AI 工具≠AI 员工:一套完整 AI 工作流是如何搭建出来的(上篇)

先想清楚"焦虑"和"工具"的问题

分享一开场没有直接讲技术，而是先聊了两个当时很火的话题。

第一个话题是龙虾（Manus）。

黄老师说今年3月龙虾特别火的时候，子阳老师自己也装了玩过，但没玩明白，可子阳老师觉得这恰恰说明了问题：大家争相体验龙虾，本质上不是真的需要这个工具，而是"AI焦虑"——看到别人在用，自己也要跟上，用完了发个朋友圈，过一个礼拜就卸载了。

第二个话题是Sora，这段经历更实在一些。他们团队曾经有一套视频工作流完全跑在Sora上，一天能自动产出100条视频并自动发布。后来Sora说没就没了，整个工作流也跟着停摆。

子阳老师自己复盘说，问题不在于工具会不会下线，而在于业务只能跑在一个逻辑上面——把整套业务押宝在单一工具或单一大逻辑上，风险其实很高。

顺着这个话题，子阳老师抛出了一个我觉得很关键的区分：现在大部分人用AI，是拿它当"工具"用，却期待"员工"的产出。打开网页版对话框，问一句答一句，这是工具；而员工的意思是，把目标和流程交给它，它能全天在线自己跑，替你把结果拿回来。

这两者对应的投入和产出完全不是一回事。整场分享后面讲的所有系统，其实都是在讲怎么把AI从工具变成员工这件事。

子阳老师还提到了OPC（一人公司）这个概念，但觉得可以往外扩展一下——不是说一家公司只能有一个人，而是团队里的每一个人都可以做到独当一面，靠AI把自己一个人的产出放大到接近一个小组的水平。这也是他们深圳团队不到5人却能做出10到15人效果的底层逻辑。

AI写文章：把"好文章"拆解到底

这是整场分享里我记得最细的一部分，尽量按子阳老师讲的顺序还原。

先解决一个常见的误解："很多人纠结谷歌到底喜不喜欢AI写的文章?" 黄老师的回答很干脆——谷歌不是不喜欢AI文章，谷歌不喜欢的是写得烂的文章，不光AI写得烂的文章子阳老师不喜欢，人写得烂的文章子阳老师也一样不喜欢。

这个逻辑放到TikTok上也一样：如果一条AI视频的播放数据很好，平台没有理由砍它的流量。

谷歌喜欢所有大家喜欢的文章，包括TikTok也是的——你的AI视频播放数据很好，他为什么要砍你？——谈及平台对AI内容的真实态度

所以子阳老师反复强调，大家不要再问"谷歌到底喜不喜欢AI文章"这种问题了，问题从来不是"要不要用AI"，而是内容本身好不好。

用第一性原理拆出文章框架

那"好文章"怎么定义？子阳老师的方法是用第一性原理去拆解。子阳老师会把谷歌算法更新、EDAP这些概念全部丢给AI，让AI帮子阳老师拆解什么是一个优秀的文章，拆解了很多篇之后，一个文章的框架就自然浮现出来了。

子阳老师还提到一个自己观察出来的类比，我觉得挺有意思：子阳老师平时比较喜欢看公众号文章，因为一篇好的公众号文章，往往会先给你抛一个"钩子"——一个让你忍不住想点进去看的由头，然后才慢慢引导到它真正想说的东西上。

子阳老师把这个逻辑搬到了写谷歌文章上：先用一个有效的钩子把读者的注意力吸引进来，再展开真正的干货和转化内容，而不是上来就是一段自我介绍或者商品推销。

规模化分析同行内容

接下来是分析同行, 子阳老师会用Semrush（正版账号，不是淘宝上的共享版）导出同行数据，大概一天会下载 1500 个左右的表格，覆盖不同国家、不同市场的同行数据。接下来真正要做的，不是看这些数据本身，而是分析同行到底在写什么。子阳老师会排除同行的主页，只看流量最高的Collection页面、PDP页面和文章页面，然后大规模分析这些页面里的文章内容。

很多人听到这里第一反应就是："Token 不会爆炸吗？"

黄老师说，其实不会。因为分析文章并不需要把整篇内容都丢给 AI，而是重点分析文章的开头和结尾。开头能看出它是怎么切入主题的，结尾能看出它最终想表达什么；至于中间的大量数据表格，则通过一个本地的简单算法规则去处理即可。

