夜雨聆风先说一个真实的处境。
做亚马逊久了，你一定经历过这种时刻：要上一个新品，或者老品要出图，坐下来开始“研究竞品图片”。然后打开几十个listing，一张一张点开看，脑子里隐约记住了一些东西，打几个字记在备忘录里，然后发现自己其实什么结论都没有。
问题在于信息量太大，人脑很难稳定处理。
我之前一直有个感觉：竞品图片里藏着大量信息，但我们绝大多数时候其实没有真正“读”过它们。我们看了，但没有提炼；提炼了，但没有结构；有了结构，但没有跟决策挂钩。
跑完数据之后有一个发现，让我自己也有点意外：有一个卖点，在4000张竞品图里出现的频率低得不成比例——但我去翻了一遍用户review，发现这个词出现过。竞品几乎没有人在图片里强调它，但买家一直在说它。我们把这个卖点放进了主推图的核心方向，现在看效果还不错。
这一步靠人工翻图，我大概率不会发现。信息在那里，但量太大，人脑处理不过来。
这篇文章想讲的，是我们最近跑通的一套工作流——用AI把300多个竞品的4000多张图做了结构化处理，最后变成一个可以一键筛选的数据看板。
不是为了炫技，是因为这套东西在我们实际选图方向和卖点规划上真的有用，所以想跟同行分享一下思路。
一、为什么要做这件事——光“看图”解决不了问题
很多运营做竞品图分析的方式，大概是这样的：
把几个主要竞品的图截图下来，发给摄影师或者美工，说“大概参考这个风格”。或者截图问GPT：“帮我分析一下这张图的卖点”，然后得到一段听起来有道理但你其实不知道怎么用的分析。
这两种方式都有同一个根本问题：信息没有结构化，也没有聚合。
单张图的分析，解决不了“这个品类的主流表达方式是什么”的问题。你需要的不是“这张图说了什么”，而是“300张图里，有多少张在强调X卖点，有多少张用了Y风格，哪些要素出现频率高，哪些几乎没人做”。
这是一个数量级的问题。人工翻300个竞品、4000张图，不是不可能，但时间成本摆在那里，更大的问题是——人脑在处理这种重复性信息时，很难保持标准的一致性。前100张和后100张，你的判断维度可能已经漂移了。
AI在这件事上有真实的优势：它可以用同一套标准，一致地处理4000张图。
但这里有一个前提，后面会反复提到：AI的输出质量，完全取决于你给它的任务定义有多清晰。
二、竞品从哪来——先把ASIN列表搞定
在处理图片之前，你得先有一份靠谱的竞品列表。
我们用的方式是卖家精灵。从BSR榜单前1000里导出数据，然后用AI做了一轮相似度筛选——核心逻辑是判断这些ASIN跟我们的目标品是不是真正的同款竞品，而不是搭边的相关品。
这一步筛下来，我们留了300多个不到400个ASIN。
这里有一个判断：竞品的数量要够，但不是越多越好。
数量太少，结论的代表性不够，可能只是几个头部卖家的风格；数量太多，里面会混进很多不相关的产品，反而稀释数据质量。300-400个同款竞品，在我们这个品类里已经覆盖了主要的玩家和风格。
ASIN列表有了之后，下一步是拿到图片。
三、图片怎么获取——两条路，先跑通再优化
路线一：卖家精灵插件（推荐先从这里开始）
如果你不想碰代码，或者只是想先跑通流程看看效果，卖家精灵的Chrome插件可以直接批量下载listing图片。操作步骤：
安装卖家精灵Chrome插件 在亚马逊竞品listing页打开 插件里找批量下载功能，按ASIN批量获取主图和A+图 图片会按ASIN分文件夹保存到本地
这条路的优点是门槛极低，几乎零代码，缺点是速度慢，几百个ASIN手动处理还是要花时间。
我的建议是：先用这条路跑通10-20个ASIN的完整流程，验证后面的处理逻辑没问题，再考虑批量化。
路线二：自己写脚本（适合有技术基础的）
我们实际跑的是自己写的爬取脚本，主要是因为要处理的量比较大，而且需要跟后面的处理流程对接。
这里不展开技术细节，只说几个关键点：
图片命名规则要在一开始就定好，建议格式：ASIN_图片序号_图片类型.jpg，后面数据对齐会方便很多 主图和A+图要分开标记，它们承担的功能不同，混在一起分析会干扰结论 下载过程中一定要记录失败的ASIN，后面补跑用
我们这批下来大概是4000张图，部分ASIN图片不完整或者质量太差，直接放弃了。
四、JSON字段怎么设计——这是整个工作流的核心
这一章是我最想认真写的部分，因为这里踩的坑最多，也是决定整套工作流能不能真正有用的关键。
先说一个反面教训
我们最早的版本，JSON字段设计是这样的：
{
"selling_points": ["大屏幕", "操作简单", "适合老人", "语音提醒,
"style": "科技感",
"description": "这是一张展示产品功能的图片，画面中心是产品..."
