复提到的使用场景；或者竞品做得不好，而源产品确实能够解决的问题。
最终，每个站点会沉淀 3～8 个 VOC 卖点，并明确记录哪些评论被采用进了哪一条 Bullet。
第四步：先分配关键词，再写 Listing
很多 AI Listing 的埋词方式，本质上是“写完以后再找地方塞词”。
我的流程刚好相反。
关键词扩展后，先按照产品主体相关性、相关竞品覆盖率、转化率和搜索量筛选，再从原始词库收敛到 30～50 个词。
然后建立一张严格的关键词分配表：
T1–T5：标题关键词；
B1–B5：五点关键词；
D1–D5：描述关键词；
Search Terms：后台搜索词。
每个词为什么保留、为什么删除、分配到哪里、最终有没有完整嵌入，都能在表里查到。
先把决策做完，再让文案执行，别写到哪里算哪里。
第五步：独立本地化并完成质检
中文稿只是事实和卖点的桥接层，不是六个国家文案的共同母版。
每个站点都必须结合当地关键词、语序、单位和语言习惯独立生成。
写完以后还要继续检查：
标题、五点、描述和 Search Terms 是否超限；
分配的关键词有没有被拆散、换序或者漏掉；
五条 Bullet 是否各自只讲一个核心卖点；
是否错误借用了竞品参数；
每条 Bullet 与任一 Top 20 竞品是否低于 50% 文本相似度；
德语名词大小写、英式拼写、数字和标点是否符合站点习惯。
只有通过这些检查，才进入最终工作簿。
跑完以后，会交付什么？
默认情况下，一个源 ASIN 会得到六个独立 Excel：
＜ASIN＞_＜产品名＞_UK.xlsx
＜ASIN＞_＜产品名＞_DE.xlsx
＜ASIN＞_＜产品名＞_IT.xlsx
＜ASIN＞_＜产品名＞_FR.xlsx
＜ASIN＞_＜产品名＞_ES.xlsx
＜ASIN＞_＜产品名＞_NL.xlsx
每个工作簿至少包含：
竞品相关度过程表；
竞品剔除记录；
关键词决策与分配表；
VOC 证据表；
中文桥接稿；
目标站点语言 Listing；
字符数、埋词和本地化质检结果。
这套工作簿，重点看哪几处？
1. 先看事实锁定：AI 有没有偷偷改产品
Listing 写得再漂亮，只要材质、尺寸或者包装数量写错了，后面所有工作都是负资产。
所以第一眼先看源产品事实，而不是标题够不够吸睛。
这次实跑就抓到了一个典型冲突：brief 是 21.5 × 21.5 cm，当前 Amazon 详情是 22 × 22 cm。Skill 将差异保留在审计记录里，等待人工确认，没有静默选择其中一个。
2. 再看竞品过程：为什么是这 20 个
“AI 找了很多竞品”本身说明不了什么，关键看它能不能回答：
这些商品是不是同一种产品；
月销量和上架时间有没有通过门槛；
主图、标题和源产品有多相关；
为什么它进入 Top 20，另一个却被剔除。
这张表决定了后面的 VOC、关键词和文案到底建立在什么样的参照物上。
图里展示的是本次 DE 实跑过程表前 12 条。销量和上架时间已经通过硬过滤；主图相关度和 Top 20 列明确标记“未评分/未形成”，而不是补一个看起来完整的数字。
3. 最值钱的一张表：关键词到底埋到哪里
以前人工做 Listing，最容易丢失的是关键词决策过程。
运营可能知道某个词重要，却很难在交接时说清楚：为什么重要、排第几、最后放在哪里。
关键词页把这些全部摊开：原始数据、相关度、保留或删除原因、分配位置和最终嵌入句子。
如果标题里少了一个核心词，不用重新猜，直接沿着分配表查。
Listing generation Skill宣传软文/03-历史样本关键词分配.png
这张图来自 2026 年 6 月 8 日的历史交付样本，只用于展示关键词页的结构，不代表本次 SellerSprite 已经重跑。历史文件里缺失的“相关产品数”也直接标记为 SellerSprite 未返回，没有从综合分反推伪造。
4. 再看 VOC：卖点有没有真实用户证据
我不想让 AI 凭空发明“适合办公室”“易于清洁”“家庭必备”这类万能卖点。
只要采用了 VOC 卖点，工作簿就要标记它来自哪条评论、属于什么场景，以及进入了哪一条 Bullet。
这样运营看到的不是一句漂亮话，而是一条可以回看的证据链。
本次实跑因为综合相关度和 Top 20 尚未形成，没有继续生成 VOC 证据表。这一段保留为完整流程说明，不把历史或模拟评论混进当前案例。
5. 最后看成品：文案和证据能不能对得上
最终 Listing 页不只放标题、五点和描述，还会显示字符数、限制、超限状态和关键词嵌入审计。
到这一步才算交付。
Listing generation Skill宣传软文/04-历史样本德语Listing.png
上图是历史德语 Listing 样本，标题、五点、字符限制和历史 lint 结果都保存在同一页；黄色边界说明同时标记了“本次未重跑”和尺寸事实冲突，避免读者把历史文件误认成当前结果。
这套 Skill 最值钱的地方，不在“六站点”
六个站点、六个 Excel，拿来讲效率很顺口。
但它值钱的地方既不是快，也不是能同时写六种语言，而是把 Listing 从“一段依赖个人经验的文案”变成了一套可以审核的决策过程：源 ASIN 事实 → 站点独立竞品 → Top 20 相关度 → VOC 卖点证据 → 关键词筛选与分配 → 本地化 Listing → 相似度、字符和语言质检。运营可以修改它，主管可以审核它，新员工可以接手它，客户也能看懂钱到底花在了哪里。
如果 AI 只是帮你一键写出标题和五点，它确实没什么价值。
值得做成 Skill 的从来不是最后那几段文字，而是文字背后的判断标准、数据来源、异常处理和验收规则。
文案只是结果，能被解释、修改、复用和交接的证据链，才是这套 Skill 真正想交付的东西。
skill我也已经开源，链接在：https://github.com/WendyCoding31/listing_generator
欢迎更多讨论和交流
倒计时：
0 个回复