（万字干货）如何用CodexAI协助亚马逊运营选品
140最近一直在通过Codex来辅助团队选品，小有心得在这里分享一些内容。
很多亚马逊卖家一听到“AI选品”，第一反应其实不是兴奋，而是怀疑：AI真的能帮我选出爆品吗？它会不会一本正经地胡说八道？它是不是只是把网上的资料拼一拼，然后给我一个看起来很漂亮、但落不了地的报告？说实话，这个怀疑是对的。因为今天市面上很多所谓的AI选品，本质上还是“换了一个工具继续拍脑袋”。
大家觉得可行吗？？？
还是参考网上的文章给的推荐产品？？？
最后出来的结果：
以前是运营凭经验拍脑袋，现在是让AI帮你拍脑袋；以前是看竞品销量、看趋势、看价格，最后凭感觉说“这个品不错”，现在是把一堆数据扔给AI，AI总结一句“该市场有机会”，然后你就敢开模、下单、备货、发FBA。这个不是AI赋能，这是AI包装过的赌博。
我经常跟卖家讲一句话：选品的第一性原理，不是找一个看起来热的产品，而是找到一个“真实需求存在、竞争结构没有被锁死、利润模型能跑通、供应链能交付、测款数据能验证”的产品机会。这里面每一个环节都需要证据，不是需要感觉。你说市场大，大到什么程度？
你说竞争不激烈，集中度是多少？你说新品能起来，半年内上架的新品有几家跑出来？你说客户有痛点，差评里面反复提到的点是什么？你说利润可以，扣掉采购、头程、尾程、佣金、仓储、推广、退货之后还剩多少？你说能差异化，到底是功能创新、结构优化、质量提升、包装升级，还是只是换个颜色、换个图、换个标题？
所以今天这篇文章，我不是想跟大家讲“Codex有多神”，也不是让大家把选品完全交给AI。我想讲的是：如果我们用Codex，把亚马逊选品这件事拆成一个标准化、可验证、可复盘的流程，选品成功率是可以被系统性提高的。
先说明一下，Codex在这里不是一个简单聊天机器人。OpenAI官方对Codex的定位，是一个可以帮助理解代码、写代码、调试、审查、处理文件和执行任务的工作代理。
很多卖家一听“代码”就觉得跟自己没关系，但我恰恰觉得，跨境卖家用Codex最大的价值，不是让它帮你写程序，而是让它变成你的“选品数据助理”和“研究流程执行员”。你把品类数据、关键词数据、TOP ASIN数据、评论痛点数据、供应链约束放进去，让它帮你清洗、归类、建模、评分、出报告、拆机会、做对比。它不替你承担商业判断，但它可以帮你把判断需要的证据准备得更完整、更快、更清楚。
一、为什么大多数卖家选品越来越难？
这几年做亚马逊，很多卖家最明显的感受就是：产品越来越难选了。以前你看到一个产品月销不错、评论不多、客单价还可以，就敢上。现在不行了。你刚看到机会，别人也看到了；你刚准备打样，1688上同款已经被几十个卖家问烂了；你刚算完利润，广告CPC涨了；你刚发货，平台规则变了；你刚把排名推起来，跟卖、低价、同质化、退货、差评一起过来了。
更难受的是，很多卖家不是没有努力，而是努力错了方向。每天看榜单、刷软件、翻竞品、问工厂、看群消息，忙得不行，但最后选出来的产品还是几个老问题：
市场看起来大，但头部垄断太强，新品根本没有自然生长空间；
关键词搜索量很高，但转化不好，广告烧起来像无底洞；
客单价看起来不错，但扣完平台费、物流费、推广费，利润薄得可怜；
差评痛点很多，但你解决不了，因为是材料、工艺、认证、结构、售后带来的系统性问题；
产品看起来有需求，但供应链不匹配，你能拿到的货不是品质不稳定，就是成本没有优势；
数据看起来很好，但真正上架一测，点击没有、转化没有、评论起不来。
很多人把这个问题归因于“现在亚马逊太卷了”。这句话没错，但不够准确。真正的问题不是市场卷，而是我们的选品方法还停留在粗放阶段。你用一个粗放的方法，去打一个精细化竞争的市场，失败概率自然会越来越高。
我在课上讲过一个观点：接下来是品牌加精品的时代，红海里面有蓝海。什么意思？不是说红海不能做，而是你不能用红海产品的表象去判断机会。一个大品类看起来很红，但里面可能有很多细分关键词、细分场景、细分人群、细分痛点还没有被很好满足。反过来，一个看起来很蓝的市场，也可能因为需求太小、客单价太低、供应链太难、退货太高，根本不值得做。
彼得·德鲁克有句话，我非常认同：如果你不能量化它，就没有办法提高它。选品也是一样。如果你不能量化市场体量、趋势、集中度、新品机会、价格带、评论门槛、退货风险、利润空间、广告难度、差异化可行性，你就没有办法提高选品成功率。你只能靠经验，靠运气，靠试错。
Regan也说过一句： 如果你不能统一标准，那么你的结果就没有意义。
二、放大问题场景
一个错误选品，会把卖家拖进什么坑？