}
看起来挺合理，对吧？
跑起来之后发现问题很大。
第一版的问题：数据结构是乱的
selling_points 是一个列表，但每张图AI识别出来的卖点数量不一样——有的图给了2个，有的给了7个。
我当时想做的是：统计“大屏幕”这个卖点在4000张图里出现了多少次。但这个问题根本没法回答。因为每张图的卖点数量不同，有的图里“大屏幕”排第一，有的排第五，有的根本没有。你没有办法从一个长度不一致的列表里做稳定的频率统计。
数据跑出来，我盯着那张Excel看了很久，发现自己其实什么都算不出来。
description 字段的问题更隐蔽。我让AI自由描述图片内容，以为这样信息最全。结果每张图的描述角度完全不一样：有的在说产品外观，有的在说画面构图，有的在说图片上的文字，有的在说场景氛围。这些描述都是“对的”，但放在一起没有任何可比性，没有办法做系统性分析。
根本问题是一样的：我给了AI太大的发挥空间，它就按自己的理解发挥了，每次发挥方向不同。
第一次改动：把列表拆成单值
意识到问题之后，第一个改动方向是：把 selling_points 列表拆掉，换成 primary_selling_point（单值）和 secondary_selling_point（单值，可为null）。
逻辑是：如果一张图真的有很多卖点，让AI只选最突出的那一个作为主卖点。这样每张图的输出是固定的一个标签，可以直接做频率统计。
改完之后，数据结构对了。但跑一批样本之后，发现了新问题。
第二次改动：给选项，不让AI自由填写
数据结构对了，但标签不统一。
AI在填 primary_selling_point 的时候，会用不同的措辞描述同一个东西：有的图输出“大屏幕”，有的输出“大显示屏”，有的输出“屏幕清晰”，有的输出“大字体显示”。在我理解里，这四个标签大概是同一个意思，但在数据里它们是四个不同的值，没有办法自动合并。
做频率统计的时候，“大屏幕”出现了30次，“大显示屏”出现了18次，“屏幕清晰”出现了11次……这些到底是同一个卖点的不同说法，还是真的有差别？每次我都要手动判断，数量一大根本搞不过来。
解决方案是：给AI一个预定义的选项列表，让它从里面选，选不到才用自定义值。
Prompt里加一句：
primary_selling_point 请从以下选项中选择：
["精准测量", "大屏显示", "语音提醒", "操作简便", "长续航", ...]
