夜雨聆风
亚马逊新手血泪:货还没发出去,选品工具先花大几千(附踩坑实录)
先说我的观点：市面上那些动辄几千块一年的选品工具，例如国内大家熟知的卖家精灵，其核心功能都是用Python脚本+大模型API来搭建的。
我刚开始做亚马逊的时候，前期也交了学费买了卖家精灵的会员，刚开始是在淘宝上买的临时的，用一个月买一个月，这样也没觉得贵。
但可怕的就是这样的感觉。
后来我就把每次的购买记录统计了一下，结果吓人，原来我已经花了这么多钱在选品工具上，但残酷的是我前前后后已经花了几千块钱了，第一批货还都没有发出去。
实际上这样的选品工具对于新手小白初期来说，利用率非常低，因为你选完一个品之后就要忙各种的词库搭建、图片制作、购买样品、采购、选物流等等（亲力亲为的话），这些折腾完之后一个月就过去了，会员也到期了。
但是如果你要买全年，就更不划算了。
在后来用的过程中，我发现平台的数据除了延迟外，而且很多爆款产品早就被人盯上了。
我们要明白一个道理，真正值钱的信息，不会出现在人人都能点开的软件里。你想啊，你用这个软件，那别人也是可以用这个软件，你设置的那些参数，别人也可以设置。
传统选品最大的问题，就是需要我们手动扒数据。
BSR榜单、价格、评论数、上架时间……一个个ASIN点进去看，一天看不了100个品，效率非常低。
那我就想能不能利用我的大厂算法工作经验，现在也还在讲大模型的课程，能不能利用自己的专业特长去搭建一个这样的选品流程，利用自己的专业真正的降低运营成本？
说干就干。
我的做法是利用Playwright框架去写脚本程序，10分钟读取一个类目Top 100，但是写程序还是需要花费一点时间的，部分代码如下：
# 每天半夜12点跑这个，别白天跑，白天IP容易被盯上page.goto(f"https://www.amazon.com/s?k={keyword}&ref=nb_sb_noss")items = page.query_selector_all('[data-component-type="s-search-result"]')data = []for item in items:try:# 价格有时候显示有时候不显示，得try-catch不然整个脚本崩掉price_elem = item.query_selector(".a-price-whole")price = price_elem.inner_text() if price_elem else "0"# 标题有时候带换行符，要strip一下title = item.query_selector("h2 a span").inner_text().strip()data.append({'title': title,'price': price,# ... 其他字段})except Exception as e:# 经常有些ASIN结构不一样，直接跳过别硬来print(f"跳过异常项: {e}")continue
很多新手一上来就想读取整个亚马逊类目，结果IP被封。关键是不要贪多。
我现在的策略是：精准锁定1-2个种子类目，例如只做厨房工具类的，每天只监控它们的变化。
数据量小，但足够深。
程序只能拿到原始数据，真正的判断需要用脑子或者说，需要一个能跟你讨论决策的合伙人。
那现在的大模型再合适不过了，于是我把这个角色给了Gemini（国内模型，例如豆包、kimi也可以）。
我的Prompt提示词长这样：
你是一位有5年经验的亚马逊选品专家。我会给你以下数据：- 类目：Kitchen & Dining > Storage- Top 20 ASIN的价格分布、评论数、上架时间、评分- 近30天BSR变化趋势请从以下维度分析：1. 市场成熟度（新卖家还有机会吗？）2. 价格带空白（哪个区间竞争最弱？）3. 产品迭代空间（评论区高频痛点有哪些？）4. 给出一个0-10分的"进入建议分"，并说明理由要求：每个结论必须引用具体数据，不要泛泛而谈。
关键技巧是：给数据，不给结论。 让模型自己推。
如果你直接问”这个类目能做吗”，它会胡说八道。但如果你给它10个ASIN的具体数据，它算出来的结果比很多运营经验丰富的还靠谱。
这就是普通人员利用AI的杠杆，轻松达到别人几十年的经验积累。
于是我基于自己的风险偏好和运营经验，设计了一个简单的评分模型：
蓝海指数 = (月搜索增速 × 0.3) + (评论数<200的占比 × 0.25) +(平均评分<4.3的占比 × 0.2) + (中国卖家占比<40%的类目 × 0.25)
每个权重你可以自己调，大家可以直接拿去套用。我的选品思路是：增速代表趋势，低评论数代表准入门槛，低评分代表改进空间，中国卖家少代表内卷程度低。
后续我就把这个公式写到代码中，让程序每天跑一遍，高于7分的产品自动推送到我的飞书。
但AI选品最大的坑，是过度自信。
我第一次用的时候就被狠狠坑过一次：模型给了一个9.2分的”磁吸螺丝刀”，数据看着完美—搜索量在涨、评论不多、评分一般、体积还小、售价高。
前期了解过在亚马逊上带磁的产品要有GCC认证，但我觉得“磁吸螺丝刀”带磁量太少，就螺丝刀头那一丁点的位置含磁，平台应该发现不了，我就下单发货了。
到后来开始运营推广的时候，这个产品的差异化卖点就是产品是否带磁，可能listing中有磁铁的英文，很不幸就被平台扫到了，产品被屏蔽问我要认证。
我当然没有了，但考虑到是在测品，发货量也不大，同时认证费又很高，再三考虑后这批货就直接弃置不要了，赔了1万多块钱。
有了这次教训，后续我用AI帮我选品的时候加了一条硬性规定：AI推荐的品，必须人工再复核一遍（认证、专利、季节性、物流限制）。
AI算的是数字之间潜在的规律，人算的是规律之外的风险。
通过这套流程，我的选品效率大大提高。以前一周只能看50个品，现在一天能看100个甚至更多，而且决策质量更稳定，钱也更省了。
但说实话，工具只是放大器。如果你连基本的亚马逊运营逻辑都不懂，再好的AI也只能带你更快地下坡。
下篇我会具体讲：怎么用这套系统挖到一个真实的小蓝海，从数据到上架的全流程复盘。
你们都用选品工具踩过哪些坑？评论区聊聊。
推荐阅读：