我们把场景讲得现实一点。假设你看到一个家居类产品，月搜索量很大，竞品销量也不错，客单价二十多美金，图片看起来不复杂，工厂也说能做。
你很兴奋，觉得这个品可以上。然后你开始打样、拍图、做Listing、备货、发FBA。第一批你不敢发太多，发了500个。结果上架以后发现，主关键词CPC比你预估高很多，自动广告跑出来的词很散，点击有一点，转化很低。你为了拿评价，降价；为了拿曝光，加预算；为了追排名，提高竞价。一个月过去，销量有了，但利润没有了。
更麻烦的是，差评开始出现。客户说颜色和图片不一致，说材质廉价，说尺寸偏小，说安装麻烦，说包装破损。你回头找工厂，工厂说行业都这样；你找运营，运营说先优化文案和图片；你看广告报表，发现转化率低不是一个词的问题，而是产品本身没有明显优势。这个时候你已经不是在做选品了，你是在救火。你会发现，真正让你亏钱的不是广告，而是你在选品阶段没有把“不可解决的问题”提前识别出来。
再举一个常见的情况。有些卖家特别喜欢追搜索量大的词。比如一个关键词月搜索几十万，甚至接近百万，看起来非常诱人。但你有没有想过，搜索量大不等于机会大。
大词背后通常意味着三个东西：
第一，消费者需求广，但意图可能很分散；
第二，广告竞争大，CPC容易被抬高；
第三，头部Listing长期占据点击和转化，你作为新品很难切进去。
你看到的是搜索量，别人看到的是流量入口，平台看到的是转化效率，买家看到的是信任和评论。你只盯搜索量，很容易把自己送进一个烧钱赛道。
还有一种更隐蔽的坑，就是“数据平均值陷阱”。一个品类平均客单价30美金，看起来不错；平均评分4.4，看起来不错；平均退货率不高，看起来也不错。但平均值会掩盖结构。可能真正赚钱的是头部品牌，腰尾部都在亏；可能高客单价集中在少数高端产品，新品只能打低价；可能评分高是因为成熟竞品已经把质量做到位，而你的供应链做不到；可能退货率低是因为头部产品包装、说明书、售后都成熟，而你一上来就踩坑。
所以选品最怕什么？
最怕只看一个指标。只看搜索量，会忽视竞争；只看销量，会忽视利润；只看利润，会忽视转化；只看差评，会忽视可解决性；只看趋势，会忽视供应链；只看软件推荐，会忽视自己的资源边界。
这就是为什么我认为Codex有价值。它的价值不是给你一个“可以做”或者“不可以做”的答案，而是帮你把这些指标放到同一张决策桌上，让你看到完整的因果链。
三、指出根本原因
选品失败不是因为信息不够
而是缺少证据链
很多卖家以为自己选品失败，是因为信息不够。其实今天信息已经过载了。你有卖家精灵、、Keepa、品牌分析、广告报表、评论下载、Reddit、Tk、Google Trends、供应链报价、同行消息。真正的问题不是没有信息，而是信息没有被组织成一条能支持决策的证据链。
什么叫证据链？我给大家拆一下。一个产品值得做，至少要通过六个层面的验证。
第一层
需求验证
这个市场有没有真实需求？不是今天突然爆一下，而是至少有稳定的搜索量、销量基础，并且最好有上升趋势。
比如我们在课件里讲过，市场每年都有增长，增长率最好大于5%。如果一个市场从18万增长到80万，一年内体量增长4.4倍，这说明需求在扩张。但这里要注意，增长不等于你能赚到钱。增长只是说明市场在变大，后面还要看竞争结构。
第二层
竞争验证
这个市场是不是被头部锁死？我们看三个集中度：商品集中度、品牌集中度、卖家集中度。简单讲，TOP3占TOP100份额比例如果都低于40%
通常说明市场没有被少数玩家完全垄断。反过来，如果头部几家吃掉大部分销量，你进去之后就不是跟普通卖家竞争，而是在跟品牌、广告预算、供应链深度、评论资产竞争。
第三层
新品机会验证
一个市场有没有机会，不是看你觉得有没有机会，而是看最近半年内上架的新品有没有跑出来。
我课件里给的标准是
做起来的前100名里面，至少有3到5家是半年内上架的；新品SKU销量占前100名销量比例超过3%，但最好不要高到异常失真。如果一个市场长期没有新品进入前排，说明门槛很高；如果新品很多但都靠低价冲，说明可能是内卷市场。
第四层
客户质量验证
不是所有需求都值得做。有些产品销量大，但客单价低，广告一打就亏；有些产品客单价高，但人群很挑剔，退货和差评多。
我的标准通常会看客单价是否大于30美金，或者至少处于中位数客单价区间以上。因为亚马逊现在的运营成本越来越高，太低客单价的产品，除非你有极强供应链优势，否则很难支撑广告和利润。
第五层
痛点可解决验证
这个非常关键。不是差评越多越有机会，也不是评分越低越好做。如果一个市场平均星级低于4.2，
退货率很高，你要问的是：这个痛点到底能不能被解决？如果差评集中在包装、配件、说明书、尺寸标注、材质升级，这些可能能解决；如果差评集中在产品天然属性，比如易碎、强季节、强主观审美、使用复杂、合规风险高，那就要谨慎。