如果图片的主卖点不在选项里，可以自定义，但优先从列表中匹配。
这样跑出来的标签，80%以上都是预定义的值，剩下的自定义值也相对集中，人工归并的工作量小了很多。
这是在字段结构上改动最大的一次，也是最有效的一次。
字段设计背后有一条统一逻辑
迭代到这个版本之后，我回头想了一下，其实这几次改动背后有一条逻辑是一致的：
描述性字段，AI输出稳定；评价性字段，AI输出会漂移。
visual_subjects 是“画面里出现了什么”，这是事实描述，AI看一遍就能说清楚，这个字段是列表也没问题——因为一张图里可以同时有“人+产品+标注文字”，这不是判断，是事实，多个值是合理的，你查的时候也只是问“这个元素出没出现”，不是算平均值。
text_on_image 是“图片上的文字照录原文”，同样是事实描述，我没有让AI翻译或总结，因为一旦让它处理，原始的销售话术就丢了。竞品用的是什么具体的表达方式，这个信息在后续写文案的时候非常有参考价值——AI一旦二次处理，就引入了信息损耗，还有幻觉风险。照录原文是信息损耗最小的方式。
如果换成“这张图的视觉表现质量是高还是低”，这就是评价性的，AI每次输出都会不一样。我试过，不稳定，后来这类字段全部放弃了。
正确的设计原则
重新设计字段的时候，我给自己定了几条规则：
1. 描述性字段，不要评价性字段
“图片风格是深色科技感”是描述，“图片做得好不好”是评价。描述性字段AI可以稳定输出，评价性字段每次都在猜，不稳定。
2. 每个字段只输出一个值，不输出列表
主卖点只有一个，次要卖点只有一个。如果一张图真的有很多卖点，让AI选最突出的那一个。这样数据是结构化的，可以直接做频率统计。
当然，也有例外。像 visual_subjects 这种字段，本身记录的就是“画面里出现了哪些元素”，天然可以有多个值。它和卖点不同，不承担主次判断，多个值不会破坏后续统计。
3. 字段的选项要预定义好
比如style字段，不让AI自由填写，而是给它一个选项列表：["dark_tech", "clean_white", "lifestyle", "infographic", "outdoor_scene", ...]。AI从里面选，选不到的才用其他值。
这样做的好处是：筛选的时候可以直接按字段值过滤，不会出现“深色科技”和“dark tech”两个词描述同一个东西却无法匹配的问题。
4. 字段粒度要和你的决策需求对齐
你设计字段之前，要先想清楚：这张数据看板最终是用来做什么决策的？
我们的核心问题是：
竞品都在强调哪些卖点，哪些卖点没人强调？ 竞品的视觉风格分布是什么？我们想走哪个方向？ 不同图片类型（主图/A+详情图/场景图）的内容分工是什么规律？
所以我们的字段是围绕这几个问题设计的，不是为了“尽量全面地描述图片”。
最终落地的字段结构（脱敏版）
{
"image_type": "主图/A+模块图/场景图/对比图/...",
"primary_selling_point": "最突出的单一卖点标签",
"secondary_selling_point": "次要卖点标签，可为null",
"style": "预定义风格标签",
"layout_type": "预定义布局类型",
"scene_type": "studio_white/home/outdoor/...",
"visual_subjects": ["画面中出现的主要视觉元素列表"],
"design_elements": ["设计手法列表，如callout/overlay_text/icon等"],
"text_on_image": "图片上的主要文字，原文照录",
"cn_copy_summary": "图片传达内容的中文摘要，一句话"
}
这套字段跑下来，每张图的输出是标准化的，可以直接入库做统计。
字段是跟AI对话出来的，不是想出来的
说一个实话：这套字段是迭代出来的，不是一开始设计完美的。
过程大概就是上面说的这些——跑小样本，发现数据结构乱了，改；再跑，发现标签不统一，再改；再跑，发现某个字段输出不稳定，要么砍掉，要么重新定义约束。
先跑50张图，比跑完4000张再发现结构不对，代价小得多。
这个原则我现在做任何批量处理任务都会用：小批量验证，发现问题，再放量。磨字段的时间花在前面，是值得的。
五、跑起来——配置、成本和实际操作
字段设计好了，下一步是让AI真正去读图。
模型选择：本地还是API
我们用的主力模型是MiniCPM-V，一个可以本地部署的多模态小模型。另外也用了部分API（千问VL之类的视觉语言模型）。
为什么选MiniCPM-V本地跑？
主要是成本和隐私两个考虑。4000张图如果全走API，费用不高但也不是零；更重要的是，竞品分析的数据我不太想全部走外部API，本地跑相对可控。
配置门槛：比你想的低
MiniCPM-V的配置要求在视觉模型里算是比较低的。我们用的是普通办公电脑，没有独立显卡，纯CPU跑，内存够大（16G以上）就能跑起来。
速度当然比GPU慢，但对于这种批量处理任务，可以放过夜跑。
( 能跑和跑得舒服是两回事。如果只是验证流程，CPU可以接受；如果要批量稳定处理，GPU或API会省很多时间。)
如果不想折腾本地部署，直接用千问VL的API是最省事的路线。成本方面，4000张图走API，按目前的价格，整体费用在可以接受的范围内，具体要看你的图片分辨率和token消耗。(如果预算充足, 其实也可以用openai或者gemini家的api, 那个设计promts是相对容易一些的。)
我们实际的做法是混跑：白天用API跑速度快的批次，要过夜的用本地模型跑，两边结果合并。API部分速度比较快，我们这批4000张图里，走API的部分大概两个小时跑完；本地模型主要用于不急的批次。
Prompt怎么写——这里有坑
给视觉模型的prompt设计，跟给文本模型的逻辑一样：输出空间越小，结果越稳定。
我们的prompt结构大概是这样：
你是一个专业的电商图片分析助手。
请分析这张图片，按照以下JSON格式输出，不要输出任何其他内容：
{
"image_type": "从以下选项中选择：[选项列表]",
"primary_selling_point": "用一个标签描述图片最突出的卖点，从以下选项中选择或自定义：[选项列表]",
...