当然，这套规则并不是随便写的，而是建立在对子阳老师自己对文章生产逻辑的理解之上。因为知道一篇文章是怎么产出的，也知道它的整体结构，所以才能把分析流程拆开，用最少的 Token 完成最多的工作。

靠着这套方法，黄老师每天能够分析 3000～4000 篇同行文章。除此之外，还接入了 Semantic API，进一步和 Semantic 的分析结果进行比对，验证同行文章在内容质量和关键词层面的表现。

关键词是有属性的

这一点子阳老师讲得比较细：C属性（promotion）、T属性（transaction）、I属性（信息类）。

子阳老师说很多同行，不管是一级卖家还是十一级卖家，关键词的属性其实都没匹配对；有些同行排名靠前，纯粹是因为广告砸得猛，并不代表方法论有多高明。找到同行在关键词属性上的漏洞之后，子阳老师会针对性地重写这些文章，把同行没写到的部分也补上。

内容集群与关键词蚕食

内容集群（Content Cluster）和支柱页面（Pillar Page）这个概念子阳老师专门提了一下——很多商家并不会按这个逻辑组织文章，而是想到什么写什么，结果站内出现"关键词蚕食"：多篇文章为同一个关键词互相打架、分流量，表现出来就是一篇文章流量刚起来，另一篇就掉下去，像跷跷板一样，很多人分析半天都找不到原因。

子阳老师解决这个问题用了一个方法——计算产品标题和文章标题之间的"舆情相似度"，把重复度过高的内容识别出来，尤其是SKU数量特别多的商家，很容易出现同一批关键词内部互相抢排名的情况。

多模型协作写作

文章具体怎么写出来的：子阳老师会用不同大模型各自擅长的方式分别写一部分，比如用Claude写一段、用Gemini写一段，最后用Gemini Pro把这几段拼接、打磨成一篇完整的文章。所以一篇文章背后，往往融合了3到4个大模型，再加上生图模型。

结构化数据这个容易被忽视的细节

子阳老师提到，做SEO的老板、服务商基本都会跟商家反复强调结构化数据的重要性，各种付费课程也没少讲。但他反问了一句挺扎心的话：这些课听完之后，大家扪心自问，回去到底做了什么？他自己的判断是，应该没怎么做——大部分商家用的还是默认模板，默认模板通常只有两个结构化数据标签，而子阳老师自己网站上有8个。

结构化数据到底是干什么用的？说白了就是让搜索引擎的AI更清楚地理解一篇文章到底在讲什么、写的是什么内容，而不是让AI自己去"猜"。

代码我也看不懂。——谈及结构化数据是怎么补全的

那怎么判断自己网站的结构化数据到底做得好不好？子阳老师提到一个免费工具——谷歌官方的"富媒体检测工具"，把网站链接丢进去，点一下检测，就能看出这个页面的结构化数据实际生效情况。

他还提醒，结构化数据不是只存在于Blog页面，商品页、Collection页面同样适用，很多人装了评分插件，却从没确认过这个插件有没有真正把结构化数据标签写出来。子阳老师说这几个细节，其实是同行普遍都没关注到的地方。

靠这套内容打法，子阳老师去年4月份自己写了22篇AI文章，大概3个月时间，关键词排名涨到了6000多个。他特别强调自己完全没买过外链——逻辑是当你把整个行业的主题都研究透了，写的内容比同行更全、更深，同行反而会主动引用你的文章作为参考。

尤其是行业里的头部玩家来引用你的时候，这个引用本身就会带来一条外链，根本不需要花钱去买。

竞品价格和EDM，全部交给AI盯着

这一块讲得相对简洁，但每个细节都能直接落地。

竞品价格监控这一块，他们会持续抓取竞品的价格波动，一旦发现同行改价，系统会自动调整自己的价格，策略是永远比竞品便宜5美金，因为没有广告投入、利润空间够大，改完价格之后还会自动串联EDM推送出去。

EDM模板的来源子阳老师也很坦率：一是直接订阅同行的邮件列表；二是用一个叫milled.com的网站，上面收录了大量品牌方的邮件营销素材，可以看到邮件的排版、发送节奏（比如节假日前几天会提前发）。