课件里提到一个标准：平均星级最好大于4.2，退货率尽量低于5%到8%，并且要看历史平均退货率。
第六层
利润验证
选品最后一定要回到钱。毛利润率不能只算售价减采购成本。完整一点要算：售价减采购成本、头程、尾程、销售佣金、仓储费、推广费、退货损耗。如果只算基础毛利，最好要有35%以上；如果扣掉仓储、推广、退货等因素，最好还要有25%以上。欧洲站还要考虑VAT，扣完之后利润率最好还能大于18%。如果利润模型跑不通，再大的市场也只是帮平台和物流公司打工。
你会发现，选品不是一个点，而是一条链。链条里任何一个环节断掉，后面都会出问题。Codex要做的，就是帮你把这条链建起来。
四、拆掉常见误区
不要把Codex当神，也不要把AI当玩具
现在很多卖家用AI有几个误区，我建议大家一定要拆掉。
第一个误区
让AI直接推荐爆品。
你问AI：“帮我推荐10个适合亚马逊美国站的爆品。”它一定能回答，而且回答得很像回事。
但这个答案大概率不能直接用。因为AI如果没有接入你的真实数据，没有你的供应链边界，没有实时市场数据，没有成本结构，没有广告承受能力，它给你的就是通用建议。通用建议最大的问题，就是看起来谁都能用，最后谁用都不准。
第二个误区
把AI输出当结论。
AI输出的内容，只能算分析草稿，不能直接算商业结论。比如AI说某个市场“增长明显、竞争适中、适合切入”，你要继续追问：增长来自哪个时间段？是季节性还是长期趋势？竞争适中用什么指标定义？点击集中度是多少？PPC和客单价比值是否健康？转化率能不能支撑ACOS？差评痛点是否能被供应链解决？如果这些问题没有数据，结论就是空的。
第三个误区
只用AI写文案，不用AI建流程。
很多卖家现在用AI最多的是写Listing、写五点、写标题、写邮件。这个当然有用，但不够。真正高价值的用法，是让AI参与前端选品决策，把数据整理、指标计算、评分模型、报告生成、机会拆解、测款计划全部流程化。写文案只是最后一公里，选错品，再好的文案也救不了。
第四个误区
以为AI越聪明，自己越省事。
恰恰相反，AI越强，越需要你会提问题、会定标准、会验结果。你要给它清晰的角色、数据、筛选标准、输出格式、判断逻辑。比如你不能只说“帮我分析这个品类”，你要说“你是一名亚马逊品类策略顾问，请基于品类市场数据、关键词数据、TOP400 SKU数据、评论数据，按照市场趋势、竞争集中度、新品机会、价格带、关键词供需比、评论痛点、利润模型、资源匹配度，输出3到5个可验证的子品类机会，并说明每个机会的证据和风险。”这两种提问，得到的结果完全不是一个级别。
第五个误区
只看AI报告，不做小批量测款。
AI再强，也只能提高前期判断概率，不能替代市场验证。亚马逊最终会用点击率、转化率、ACOS、评论反馈、退货率告诉你答案。所以我一直强调漏斗测款法：先筛10到30款，再下漏10款，再筛3到5款，最后集中资源打1到2款。AI负责提高进入漏斗的质量，测款负责验证市场是否真的买单。
第六个误区
把“红海”简单理解成不能做。
红海不是不能做，红海里面有蓝海。关键看你能不能切到更细的关键词、更明确的场景、更具体的人群、更可解决的痛点。
比如“artificial flowers for outdoors”这种大词，搜索量可能非常大，广告竞品多，市场均价偏低，看起来很卷。但你往下拆，可能会出现“uv resistant artificial outdoor plants”“realistic artificial flowers for outdoors”“uv resistant artificial flowers outdoor”这类更细的机会词。一个大市场里，真正能做的往往不是大词，而是细分词背后的精准需求。
五、具体方法
用Codex搭一套亚马逊AI选品工作流
接下来讲最重要的部分：到底怎么用Codex做选品？我建议你不要把它当成一个聊天窗口，而要把它当成一个“选品项目工作台”。每一次选品，都按照固定流程走。
第一步，先建立选品文件夹，把数据准备好。
一个完整的品类分析，至少要准备四份文件：品类市场数据报告、关键词数据报告、TOP400 SKU报告、SKU卖点与评论报告。如果你有广告数据、竞品Keepa趋势、供应链报价、样品成本、头程报价、FBA费用预估，也一起放进去。Codex的优势是能围绕文件工作，你给它越结构化的数据，它越能做出靠谱的分析。
第二步，明确你的供应链边界。
