把亚马逊博主经验，蒸馏成AI广告诊断工具

火箭叔49页PPT完整拆解

2026年10月29日 · AMZ123深圳大会火箭叔《看博主→变工具》分享整理

22份亚马逊课程。10T网盘，已经塞进去7.8T。

买的时候，都觉得自己以后会看。结果，一条没看完。

火箭叔在这次分享的开头，先把自己的“囤课账单”摆了出来。

这件事，很多跨境人应该都不陌生。

课程买了。资料存了。群里的干货收藏了。

但真到广告出问题的时候，还是不知道该先看哪张表、该调什么、该调多少。

资料越来越多，决策却没有变得更容易。

所以，这次分享真正要解决的，不是“怎么让AI帮我总结视频”。

而是：

怎么把别人讲过的经验，变成需要时能查、能核、能辅助判断的工具。

对照完整的49页PPT再看，这套方法比现场纪要里呈现的更完整。

它不只是“采集—转写—生成建议”。中间还有结构化、补词、真实数据接入，以及最后最重要的一步：校准。

以下按这条主线，完整拆开讲。

01｜囤资料不是学习，能在工作里调用才算资产

火箭叔讲了自己的学习路径。

最早，买课、听课，靠脑子记。后来，带纸和笔。再后来，现场录音，用千问、讯飞、飞书妙记等工具转成文字，回去重新学。

这里有一个变化：

以前，学习的结果在脑子里。现在，学习的结果可以留在文件里。

但留成文件，还不够。

一个几万字的文档，如果需要的时候找不到，对工作帮助依然有限。

真正的变化，是把“我看过”，变成“我能找到，而且知道怎么用”。

他提到，2023年他就尝试过用Ollama+AnythingLLM搭本地知识库。

40岁0基础大叔用Ollama+AnythingLLM搭建跨境电商私有知识库

当时，一个文件向量化要等几十分钟，体验不好，最后放弃了。

这个念头却一直没散：

能不能把这些课程里的经验，整理成一个随时可用的系统？

到了这次分享，他展示的已经不是单纯的资料库，而是一条从内容到业务建议的流水线。

这里说的“蒸馏”，也要先讲清楚。

不是把某个博主训练进一个新模型。不是做完一个Skill，就拥有了对方的判断力。

而是把资料整理成：

可检索的原文、带条件的规则、固定的处理步骤，以及可核查的输出。

他提到了NotebookLM的账号与容量限制

“基础使用必须付费”或“通用上限只有几千字”。

这不影响分享的核心价值。

工具选哪一个，可以变；把知识留成可检索资产的思路，不变。

02｜全场骨架不是五步，而是六步

完整的流程是：

采集 → 转写 → 结构化 → 补词 → 接真实数据 → 落地。

这里面，前四步和后两步，要分开看。

前四步，主要处理外部经验：

博主说了什么？哪些内容有用？能整理成什么规则？还缺哪些类目关键词和外部信息？

第五步开始，才进入你自己的业务：

你的广告报表，你的产品，你的经营阶段，你的优化目标。

这条分界线很重要。

因为：

没有你的数据的建议，只是别人的经验。

你可以拿到一个很完整的课程知识库。也可以让AI把几十位老师的方法总结得头头是道。

但没有具体店铺数据，它仍然无法判断，你今天应该优先处理哪一个问题。

反过来，只有自己的报表，也不等于已经有诊断能力。

报表给现象，经验提供分析路径。两者接起来，才有可能形成诊断。

03｜第一步：采集，先确认拿到的是正文

这一步最容易出现一种“假成功”。

AI告诉你：抓到了，整理好了，还生成了一份Skill。

你打开一看，有标题、有点赞、有评论，甚至有一段像模像样的总结。

