可交接、可重复、可验证：

亚马逊团队 AI 落地的三个条件

亚马逊团队用 AI，大部分都是这样子：工具换了三轮，会用的还是那几个人。报表出得更快了，判断还是在等老板。文案十分钟能出一版，改它的人反而更累。效率上去了，能力没上去。

原因在于 AI 在多数团队里被当成了个人工具，而不是组织流程。个人工具提高单点速度，组织流程沉淀可复用能力。这两件事长得很像，结果完全不同：前者跟着人走，后者留在公司。

区分它们只需要三个问题。同一个任务，换一个人做，能不能跑出同样的结果？同样的输入，跑两次，结论的结构是否一致？每一条判断，能不能追到具体的数据来源？

三条对应三个条件：可交接、可重复、可验证。

可交接：方法得从人脑里搬出来

判断很简单：一个新人进公司，你怎么教他做选品？你发给他什么文档？你手上只要有这个东西，它就是你的选品方法论。拿不出来，公司就没有方法论，只有几个会做的人。

数据分散，让方法没法被写成文档。 

一个 SKU 从想法到上架，要过市场端、竞品端、评论端、供应链端、广告端、财务端等几类数据，散在卖家精灵、ERP、后台、飞书、Excel 和几个人的微信收藏里。

分散的直接代价不是找得慢，是每一次判断都要重新收集一遍证据。于是判断只能由最有经验的那个人做，因为只有他知道去哪里找、哪些数据可信。方法寄生在一个人的记忆和路径里，没法单独拿出来交给别人。

SOP 传动作，不传判断。 

同一句「看转化率决定要不要加预算」，在老运营脑子里是一套完整判断链：样本量够不够、转化来自哪个位置、加预算会不会带到不相关的位置、季节性在不在。

在新人脑子里就是「转化率高于多少加」。判断的核心不是动作顺序，是指标和阈值——哪个指标看、什么值算高、什么情况不判。这些东西对老运营太显然，所以从来没被写下来。

打法复制不了，因为打法从来不是一套动作。 爆款复盘出「我们做对了三件事」，下一个品照着做做不出来。

因为让那个爆款成功的不是三件事，是三件事背后的条件：当时竞争度多少、价格带竞品结构什么样、人群痛点靠什么信号识别、预算节奏为什么这么排。条件没被记录，「三件事」离开那个具体的品就是空话。

AI 提效了，但没有变成资产。 团队已经在用 AI 写 Listing、翻译评论、做图。问一句：这半年，公司多了什么？有没有多出一份让新人少走三个月弯路的检查表，一个不依赖某个人的判断流程，而不是多出几个会用 AI 的人。如果没有，AI 投入就是一次性的效率消耗。

原因是提示词这种形态本身沉淀不下来，它是写给人看的一段话，每次复制粘贴都要重调，而且它沿着大模型自己的理解走，不沿着你的规矩走。提示词解决「这一次怎么让 AI 干」，不解决「以后每一次都按我的规矩干」。

卧虎老师《AI Codex 亚马逊运营全流程自动化》这门课，讲 Codex 的第一层作用，就是给数据建一个唯一入口：选品产生的结果直接交付到 Listing 打造，标题五点图片再交付到广告初始化，之后接报表分析。链和散的区别在于，链上每一环都知道上一环给了什么、自己该给下一环什么。

举个具体例子。选品阶段锁定了三个对标 ASIN。到了 Listing，它们是抓取竞品标题五点的来源；到了评论分析，是抓取对象；到了关键词，是反查入口；到了广告，是投放参照。散的状态下，这四件事是四个人分别去问「我们对标的是哪几个 ASIN」。链的状态下，它自动成为下一环的输入。

还有一个容易忽略的设置：项目要隔离。选品一个项目、Listing 一个项目、评论分析一个项目，分开建、分别调用。不只是文件堆一起会乱，更重要的是不同环节规则不一样，混在一起互相污染。项目级规则高于用户级，因为项目级针对的是特定场景。

可重复：同一份输入，跑出同一个骨架

方法写成文档之后会撞上第二个问题：文档是死的，执行是活的。同一个文档两个人执行，结论可能相差很远，这不是执行不力。

可重复要成立，方法里必须有两样东西：参数和判断标准。参数是方法论里一定有的指标，判断标准是阈值和范围。

同时可重复还有前提：缺失时不许补。 AI 在信息缺失时的默认行为是补全，它会把不存在的竞品参数写得像真的，而且比有据可查的还流畅，所以必须配兜底机制。

一种是数据源降级链：优先读主数据源，不可用就跳下一个，最后落到本地报表；都没有就阻断，不做判断，并且提示你去补什么，而不是干等。另一种是门禁：写 Listing 之前检查必填字段，缺字段主动追问，不许自己编。

写完之后过一组硬性校验，比如违禁词、竞品品牌词、必埋关键词、标题字符数、描述字符数、后台搜索词字节数，以及平台对商品事实、可回答性、辨识度、预期管理、语义一致性的要求等等。校验不通就重写，几轮不过就转人工。

为什么这些门禁绕不过去？因为不严格限制门禁，AI 就会产生幻觉，给你瞎编一个竞品，让你沿着错的方向往前走。

对照你自己的公司想一想：之前有没有出现过「AI 写得挺好，上架后发现参数错了」的情况？如果有，那不是 AI 的问题，是没门禁。

SOP 升级成 Skill，才是可重复的实现路径。 Skill 的定义是：把你涉及的工具、脚本、模板、输入输出、工作流程全都定死。定死初听像限制，其实是保护。

定死意味着可重复，同一份输入跑出来的结构一样；意味着可交接，换个人跑结果不会崩；意味着可优化，出了问题知道改哪一条规则，而不是重新调提示词碰运气。

也就是说：提示词把大模型的能力变成一次性的发挥，Skill 把大模型的能力转化成可以复用、可以按我们的规则办事的操作流程。

可验证：每一句结论，追得到数据源

第三道门最少人提，但它决定前两道是真是假。标准是：这个结论的每一句，能不能指回一条具体的、真实的、可查的数据。

所以要把「看着像不像」换成「有没有依据」。 很多人对 AI 输出的信任度取决于看着像不像，这是很危险的标准，因为 AI 最擅长的就是像。

一旦团队习惯这套判断，审稿的性质就变了：以前是「我看着有点不对，你再改改」，现在是「这一句的 Evidence 在哪」。前者是审美，无法交接；后者是条件，可以交接。

同时数据同样要经得起追，数据源也要交叉验证，单一数据源会导致词不全、结论偏。降级链的意义也在这里：它规定了数据不全时系统怎么走，而不是让模型自己发挥。

这个规定本身就是凭据——你可以回头查，这个结论是在主数据源拿到的，还是在本地报表拿到的，还是根本没拿到所以被阻断了。

因此三条为什么是递进的？

就是不能交接的东西无法验证，验证的前提是另一个人能复现；不能验证的东西无法重复，重复一个说不清来源的结论，只是把同一个错误跑了两遍，而且越跑越熟练。

很多公司只做了第一条，买了工具、写了几份文档，就觉得「我们 AI 化了」，半年后再看，能拿出来的东西没有增加。

这就是三个条件的全部：方法从人脑里搬出来，用参数和阈值把它变成可重复的规则，再给每条结论挂上来源。

三条同时成立才算数，缺一条，另外两条基本是假的。