很多卖家选品失败，不是市场没机会，而是机会不属于你。你要告诉Codex：你擅长什么材质，什么工艺有优势，采购地在哪里，广东周边供应链是否更方便，能不能做小号标准件或大号标准件，是否排除易燃易爆、带液体、强认证、复杂组装、多变体强依赖的产品。课件里有一组很实用的标准：不是易燃易爆带液体的产品，非复杂组装类产品，广东省周边供应链产品，产品不是强制性多变体，体积处于小号标准件或大号标准件范围内。这些看起来不是高级策略，但非常重要，因为它们决定了你能不能低风险交付。
实例指令
我是一名亚马逊美国站的卖家，想要在美国站销售家居品类市场，请协助我进行选出的符合下面要求的亚马逊类目：
类目筛选标准：
1. 月总销量处于150000以内
2. 三个集中度指标均在40%以内（参考商品集中度品牌集中度 卖家集中度指标）
3. 新品(半年内上架)数量超过5个
4. 类目处于上升趋势
5. 类目没有出现亚马逊自营链接垄断
6. 利润率高于30%以上
7. 类目平均客单价在30-80美金区间
8. 类目平均退货率低于6%
9. 不是易燃易爆带液体的产品
10. 非复杂组装类产品
11. 广东省周边供应链的产品
第三步，先让Codex做品类大盘判断。
这里不要让它直接推荐产品，而是让它回答几个基础问题：这个市场处于增长期、平稳期还是下滑期？近12个月销量和销售额趋势如何？有没有明显季节性？市场体量处于哪个级别？我通常会把月销量体量做一个分层：3万以内是冷门市场，5万以内是小型市场，5到15万是中小型市场，15到30万是中型市场，30到50万是中大型市场，50到80万是大型市场，80万以上就是超红海市场。不同体量的打法不一样。小市场容易做到前排，但天花板低；大市场天花板高，但进入成本大。
第四步，让Codex分析竞争集中度。
你可以让它基于TOP100或TOP400数据，计算商品集中度、品牌集中度、卖家集中度，尤其关注TOP3、CR5、TOP10占比。我的经验是，美国站如果三个头部集中度都低于40%，通常市场相对分散，新品还有机会。如果集中度很高，你就要进一步判断，是品牌垄断、自营垄断，还是少数卖家用价格和评论资产压住了市场。这里Codex可以帮你把品牌、卖家、ASIN按销量和销售额排序，做出份额表，甚至生成图表，让你一眼看出是不是被锁死。
第五步，验证新品机会。
让Codex筛选半年内上架的ASIN，统计它们在TOP100里的数量、销量份额、价格区间、评论数量、评分、主打卖点。一个有机会的市场，前100名里面至少要有3到5家半年内上架的产品跑出来，新品销量占比最好超过3%。但你还要看这些新品是怎么跑出来的：是靠低价，靠变体，靠站外，靠广告，靠差异化，还是靠某个细分词。如果新品能以合理价格、合理评论量进入前排，这才是好信号。
第六步，拆价格带。
不要只看平均价格。你要让Codex把价格区间拆开，比如0到15美金、15到20美金、20到30美金、30到50美金、50美金以上，然后分别看每个价格带的ASIN数量、平均销量、平均评论、平均评分、头部集中度。真正有机会的价格带，往往不是销量最高的价格带，而是“需求高、竞争相对低、利润还能跑”的价格带。比如某个品类大盘均价偏低，但在25到35美金价格带，ASIN数量不多、销量不错、差评痛点集中在品质和耐用性上，那这可能就是差异化机会。
第七步，做关键词机会筛选。
关键词不要只看搜索量，要看搜索量、PPC、点击集中度、转化集中度、竞品数量、需供比、价格区间、趋势。课件里给了一个很实用的关键词筛选标准：月搜索量小于150000；PPC价格与客单价比值小于1比20；点击集中度和转化总占比都小于40%；需供比大于1；市场分析价格区间大于20美金；关键词呈现环比上升趋势；再通过关键词转化率板块反查ACOS比值是否小于90%。这些指标合起来看，比单看搜索量靠谱很多。
第八步，做Review痛点挖掘。
这里是Codex特别适合做的事。你可以把评论样本给它，让它做主题归类和情感分析。差评里反复出现什么？尺寸不符、材质差、颜色偏差、容易坏、安装麻烦、包装破损、气味大、配件缺失、说明书不清楚？好评里反复出现什么？耐用、好看、安装方便、真实感强、性价比高、送礼体面？然后让Codex把痛点分成三类：可解决痛点、部分可解决痛点、不可解决痛点。可解决痛点才是机会，不可解决痛点是风险。
第九步，找未被满足的真需求。
我课件里讲过，真需求至少要从四个地方找：有搜索量或销量基础，并且搜索量处于上升趋势；评论里面反复提及；3.8到4.2分Listing里的差评点；结合Reddit等社区挖掘用户真实表达。为什么重点看3.8到4.2分的Listing？因为评分太低的产品可能本身很差，参考价值有限；评分太高的产品痛点不明显；3.8到4.2分往往说明它有销量、有需求，但还有明显问题，这里面最容易找到可以改进的空间。