我最好的老师其实是同行，感谢同行教导我，让我学会怎么成长。——谈起收集同行邮件营销素材

主图这块，子阳老师讲了一个挺有意思的背景故事。他们同时也在做亚马逊，但一直不太满意自己亚马逊店铺的商品图——泳装类目容易涉及侵权问题，很多同行的主图会把模特的头砍掉一半，只露出嘴巴附近的位置。

子阳老师还吐槽了一下亚马逊上泳装类目主图的通用风格：几乎清一色是"90年代挂历风"，沙滩上停着一辆跑车，车顶站着一个穿比基尼的模特——审美上是挺老套的，但这类图的转化数据确实不差。

于是他干脆做了一件事：把同样的商品放到独立站上卖，价格直接翻倍，但把图片风格换掉，结果照样卖得出去。他给了一个具体的对比——同一款泳装，亚马逊上大概卖30多美金，独立站能卖到70美金左右。

图片具体怎么换的？做法还是分析同行：找到比自己拍得好的同行，让AI去分析对方的构图、配色，用的模特是什么人种。

AI分析完之后会生成一个CV文件——可以理解成一份"调色和构图参数表"，子阳老师直接把这个文件应用到自己的图片上，色调就能做到跟对标的同行基本一致，裁剪也能复现同样的构图逻辑，比如模特的头大概该出现在画面的什么位置。

这套流程放在以前，得靠美工在PS里一张一张手动裁图、调色；现在AI可以完全自动化搞定，而且想对标谁，就能照着谁的风格去做。

选题不用想，一整套自动化运营链路

这一部分讲的是日常怎么找选题、怎么处理订单和售后。

选题来源：从用户真实吐槽里找

系统会自动收集Reddit、Trustpilot、亚马逊评论以及社媒上的评论，从中挖掘VOC（用户之声）痛点和PAA（People Also Ask）相关问题，自动生成内容集群和对应主题，再自动生成文章和标题。

子阳老师还提到会实时抓取同行在Reddit上被吐槽的"事故"，第一时间形成一个主题、自动生成文案。

看一眼没问题，发布了。有的时候我基本上不怎么看，因为我太熟了那文章。——谈起文章自动发布的流程

Shopify的API全盘接管

子阳老师提到一个基础事实：Shopify最低套餐（29美金起）就能用API，而API能做的事情，理论上等于人工能做的所有事情——子阳老师的原话是"它能干你人工可以干的所有事情"。

他们主要用它来处理订单，具体的流程是这样的：服装类目最常见的退换货原因是尺码不合适，子阳老师把自己的一整套SOP处理流程写下来放进知识库，售后邮箱收到邮件之后，AI会先读懂客户的诉求（比如"1818号订单，我觉得不合适，想换件衣服"），再调取这个客户的购买记录，跟客户往来沟通，自动判断应该生成新订单、退款还是退货。

这个流程前期子阳老师会人工审核一下，跑顺了之后基本就不再审核了。

欺诈订单的处理逻辑类似，但走的是另一条路。

子阳老师提到自己之前用某家服务商的时候，遇到过一波来源同一个网站、有规律性的欺诈订单，如果按传统的复杂flow去堵，成本很高；后来发现只要把判断逻辑写成几条清晰的规则，交给AI去判断，只要订单满足这几个规则，就自动放行出单，处理完了再通知子阳老师一声就行——下单流程反而变得比人工审核更快。

内容发布、库存也顺带自动化了

除了订单和售后，子阳老师提到博客文章的发布也是全自动的：文章写好之后会自动推送上线，连封面图都是自动生成的，子阳老师基本不用再看一眼。库存管理也接入了同一套系统。

子阳老师反复强调的一点是，这些环节单独拎出来都不算什么新鲜功能，但只有把它们串成一条完整链路、彼此之间互相触发，才真正省下了人力。

客户运营：把每个客户怎么走都记录下来

子阳老师提到一个容易被忽略的痛点：如果是"双开手机"这种模式在做客户运营，客户数据往往会分散在各个子软件里，很难同时把一个客户完整的行为链路拉到一起看。

他们用的是"无图电商"模式来解决这个问题——客户一旦进来，怎么走、怎么流转，都会被完整记录下来，不再是散落在各处的碎片信息。

市面上也有类似功能的插件，但价格很贵，子阳老师一般会自己用AI去分析客户的轨迹和行为，包括每次邮件发出去之后客户怎么点击的，据此做更精细化的客户分层（segment）和打标签。