问题是：博主真正讲的内容，一句都没拿到。

拿同一批10条视频，做了两种处理方式的对比。

方法A：读列表

拿到的是标题、时长、点赞和热评。

这批标题及热评合计469字。但口播正文是0字。

它能告诉你，这个账号最近讲哪些话题、常用哪些标签。

却不能告诉你：

他怎么解释问题，在什么前提下给建议，遇到例外时怎么处理。

方法B：取完整原料，再转写

同一批视频，进一步获取音视频原料，做本地转写。

最终得到：

把两种文本量作了比较：

469字 → 3337字，约7.1倍。

这批样本里，两种处理方式拿到的文本量不同。

更关键的差别，是第二种方式可以回到原话，第一种不行。

一个像目录，一个才有机会还原方法。

别一上来就追求全量

分享案例是@C姐说品牌 。

展示的主页有482个作品，实际先取10条样本。

最终落成10个MP4和10个WAV文件。

这里值得学的，不是“我一次能抓多少”。

而是先验证四件事：

找的是不是正确账号，拿到的是不是目标作品，排序里有没有置顶旧内容，文件是否真的包含要分析的口播。

记录的几个坑，也很具体：

媒体地址结构会变，返回的主页顺序，不一定是发布时间顺序，音视频分轨的标识，可能并不相同。

一次能跑通，不代表下一批还能直接照搬。

所以，先做小样本验收，再扩大范围。

另外，公开可看不等于可以任意下载、批量处理、转售或分发。实际操作要使用有相应授权的内容，遵守平台规则；不读取或导出他人凭据，也不能拿“技术能做到”替代授权判断。

04｜第二步：转写，重点不是有稿子，而是能搜索、能回查

视频转成文字，为什么有价值？

不是因为多了一篇可以阅读的稿子。而是因为它开始能够被检索。

你可以搜一个术语，找到对应段落，回到具体时间码，再检查博主当时到底说了什么。

所以，这一步比较理想的交付物，不只是一个TXT文件。

而是：

原始音视频＋带时间码的转写稿＋来源信息。

MD，也就是Markdown，可以作为一种便于保存和检索的格式，但不是唯一选择。

字少，不一定是转写失败

他列出了10条视频各自的转写量。

最多的一条，有772字。最少的一条，只有4字。其中两条随手拍片段，合计只有30字。

这个细节很有用。

因为很多人做自动化，只检查有没有输出。再进一层，会检查字数够不够。

但字数少，也有两种情况：

一种是没抓对、没转好。另一种是原视频本来就没多少口播。

异常指标负责提醒，人还要回看原料。

不能用“字数少”直接判定失败，也不能看到文件存在，就默认成功。

专有名词和数字，要重点校验

专门展示了转写错误。

“私模”可能变成“湿膜”“丝膜”。“亿级”可能变成“一级”。“客单价”会被识别错。平台名、工具名也可能变形。

这些错误，不只是影响阅读。它们可能改变后续规则的意思。

如果把错的原料直接做成工具，工具就会稳定地重复这个错误。

比较稳妥的做法是：

原始转写稿留档，另外形成校对版本。

关键术语、金额、比例、时间和动作方向，回查音视频确认。

别为了文案顺滑，把原始证据覆盖掉。

显卡是加速器，不是通用的十倍承诺

具体的测试口径。

一组CPU测试中，646秒音频耗时769秒，约0.84倍实时。

另一处列出3060显卡的历史测试，约8.3倍实时。

05｜第三步：结构化，才是“看过”和“能用”的分水岭

把视频总结成一篇读后感，很容易。

但读后感，不是操作规则。

比如：

“广告要精细化运营。”“要关注关键词表现。”“要根据阶段调整竞价。”