第十步，建立利润模型。
你要让Codex把每个候选产品按统一公式核算。基础毛利润率等于售价减采购成本、头程、尾程、销售佣金；更完整的利润率还要扣仓储费、推广费、退货费。推广费不能拍脑袋，可以根据关键词CPC、预估转化率、目标ACOS来倒推。比如某关键词CPC是0.72美金，转化率4.68%，CPA约15.38美金，客单价25.99美金，ACOS约59%。如果你的产品利润率是30%，那你要看ACOS和利润率的比值是否在可承受范围。课件里的判断标准是ACOS比值小于90%更健康，超过这个水平，就要谨慎。
第十一步，做差异化可行性判断。
差异化不是一句“升级材质”就完了。你要让Codex把差异化拆成几类：全新研发、功能创新、丰富卖点、提高利润、精简结构、降低成本、提高质量、稳定性能。然后判断每个方案的重要性和实现难度。比如客户抱怨户外仿真花不耐晒，那“抗UV材质”就是功能差异化；客户抱怨不真实，那“更真实的颜色渐变和花瓣结构”就是视觉差异化；客户抱怨容易散，那“加固枝干和包装结构”就是质量差异化；客户抱怨安装麻烦，那“预组装或说明书优化”就是体验差异化。差异化必须落到产品结构、材料、包装、说明、价格、场景、图片表达上。
第十二步，让Codex生成一份HTML选品报告。
为什么我建议生成HTML报告？因为它比一段聊天记录更适合团队协作。你可以让Codex按照六步调研法输出：品类大盘趋势解读、细分品类拆解与聚焦、关键词与Review挖掘、痛卖点分析与差异化定位、高潜力子品类筛选、最终测款建议。每一步都要有图表、结论、证据、风险。图表可以包括趋势折线图、品牌集中度环形图、价格带柱状图、关键词供需比条形图、痛点频次表、子品类评分雷达图。这样老板、运营、采购、产品经理看到的是同一套证据，而不是每个人各讲各的感觉。
第十三步，输出候选产品评分表。
我的建议是做一个100分模型，需求趋势20分，竞争结构15分，新品机会15分，利润空间20分，痛点可解决性15分，供应链匹配10分，合规物流风险5分。分数不是为了绝对准确，而是为了逼你把模糊判断量化。比如一个产品搜索量很大，但集中度高、PPC贵、利润薄，最后总分可能并不高；另一个产品搜索量中等，但趋势上升、需供比高、新品有机会、客单价够、痛点可解决，反而更值得测。
第十四步，做测款计划。
AI分析通过之后，不要直接重仓。课件里的漏斗测款法我建议大家认真执行。第一阶段筛选10到30款产品，FBM或小批量FBA测试，每款产品根据品类开启一个广告活动，自动广告四种匹配形式，3到5美金预算测试；手动广告用核心词广泛匹配，3到5美金预算测试。下漏标准可以设置为日均销量大于0.5单，利润率大于负10%。第二阶段下漏10款，每款放少量Vine获取基础评论，广告从自动加手动开始倾斜，定价低于竞品5%建立价格优势，下漏标准是日均销量大于1单，利润率大于负5%。第三阶段筛出3到5款发FBA，开始精细化运营，做推广规划、精美图片、视频、完整Listing。第四阶段，如果资源允许，可以同一产品上4到5个链接做不同方向测试：A链接50个货做站外放量，看站外能不能辅助推品和清库存；B链接50个货放Vine，看有没有人领、客户是否认可质量；C链接50个货测试关键词流量，看CPC下的曝光和转化；D链接50个货测试关联流量；E链接25个货低于市场均价，测试什么价格区间能触发流量。
你会发现，这套流程里AI没有替你做决定，而是帮你把决定变得更有依据。真正的选品成功率，就是这样一点点被提高的。
六、直接给你
可复制的Codex的选品提示词
很多卖家知道方法，但不知道怎么问。这里我给大家一套更接近实战的提示词，你可以根据自己的数据替换。
你是一位资深的亚马逊品类策略顾问，长期为头部卖家提供市场调研与选品决策支持。你精通亚马逊美国站数据分析、消费者评论洞察、关键词机会识别、利润模型核算和供应链可行性判断。接下来我会提供四类数据：品类市场数据、关键词数据、TOP ASIN数据、评论与卖点数据。同时我会提供我的供应链约束，包括材质、工艺、采购地、目标客群、合规限制、物流偏好和目标利润率。请你基于这些数据，按照以下流程输出一份选品决策报告：第一，判断品类大盘趋势，说明该市场处于增长期、平稳期还是下滑期，并给出关键数据证据；第二，计算品牌、商品、卖家集中度，判断市场是否被头部垄断；第三，筛选半年内上架的新品，判断新品是否仍有进入机会；第四，拆解价格带，找出高需低竞且利润可跑通的价格区间；第五，基于关键词搜索量、趋势、PPC、点击集中度、转化集中度、竞品数量、需供比，筛选细分关键词机会；第六，基于评论提取高频好评和差评，判断哪些痛点可解决、哪些痛点不可解决；第七，结合供应链能力，提出3到5个高潜力子品类，并给出每个子品类的需求证据、竞争证据、利润预估、差异化方案、合规物流风险、测款建议；第八，用100分评分模型对每个候选机会打分，评分维度包括需求趋势、竞争结构、新品机会、利润空间、痛点可解决性、供应链匹配、合规物流风险；第九，最后给出明确结论：优先测哪一个，谨慎观察哪一个，直接放弃哪一个。请结论先行，所有判断必须有数据依据，不允许只用“可能”“看起来”“有机会”这类模糊表达。