}
注意：
- 每个字段只输出一个值
- primary_selling_point和secondary_selling_point不能相同
- 如果图片中没有明显的次要卖点，secondary_selling_point输出null
- text_on_image直接照录图片上的文字，不要翻译或总结
关键点是：不要让模型自由描述，给它选项；不要让它输出列表（除非字段本身就是列表类型）；告诉它格式，只输出JSON。
批量处理的工程细节
几个实际操作中的注意事项：
失败重试机制要做好。 批量跑的过程中，偶尔会有图片解析失败或者模型输出格式不对的情况。我们的脚本会把失败的图片记录下来，统一补跑。 输出校验要加。 模型有时候会输出格式不规范的JSON（多了注释、用了单引号等等），处理管道里要加校验和清洗。 按ASIN分批处理，而不是全部混在一起。 这样如果中途出问题，可以只重跑某个ASIN，不用全部重来。 图片命名和输出JSON要能对应上。 我们的做法是每张图的输出JSON里包含原始文件名，最后合并数据的时候可以追溯到具体图片。
六、数据出来之后——看板怎么用，判断怎么做
这一章是我个人觉得最难写的部分，因为数据出来之后的“用”，有一半是工具层面的，有一半是判断力层面的，后者没办法标准化。
HTML看板：让数据可以被翻
我们把输出的JSON数据整合进Excel，然后转成了一个HTML看板。
这么做的原因是Excel的筛选在处理这种多维度标签数据时，联动体验不太好；HTML看板可以做成左侧多维筛选、右侧图片展示网格的布局，筛选的时候可以直接看到对应的图片，而不是只看数字。
实际用起来的场景比如：
筛选primary_selling_point = "大屏幕" + style = "dark_tech"，看所有强调这个卖点的深色科技风图片都长什么样 筛选image_type = "A+模块图" + scene_type = "home"，看竞品的家居场景A+图是怎么拍的 搜索design_elements包含callout，看所有用了标注气泡这个设计手法的图片
这个看板本身不给你答案，它给你的是一个可以快速定向查找的工具。
卖点分布——找到别人没做的地方
把4000张图的primary_selling_point做一个频率统计，你会得到一张清单：每个卖点被多少竞品强调过，占比是多少。
这张清单能告诉你两件事：
一是主流在哪里。 出现频率最高的卖点，是这个品类消费者最关注的东西，也是竞争最激烈的地方。你不做会显得缺失，但做了也很难差异化。
二是空白在哪里。 出现频率低的卖点，有两种情况：要么是这个卖点真的不重要，没人强调是有道理的；要么是这个卖点有价值但被忽视了，是可以切入的机会点。
判断是哪种情况，AI帮不了你。这一步需要你结合对品类的理解、对用户痛点的判断来做。我们的做法是：把频率低的卖点列出来，结合review里用户反馈的高频词，看有没有重叠——如果某个卖点在竞品图里很少出现，但用户review里经常提到，那基本上就是值得抢的位置。
这一步是整个工作流里我没有用AI替代的部分。 数据给了你视野，但判断是你的。
有一次，数据给的不是新方向，是“可以做”的许可
我想讲一个具体的例子，因为它跟上面说的逻辑不太一样——它不是“发现了竞品没做的空白，然后去做”，而是另一种用法。
我们有一个功能/认证，在图片里一直没有用。
不是不知道它的价值，是不确定能不能放进图里。这类信息涉及一些表达边界，我自己拿不准——如果用了，会不会触碰平台审核的灰色地带？会不会被竞品投诉？我一直有这个顾虑，所以这个东西在我们的listing里基本处于“藏着”的状态，图片里不出现，文案里也不强调。
竞品数据跑完之后，我去看了这个维度的筛选结果。