这些话可能都对。但运营拿过去，下一步仍然不知道做什么。

他给出的结构化方向，是把内容整理成：

看什么 → 调什么 → 调到多少。

同时保留来源。

例如，他展示的规则形态包括：

整体竞价下调，每次不超过10%。单词试探位置，调整幅度为0.05。后面再挂上资料页码。

这里要注意：

这些是课件里的规则示例，不是给所有账户的统一操作指令。

如果原资料没有具体幅度，就不能为了让建议看起来“落地”，自行编一个数字。

如果有数字，也要把它成立的条件一起留下。

真正要留下来的，不只是一句话

一条可复用规则，至少要回答：

他展示的原料体量是：

四套课件＋39集、约9小时的视频课，整理成约2000行规则手册。

这不是说压缩得越短越好。

而是要把散落在不同内容里的判断路径，整理成可以查找和调用的结构。

总结是给人读的，规则是给系统调用的。

但规则再清楚，也不能把经验判断误写成确定性真理。

06｜演示里提炼出来的，不只有广告技巧

还有一段，值得单独展开。

同一批视频，最终提炼出的内容涉及组织架构和品牌经营。

这恰好说明：

可复用的是处理流程，不是所有内容都必须变成广告规则。

第一组：组织架构，什么时候该动

主线是：

当协调成本开始侵蚀利润，就应该重新检查组织安排。

然后比较不同组织模式的适用条件与代价。

职能制有集中资源的优势，也可能出现部门墙。

事业部制更强调独立经营和盈亏责任，但会带来资源重复与利益冲突。

他还分享了一个企业案例：年销47亿元、约300人，并用约1500万元人均产值说明组织效率。

第二组：品牌化，怎么建立差异

另一组内容涉及：

收缩产品线，投入私模，提高客单价，维护定价。

这里有一条必须守住的线：

来源内容属于组织经营，就归入组织经营。来源内容属于产品战略，就保留为产品战略。

不能为了让“广告诊断工具”显得知识丰富，把所有经验塞进同一套投放规则。

拿到了信息，还要判断它属于什么问题。

07｜第四步：补词，内容管方法，工具补数据

这一环节很短，却是六步流程里容易漏掉的一步。

博主能教你怎么思考。

但他不可能在课程里，把你所在类目的关键词全部讲完。

所以，需要另一类信息源：

关键词工具，竞品情报，类目数据，合规、授权的数据接口。

他提到了卖家精灵、西柚找词等接入方式

内容源提供方法，工具源补充数据缺口。

这里不能混淆两件事。

第三方工具给出的竞品流量、关键词和销量估计，不等于竞品真实后台。

MCP是一种工具接入方式，也不意味着数据天然准确、默认免费，或者不需要权限。

别指望一个信息源，回答完所有问题。

经验资料、外部情报、自己的报表，需要分别标明来源和口径。

08｜第五步：接真实数据，报表进来才算诊断

真正明确的，是两条纪律：

这个区别非常重要。

行业平均值可以用于参考、比较和提出假设。但它不是你账户里实际发生的事。

例如，工具想判断某个关键词是否应该降价，却缺少相应的转化数据。

这时，更专业的输出不是：“建议下降10%。”

而是：

目前缺少哪部分数据，因此不能判断哪一件事，补齐之后，再进入哪个分析步骤。

诊断不是必须每次都给答案。

知道什么时候证据不够，也是诊断能力的一部分。

本地处理，也要检查真实数据流

他还介绍了三台机器的分工。

主机负责派活、验收和回收结果。一台P106从机承担转写等任务。另一台P100机器跑本地视频生成，属于另一条工作线。

值得借鉴的是任务分工，不是照抄硬件采购清单。

强调“本地跑、不外传”，这是他提出的部署边界。

09｜第六步：落地，不是把建议写得更肯定，而是让它能被验收

第一版工具为什么被运营退回来？

因为只有方向。

“该降竞价了。”“这个词需要优化。”“应该调整结构。”

说得好像没错。

但没有对象、幅度和依据，执行的人仍然要重新分析一遍。

第二版改的，不只是表达方式。而是交付形态。

从一段意见，变成一条可以对表检查的建议。

他给了一个具体例子：

这张表最有价值的，不是0.05美元。

而是：你可以问它，为什么是这个数。

但也必须说清楚，TOS曝光占比62%本身，并不能单独证明应该降价。

还要核对指标定义、投放目标、利润、转化和其他条件。

B级也只是这套工具展示的内部标签，不是经过统计验证的成功概率。

一条建议，至少应该交代这些事

数值，出处，适用条件，观察期，风险，可信程度。以及：当前还缺什么证据。

数值不是为了显得专业，而是为了让建议能被核查。

数字找不到依据，运营就应该有权打回来。

10｜全场最重要的边界：能追溯，不等于能套用

标了出处，只解决“这个数从哪里来”。解决不了“这个数适不适合我”。

黑五与平常，竞争环境不同。3C与家居，成本结构不同。新品与成熟品，目标也可能不同。

一个来源里成立的阈值，换到另一个场景，可能不成立。

因此，他提出两条规则。

第一条：数值不许自创

来源有，就标清楚，并把适用条件一起写上。

来源没有，就说明：“暂无可依据的经验值。”