如果你想让Codex进一步生成报告，可以追加一句：请把最终结果生成一份适合团队内部评审的HTML报告，包含趋势图、集中度图、价格带图、关键词机会表、评论痛点表、候选子品类评分表和最终测款路线图。报告要自包含，打开即可查看。
这个提示词的核心不是写得长，而是把角色、数据、标准、流程、输出格式都说清楚。AI最怕你给它一个模糊问题，然后期待它给你一个精准答案。你越把规则讲清楚，它越能帮你做具体工作。
七、真实案例
从“户外仿真花”里拆出细分机会
接下来我们用一个课件里的案例来讲：artificial flowers，也就是仿真花。这个品类一眼看过去很红海。搜索量大，卖家多，同质化严重，价格卷，图片也卷。
如果你只看大词，很可能直接放弃；如果你只看销量，又可能盲目冲进去。正确做法是往下拆。
比如大词“artificial flowers for outdoors”，户外人造花，搜索量可以达到79万，SPR指标256，广告竞品数量700，点击集中度11%，PPC竞价0.72美金，市场均价16.88美金。这个数据怎么看？
搜索量很大，说明需求很强；点击集中度11%不算特别高，说明流量没有完全集中在少数产品；PPC 0.72看起来还能接受；但市场均价16.88偏低，这对利润提出了挑战。如果你做普通户外仿真花，价格很容易被压住，最后可能靠低价和广告硬打。
再看更细的词：“uv resistant artificial outdoor plants”，抗紫外线人造户外植物，搜索量约10.3万，SPR指标21，广告竞品数量307，点击集中度10%，PPC竞价0.72，市场均价25.99美金。这个词就比大词更有意思。
它不是泛泛的户外花，而是明确强调抗UV，说明消费者有一个很具体的痛点：放在户外会不会褪色、会不会晒坏。更重要的是，市场均价25.99，比16.88健康很多，利润空间更好。PPC没有明显升高，点击集中度也低，这就有了细分切入的可能。
再看“silk flowers for outside”，室外丝绸花，搜索量4.77万，SPR指标6，广告竞品数量92，点击集中度14%，PPC竞价1.28，市场均价17.99。
这个词搜索量更小，竞品数量更少，但PPC更高、均价不高，说明它未必比抗UV方向更优。关键词不是越小越好，而是要看搜索量、PPC、客单价、集中度、转化率一起跑。
我们再进一步用关键词筛选标准找利基机会。课件中拆出了几个方向：抗UV户外仿真植物“uv resistant artificial outdoor plants”，搜索量约103,592每月，点击集中度约10.6%；仿真绣球花“white hydrangea artificial flowers”，客单价35.99美金，ACOS约59.4%；墓地祭奠仿真花“cemetery flowers for grave vase”，购买率2.30%，属于强刚需场景。这里你会发现，机会不一定只来自产品本身，可能来自使用场景。户外装饰是一种场景，抗UV是一种功能，白色绣球是一种审美，墓地祭奠是一种刚需用途。选品要从“产品名”进入“需求场景”。
再看另一个推荐结果：“realistic artificial flowers for outdoors”，月搜索量34,913，均价19.99美金，需供比2.51，近3月增长404%，点击集中度9.48%。这个词的亮点是增长快、集中度低、供需健康。风险是均价接近20美金门槛，如果做普通款，利润未必够；但如果能做更真实、更耐晒、更高品质包装，就可以尝试24.99美金以上切入。
“outdoor artificial flowers uv resistant”，月搜索量57,169，均价17.99，需供比9.15，近3月增长143%，PPC只有0.63。它的优点是搜索量大、供需比极好、广告成本友好；问题是均价17.99没达到20美金以上的理想价格，所以必须做高价差异化产品。否则你会掉进低价竞争。