发现对手不仅在用，有的还做成了主视觉大图，整张图的核心就是这个信息。不是小角落里压着，是直接摆在最显眼的位置。
不是一两家。是有一定数量的卖家在用，包括几个头部。
我当时的第一反应不是“太好了有机会”，是有点懵——我保守了多久？
这个发现改变的不是我的策略方向，而是我的心理状态。我原来以为这件事有风险，但竞品的实际操作告诉我：这个风险是我自己评估过高了，或者说，这是行业里已经跑通的做法，不是我在开先例。
我们后来把这个信息放进了图片里。
竞品数据在这个场景里扮演的角色，不是告诉我去哪里，而是告诉我：你可以走了。 帮我解除了一个自己加的限制。
这种用法不是我一开始预期会有的收获，但回头看，它对决策的影响不比卖点分析小。
风格分布——选择你要去的方向
同样的逻辑，把style字段做频率统计，你会知道这个品类的视觉风格分布。
有时候你会发现：某个风格已经有很多人做了，视觉上高度同质化；某个风格出现的少，但头部卖家里有人在用。
这个信息可以帮你做一个选择：是跟着主流走，用消费者最熟悉的视觉语言？还是用一个相对少见但已经被验证的风格，做出差异感？
没有标准答案。但至少你的选择是基于数据的，而不是基于“我觉得这个风格好看”。
七、做完这件事，我的几个感受
有一层还没解决：图片的审美质量
说完能做什么，也要说说做不到什么。
现在这套工作流能稳定处理的，是结构性的信息：卖点是什么、风格是什么、用了什么设计元素。这些都是可以被定义、被量化的东西。
有一层我们目前还没有解决：图片的审美质量。
这套流程能稳定识别“图里在表达什么”，比如卖点、场景、布局、设计元素。但它还不能稳定判断“这张图为什么更高级”“为什么看起来更像美国本土品牌”“为什么有些图信息很多但不显乱”。
这件事我现在倾向于单独拆出来做。因为审美不是简单让AI打个分，它需要先定义标准：什么叫清楚，什么叫可信，什么叫高级，什么叫适合美国Amazon。这个标准没定义清楚之前，AI给出的审美评分大概率是不稳定的。
所以这一版，我只把它当成竞品图片的结构化检索工具。卖点和风格用数据看，审美质量仍然靠人眼判断。等我把审美标准拆清楚，再单独写一篇。
AI在这件事上做的是什么
本质上是把“图片里有什么”这个问题，按照你定义的标准，一致地、大量地执行了一遍。它替代的是人工重复执行同一套判断标准的时间成本。
它没有替代的，是“你应该关注什么”和“数据说明了什么”这两个问题。字段是你定义的，所以你关注什么，输出就体现什么；数据聚合出来的结论，意义是你解读的，不是AI给的。
为什么不直接问AI“帮我分析竞品图片趋势”
因为这个问题它回答不了。不是能力不够，是任务边界太模糊，它只能猜你要什么，每次猜的方向不一样，结论没有可复刻性。
把大问题拆成小的、定义清晰的执行任务，才是让AI稳定工作的方式。“这张图的主卖点是哪个”比“帮我分析这张图”稳定得多，因为前者的答案空间更小。
这套工作流值不值得做
门槛不低，需要你花时间设计字段、调整Prompt、搭工程管道。如果你是混品类的精铺或者铺货模式，性价比未必高。
但如果你在一个品类里深耕，或者要做系统性的竞品研究，这套东西的价值在于：它让你第一次真正地、系统性地“读”完了竞品图片。 之前那种看了等于没看的状态，是真的改变了。
数据在手，和凭感觉做判断，心里的底气是不一样的。
文章里提到的工具和模型都是公开可查的，具体的工程实现细节没有展开，有需要的可以自己研究。这套东西我们还在迭代，不是一个完成品，只是一个跑通了的版本。
关于我
Leon，一个做了很多年跨境的卖家。
平时喜欢折腾各种工具和自动化，也在研究 AI 对运营和效率的影响。
这个公众号主要记录一些：
AI工具 / 本地AI / 自动化 / 跨境运营的一些实践和思考。
如果这些内容对你有帮助，欢迎关注公众号：
《Leon的梦呓》
持续精进, 一起折腾，一起进步。