这一块他会做得比较细，即便没有提前打好分层标签，AI也能在群发邮件的时候，识别出哪个是复购客户、哪个是新客户，自动生成不一样的文案内容，而不是所有人收到同一封模板邮件。

邮件秒懂：20万封邮件的四象限

子阳老师自己邮箱里存了20多万封邮件，每天新增1000多封，绝大部分是广告。

子阳老师试过各种客户端自带的垃圾邮件过滤，都不太好用，于是干脆把所有邮件接进自己的AI系统，让AI按"紧急重要、紧急不重要"四象限自动分类，只把真正需要子阳老师处理的邮件推送给子阳老师，并且提前草拟好回复内容，子阳老师确认没问题就发出去。

子阳老师还提到公司之前遇到过同事误点了伪装邮件里的病毒链接，导致公司共享盘被加密勒索比特币的事故，这也是子阳老师后来花力气做邮件AI识别欺诈邮件的原因之一。

达人建联和GEO，都是数据活

这部分展开了不少此前没太留意过的细节。

先确认这个达人到底是谁

给达人发建联邮件之前，AI会先去看这个达人的账号内容是不是真的匹配——比如账号名字显示"张三"但实际主理人是"李四"，直接按昵称去称呼很容易认错人。

TikTok的视频可以自动下载分析文字和逐帧内容，YouTube则可以直接拉字幕，成本很低，通过字幕就能判断这个达人平时在讲什么，从而针对性地写建联邮件。

自己的短视频，怎么批量生产出来

除了分析达人，子阳老师也讲了一整套自己制作短视频的流程，思路跟前面写文章有点像：先监控同行，把对方的视频脚本转写下来，再在这个基础上加一层"智能升级脚本"，做自动分镜。

这里面最关键的一步是怎么判断一条视频到底是不是真的"爆款"。子阳老师提到很多人会简单地用播放量、收藏量或者评论数中的某一项来判断，但他的做法是给每个数据维度分配一个权重，综合算下来才判断这条视频算不算爆款。

同时他还会用一批标签（大概十个左右）去排除掉那些"蹭热点"带来的虚假爆款——比如某段时间伊朗相关的新闻比较火，蹭着这个话题发的视频可能播放量很高，但这不代表内容本身有参考价值，得靠标签把这类干扰项过滤掉。

把同行的脚本抓过来之后，子阳老师会提炼这些脚本的写法，再反推到自己的产品上，做"智能跟进"，生成适合自己产品的新脚本，最后用工具批量生成大概15秒的视频。

整个流程跑起来，一天大概能产出100多条。子阳老师说得挺实在：这一步的效果，说到底还是取决于脚本写得准不准，脚本越准，播放量自然越高。

高光帧和购买帧：定位视频里最关键的那一瞬间

这里子阳老师展开讲了一个很多人没注意到的细节：TikTok官方素材库里其实提供了"高光帧"和"购买帧"两组数据，但大部分人根本没利用起来。

简单理解，高光帧对应的是一条视频里用户看得最投入、最感兴趣的那个画面；购买帧则对应最容易促成下单转化的那个瞬间。换句话说，官方其实已经把"用户在哪一秒最上头、在哪一秒最想买"这件事标出来了，只是很少有人真的去看这组数据。

子阳老师的做法是，先把这个关键帧定位出来，再把它前后3秒的画面单独拿出来，逐帧分析——极端一点甚至可以做到1秒拆1帧去看。

这么细致的分析靠人工肉眼去看效率太低，他用的是Gemini 2.5 Flash这类成本很低的视觉模型去批量处理，这个模型正好是今年"龙虾"话题火起来前后出的一款很便宜的模型，很适合干这种需要大量重复调用的粗活。

如果前后3秒还是看不出明确的原因，他会把范围继续往前后扩大到5秒，直到能看出这个瞬间到底是因为画面构图、动作、还是字幕文案才带来了那个高光或转化。

他还提到YouTube上也有类似的机制——视频播放进度条下方本身就会显示一条"高光曲线"，哪里是观看高峰、哪里是低谷一目了然，同样可以用这套逐帧分析的方法去拆解。