“uv resistant artificial flowers outdoor”，月搜索量12,134，均价19.99，需供比1.90，近3月增长883%。这个词搜索量不算大，但增速非常高，如果PPC竞价还处在空白或较低阶段，就可能是早期机会。这里最适合做小批量测款，而不是一上来重仓。
如果用Codex来分析这个案例，我会让它输出三个结论：第一，仿真花大品类是红海，但抗UV、户外真实感、墓地祭奠、白色绣球等场景存在细分机会；第二，普通低价款不建议做，因为均价低、同质化强，利润容易被广告吃掉；第三，优先验证“抗UV+真实感+户外场景”的高品质产品，目标价格尽量做到24.99美金以上，差异化围绕抗晒、防褪色、真实花瓣层次、加固枝干、防压包装、场景化图片来做。
但到这里还不能直接下单。下一步要看评论。客户到底在骂什么？如果他们反复说“颜色很假”“晒几周就褪色”“花头容易掉”“包装压变形”“插在户外不稳定”，这些就是产品改进方向。然后再问供应链：抗UV材料成本增加多少？颜色渐变工艺能不能稳定？包装从普通袋装换成定型盒，头程和FBA费用增加多少？加固枝干会不会增加重量？如果成本增加后还能维持目标利润，才进入打样。
这就是Codex提高选品成功率的方式。它不是告诉你“仿真花能做”，而是一步步帮你回答：大盘能不能看，细分词在哪里，真实痛点是什么，价格能不能抬，供应链能不能做，利润能不能跑，最后用小批量测试验证。
八、把Codex变成团队流程
而不是个人灵感
我一直觉得，选品最大的浪费不是测款失败，而是团队无法复盘。很多公司选品会开会，运营说这个品不错，老板说可以试试，采购说工厂能做，最后就上了。失败以后大家复盘，发现当初没有留下完整依据：为什么选它？当时看了哪些数据？竞品是哪几个？利润怎么算的？广告预估是多少？差评痛点有没有看？供应链风险谁确认过？这些都没有沉淀，下一次还会重复踩坑。
用Codex做选品，最重要的是把流程沉淀下来。每个选品项目都应该有固定资料包：数据源文件、分析提示词、生成报告、评分表、会议结论、测款计划、测款结果、复盘报告。这样半年后你回头看，不是只知道“这个品失败了”，而是知道它失败在哪个环节：是需求判断错了，还是竞争低估了？是利润模型算漏了，还是痛点不可解决？是供应链质量没跟上，还是广告转化低于预期？
我建议团队内部可以设一个标准：任何产品进入打样前，必须通过Codex选品报告；任何产品进入小批量备货前，必须通过利润模型和评论痛点验证；任何产品进入FBA放量前，必须通过测款数据。这样选品就不是老板灵感，也不是运营感觉，而是一个有门槛的流程。
这个流程还可以继续升级。比如你可以让Codex每次分析完之后，自动输出“需要人工确认的问题清单”：供应链是否能做抗UV测试？样品是否需要老化测试？包装能否通过跌落测试？是否涉及合规认证？是否有侵权风险？是否存在季节性库存风险？是否需要多变体？是否有退货高发原因？这些问题不是AI能替你确认的，但AI可以提醒你不要漏掉。
再比如，你可以让Codex把每次测款结果反写回评分模型。某个产品前期评分80分，但测款后转化很差，你要分析为什么：是不是评论门槛低估了？是不是主图竞争力不足？是不是关键词意图不准？是不是价格带错了？下一次模型就要调整。选品成功率不是一次提高的，而是在持续复盘里提高的。
九、Codex适合做什么
不适合做什么？
为了避免大家误用，我再讲清楚Codex在选品里的边界。
Codex适合做的事情有很多。它适合读取和整理多份数据文件，把品类、关键词、ASIN、评论放到一起分析；适合帮你设计评分模型，把模糊判断变成量化标准；适合生成可视化报告，让团队更容易讨论；适合把差评做主题归类，找出高频痛点；适合从关键词里筛选高需低竞机会；适合根据成本数据搭利润模型；适合把一个复杂选品流程变成可重复执行的模板；适合在每次分析后生成问题清单和测款计划。
但Codex不适合替你决定“这个品一定能爆”。它也不能替代真实数据源。如果你给它的数据是错的、旧的、缺失的，它只能在错误基础上分析。它不能替代供应链验厂、样品测试、合规确认、专利检索、平台实测。它也不能替代你对行业、用户和产品的判断。AI目前不会完全取代运营，善用AI的运营会淘汰不用AI的运营。这个观点我在课上讲过，我现在依然坚持。
所以正确姿势是：让Codex做“证据整理”和“流程执行”，人来做“商业判断”和“资源取舍”。AI负责把问题讲清楚，人负责决定要不要下注。
十、给卖家的落地清单
今天就能开始做
如果你现在想把这套方法用起来，我建议你不要一上来搞得很复杂，先按七天执行。
第一天
选一个你正在考虑的品类，不要太大，也不要太小。把品类市场数据、关键词数据、TOP ASIN数据、评论数据导出来，放到一个文件夹。不要只截图，尽量用表格文件。