这里也要区分：

报表直接提供的数字。按明确公式计算出来的数字。外部资料中的经验参数。以及工具自行提出的待测试假设。

这几类数，不能混成一类。

第二条：口径打架，就并列

同一个问题，不同博主可能给出不同方法。同一个博主，不同时期也可能改变建议。

这时，不要让AI为了输出一段流畅答案，把它们揉在一起。

更不要把几个冲突数值平均一下，就当成更稳妥的答案。

应该把各自的时间、来源、目标和适用条件列出来。再由懂业务的人判断。

来源冲突，是需要解释的信息，不是需要藏起来的瑕疵。

甚至“有出处”本身，也需要验证。

引用可能挂错页。原话可能被截断。条件可能在上一段。

所以，准确的说法不是“有出处就不会编”。

而是：有出处，才有机会回查；回查之后，才能继续判断。

11｜真正稀缺的，不是会分析，而是有人持续校准

有一句很直接：

“能分析”不稀缺。

能接数据、做统计、调用大模型、输出一份报告，这件事的门槛正在降低。

差距在哪里？

谁在长期维护。谁在记录建议执行后的结果。谁在把失败反馈，改回规则里。

他给出的闭环是：

台账 → 复盘 → 改参数 → 再跑。

这也是整套流程不能缺少的一环。

没有这个环节，工具只是把外部经验重新包装了一遍。

有了持续反馈，才可能逐步知道：

哪些规则在自己的业务里有用?哪些只适用于特定阶段?哪些动作需要更保守?哪些指标看似相关，却不能支持原来的判断。

不过，也不能把一次投放变化，都归因于某次调价。

季节、竞争、库存、价格、预算和归因延迟，都可能影响结果。

持续校准，不只是多跑几次。还要尽量减少同时变化的变量，保留过程记录。

工具为什么交出去了，团队还是用不好？

他把现实障碍归纳为三类。

不懂AI，不知道怎么提问、怎么纠偏。

不懂亚马逊，看不出建议哪里不合理。

懂业务但不熟悉AI，更愿意依赖已有经验，需要工具先证明价值。

所以，最后还是落到人。

要有懂业务的人，愿意花时间验证、修改和维护它。

这里的“调教”，主要是改资料、规则、检索和输出要求，不等于在训练模型。

它更像第二双眼睛：

帮你交叉检查。提醒你可能漏掉的关联。把建议写清楚。

但不能替你承担决策。

12｜顺带拆一下：这份PPT，也是同一套人机协作逻辑

最后还有一个彩蛋。

同一份内容，交给不同工具，各做一遍。

课件展示了Marp、PptxGenJS、Slidev，以及dark-tech风格方案。

同样是“六步流水线”。

有的像极简文档。有的做成可编辑卡片。有的更像深色科技界面。

工具都能给出结果。最后选哪一个，仍然是人的判断。

火箭叔说，风格、留白、字号和节奏，都是他调的，工具只给骨架。

这里和前面的广告诊断，其实是一回事。

AI可以给选项。可以提高处理速度。可以减少重复劳动。

但不能自动知道：

哪一种最适合你的对象？哪一个数字值得信？哪一个动作现在不该做？

可复用的是工作流程，不是把最后的判断也一并外包。

最后，把这场分享落成一个最小行动

如果明天就开始，不需要先囤几十套课程，也不需要先买三台机器。

我会先做一小轮。

不追求一次把广告账户全部接管。

先回答一个边界清楚的问题。

例如：

当前信息够不够判断这个活动的异常？如果够，建议依据是什么？如果不够，还缺哪一份数据？动作执行以后，什么时候复查？

火箭叔最后留了一句：

先开枪，后瞄准，干中学，边干边学边迭代。

放在这套方法里，我更愿意把它理解成：

小范围试，低风险跑，随时能回查，也随时能停。

不是拿真实预算替不确定的建议交学费。

写在最后

听完现场，再把49页PPT完整看一遍，我觉得这场分享最值得带走的，不是某个工具名。

也不是“我能把一个博主做成Skill”。

而是四个变化：

博主经验，可以帮你少走弯路。真实数据，决定你面对的是什么问题。运营判断，决定这条建议到底该不该执行。

还有这两句话：

能追溯，不等于能套用。能生成，不等于能交付。

工具给方向，人为决策负责。

火箭叔练了套吸星大法把任意公开博主的本事，一天变成我的skill，完全本地部署，公开全套技术栈

这才是“看博主，又称为吸星大法，变工具”真正完整的那条路。