子阳老师说自己一般会把这部分分析得比较透彻，因为搞清楚"用户到底为什么在这一秒被打动"，比单纯知道"这条视频火了"要有用得多。

邮件模板：96%的送达成功率

子阳老师给了一个具体数据：把TikTok官方通知邮件的模板小改（不冒充官方），加上做好的AB测试信息发出去，送达成功率能到96%，送达率大概80多，而对比之前只有30多。

子阳老师强调邮件不能只是干巴巴的一句自我介绍，建议用HTML去写邮件，做出真正好看的排版效果。

从同行反链里挖联盟客

这是我觉得比较巧妙的一个思路：达人主页里挂的Linktree本质上也是一个网站，可以被反链工具抓取到。所以只要抓取同行的反链，就能顺藤摸瓜找到同行已经建联过的联盟客资源，AI还能通过域名自动判断这些联盟客的质量高低，筛选完直接批量建联。

GEO：AI回答里有没有你的品牌

用Semrush One或者Presto可以看GEO表现，但比较贵，子阳老师更建议自己写个Python脚本，每周定时向几个主流大模型提问自己的品牌词和行业关键词，看看有没有被提及。

如果连问几次品牌词都不出现，说明这方面的工作还不及格。数据采集方面子阳老师也提到Perplexity，说这个工具输出内容自带引用来源、幻觉率低，国外用得很多，国内商家用得还不多。

一次完整的数据调研，是怎么跑出来的

子阳老师现场展示了一个具体的案例，我觉得这是全场最"硬核"的部分。

针对同一个赛道，子阳老师说他导出了17个域名的数据、拉了1000多份报告，涉及20多万个关键词、5万多条外链。子阳老师反复强调一句话："这些事都是有数据作为支撑的，不是老板拍脑袋决定的，也不是看别人做什么我就跟着做什么。"

数据从哪来：先把原材料铺满

第一步是把原材料尽量铺全。Semrush里能导出的东西子阳老师基本都会拉一遍：同行域名列表、同行流量最高的页面、关键词SERP排名数据、不同国家的流量表现、近两年的趋势变化，还有反链。

整个导出过程是子阳老师自己写的浏览器插件自动跑的——账号是正版订阅、登录账号这一步是子阳老师自己干的，剩下从点击导出开始全都是AI自己完成，1500多份表格，实测下来大概两个多小时就能扒完，如果人工去点，怎么也得一两天。

拿到原始数据之后，AI会自动新建文件夹分类存放，再按照子阳老师的方式去处理——子阳老师提到自己交代任务的时候讲得很随意、很口语化，并没有逐字对着技能名称说，而是把整套41个Skills的链接丢给AI，让它自己去里面挑一个合适的用。

这一次案例，具体跑出了什么

这里有两个数字容易搞混，我特意确认过：37万是从原始数据里跑出来的关键词内容集群总库，属于"大而全"的池子；3700多则是从这个池子里进一步筛选、真正会被排进写作计划、对应明确文章主题的关键词，是"小而准"的执行清单。

想清楚这层关系，才知道为什么子阳老师说自己"选文章不用再想到底要选什么"。

关键词怎么判断值不值得做

关键词部分子阳老师重点看KD（关键词难度）和搜索量的关系。

子阳老师给的经验判断是：搜索量在1000到2000左右、KD低于30的词，如果对应商品还没做，或者对应文章没写，就值得优先补上，这个区间基本都容易靠自然流量做上去；一旦KD到了五六十，基本可以放弃——靠自然流量几乎不可能排到前面，除非域名权重特别高。

子阳老师还提醒了一个反直觉的坑：有些关键词属于"低搜索、高KD"的类型（子阳老师举的例子是搜索量才60、但PV能到1000多次），很多B2B商家会觉得"我就应该用这个词"，结果所有同行都在抢同一个词投广告，把CPC越推越高，实际上目标市场根本支撑不起这个投入产出比。

这种词，靠数据一眼就能看穿，靠感觉是看不出来的。

看关键词SERP的时候，子阳老师建议大家别死盯着前100名里排最前的那几家——头部往往是域名权重堆出来的结果，参考价值有限；真正该逐个分析的是中尾部排名，尤其是中小型商家为什么能排到这个位置，这些原因往往更容易复制。

页面拆解与D0位

反链部分子阳老师分享了一个巧妙的思路：达人主页里挂的Linktree本质上也是一个网站，可以被反链工具抓取到，所以只要抓同行的反链，就能反推出同行都在跟哪些联盟客、达人合作。