第二天
把你的供应链边界写清楚。你能做什么，不能做什么，目标客单价多少，最低利润率多少，能不能做多变体，能不能做认证产品，体积重量上限是多少，采购地在哪里，首单能承受多少库存。
第三天
用Codex做品类大盘和竞争集中度分析。先不急着看产品，先判断这个市场是不是值得继续研究。市场体量、趋势、集中度、新品机会、价格带，先过一遍。
第四天
用Codex做关键词机会筛选。重点找月搜索量不过大、趋势上升、PPC合理、点击集中度低、需供比大于1、价格带能支撑利润的词。不要迷恋大词，细分词才是新品更容易切入的地方。
第五天
用Codex分析评论。把好评和差评分开，提取高频主题，尤其看3.8到4.2分Listing里的差评。让Codex把痛点分成可解决、部分可解决、不可解决三类。
第六天
结合供应链报价做利润模型。不要只算采购成本，要把头程、尾程、佣金、仓储、推广、退货全部算进去。利润不够的产品，哪怕数据再漂亮，也不要轻易进入下一步。
第七天
让Codex输出最终报告和测款计划。报告里只保留三个结论：优先测什么，为什么；谨慎观察什么，风险在哪里；直接放弃什么，原因是什么。然后按漏斗测款法进入小批量测试。
这七天跑完，你对一个品类的理解会完全不一样。你不会再停留在“这个品好像不错”，而是能说出：它的需求来自哪个关键词，竞争集中度是多少，新品有没有跑出来，客户痛点是什么，供应链能不能解决，利润能不能覆盖广告，第一阶段应该用多少预算测，什么指标达不到就砍掉。
十一、再给大家一个判断标准
好选品报告必须回答这十个问题
我建议大家以后看任何AI选品报告，都用这十个问题验收。
第一，这个品类近12个月是增长、平稳还是下滑？增长有没有季节性？
第二，市场体量属于小型、中型、大型还是超红海？
第三，TOP3商品、品牌、卖家集中度是否低于40%？
第四，半年内上架的新品有没有进入前100？新品销量占比有没有超过3%？
第五，客单价是否大于30美金，或者是否有可切入的中高价格带？
第六，平均评分是否高于4.2，退货率是否可控？
第七，关键词是否存在供需比大于1、趋势上升、点击集中度低的细分机会？
第八，差评痛点是否可解决，解决方案是否能被供应链低成本实现？
第九，扣掉采购、头程、尾程、佣金、仓储、推广、退货之后，利润是否仍然健康？
第十，测款路径是否清楚，什么数据达标继续，什么数据不达标停止？
如果一份报告回答不了这十个问题，它就不是选品报告，最多只是市场介绍。市场介绍不能指导你备货，只有证据链才能指导你决策。
十二、Codex做亚马逊选品的核心
用Codex做亚马逊选品的核心，不是让AI替你猜爆品，而是让AI帮你把“需求、竞争、利润、痛点、供应链、测款”这六件事变成一套可量化、可验证、可复盘的证据链。
这句话我希望大家记住。AI选品真正的价值，不在于让你少思考，而在于让你少凭感觉。以前一个运营需要花几天整理的数据，现在可以更快整合；以前开会靠经验争论，现在可以拿评分表和报告讨论；以前选品失败只剩一句“市场不行”，现在可以复盘到底是哪一环出错。这个才是AI对运营的真正改变。
十三、未来不是AI替代运营
而是会用AI的运营替代不会用AI的人
最后我想说一点比较现实的话。亚马逊接下来一定会越来越精细。平台规则更细，广告竞争更细，买家需求更细，供应链分工更细，品牌运营也更细。粗放选品、粗放备货、粗放投放的时代正在结束。你会发现，真正能活下来的卖家，不一定是最会追热点的人，而是最会做系统的人。
Codex这类AI工具，本质上是在帮我们把系统搭起来。它可以让一个小团队拥有过去大公司才有的数据整理能力、报告生成能力、流程复盘能力。但前提是，你不能只是拿它问一句“有什么好品推荐”。你要把它放进你的真实业务流程里，给它真实数据，给它明确标准，给它清晰任务，然后用人的经验去校验它的输出。
我一直相信，亚马逊不是没有机会了，而是低质量机会越来越少，高质量机会越来越需要方法。红海里面依然有蓝海，但蓝海不会直接写在榜单上，它藏在细分关键词里，藏在差评里，藏在价格带里，藏在供应链能解决但竞品没解决的问题里。
如果你现在还在靠感觉选品，我建议你从今天开始，把选品变成一套流程。先别追求一步到位，也别迷信任何工具。你就先做一件事：把你下一个准备做的品类，按照“市场趋势、竞争集中度、新品机会、关键词机会、评论痛点、利润模型、供应链匹配、测款计划”完整跑一遍。跑完以后你会发现，很多你原来觉得能做的品，其实不该做；很多你原来忽略的细分机会，反而值得测。
这就是AI结合选品的真正意义。不是炫技，不是噱头，也不是替代运营，而是让我们用更低的试错成本，做更接近真实市场的判断。