这次案例里，他们把同行4万多个页面逐一拆解，判断每个高流量页面到底是靠联盟PR做得好，还是单纯域名权重高，或者别的原因。

子阳老师还提到谷歌现在会给出一个"综合效果最好"的默认结果位，也就是所谓的D0位——把内容、图片、视频素材各方面都匹配做好，是有机会进入这个位置的。

同时子阳老师也提醒，品牌头部已经做好的品类和非品牌类目相比，SKU空间往往非常大，这块留给中尾部商家的机会其实还不少。

不同关键词对应的落地页类型也不一样——有些关键词搜出来对应的是Blog页面，有些是Collection页面；进Blog页面往往需要在文章里插CTA按钮转化，进Collection页面则可以直接转化。

其实我也不知道为什么，但是你可以让AI，让AI帮你找到为什么。——谈到不同关键词对应不同落地页类型的规律

最后子阳老师把这套方法论封装成了Skills，测试下来在Claude Code里跑的效果最好（子阳老师提到自己用满了账号额度去跑）。

子阳老师提醒大家，做完这些数据分析之后最关键的不是拿到一份漂亮的清单，而是这份清单要能指导下个月具体做什么营销动作——这波数据最终产出的，应该是一份能落到执行层面的行动计划：这个月做什么、下个月做什么、什么样的GMV量级该去对接什么样量级的达人和联盟资源。

建站和视觉设计，交给AI去"临摹"

这部分讲的是Claude Code在写代码之外的用法。

黄老师强调一个观点：现在很多人一边用Claude Code写代码，一边又拿Claude Code去抓数据、查资料，但真正的"贾维斯"角色不是你写出来的代码，而是Claude Code本身。

子阳老师抛出一个问题：当今这个AI时代，谁才是真正替你干活的那个角色？不是你让AI写出来的那段代码，而是Claude Code这个工具本身。

Computer Use：不用插件，直接操作电脑

Claude Code可以直接调用浏览器，也可以直接操作电脑本身，也就是所谓的Computer Use——子阳老师提到Mac端子阳老师自己测试过，Windows端还没试过。

举例来说，想分析同行网站结构做得好不好，不需要额外装浏览器插件，直接把需求丢给它，它会自己去调取网页缓存（Web Cache），把要的信息全部抓出来。

子阳老师还提到一个细节：像"尖叫青蛙"（Screaming Frog）这类站内SEO抓取工具，也可以直接封装成一个Skill，让Claude Code在后台自己跑，子阳老师自己会开两台电脑同时登录同一账号，一台专门跑这类抓取任务，自己去做别的事情。

子阳老师特意提醒了一句：代码工具从来不是只帮你写代码的，"它可以帮你做任何事情，帮你写个情书都可以"。他还顺带提了一句字节跳动出的代码工具Trae，说这款工具当时的广告词就是强调"不仅仅是写代码"。

大家不用觉得打开Claude Code就必须去写代码，很多时候，子阳老师打开Claude Code更多是在跟它聊天，聊出一个想法之后，让它直接把文档写出来存在本地。

该用哪个代码工具

子阳老师也顺带比较了几款主流的"vibe coding"工具：Cursor子阳老师去年就在用，但用下来感觉偏"硬核"；今年包括新版Cursor、Codex，以及Claude Code，都把代码执行过程默认隐藏掉了，不需要你去看它具体写了什么，只要能达成目标就行。

基于这个体验，子阳老师个人的推荐顺序是：能用Claude Code就优先用Claude Code，用不了再考虑Codex或Cursor。子阳老师也提到一个现实情况——Claude Code订阅现在涨价了，起步价大概100美金。

现场子阳老师还提到一个真实案例：一位完全零代码基础的同学，花了一个月时间，从Codex切换到Claude，自己一个人做出了一套解决电商图片问题的工具，底层用Rust写后端、React写前端，还顺手把支付功能砍掉了（避免涉及支付合规问题）。

子阳老师说这个工具应该能满足一些SaaS工具的基础功能，虽然不敢把话说得太满，但足以说明现在一个人、零代码基础，也能靠这些工具做出一个真正能用的系统。

Skills：把方法论封装成可复用的技能包

前面提到的Semrush数据分析流程，子阳老师已经把它封装成了Skills，现场提到自己一共写了41个Skills，覆盖从亚马逊选品到UPS物流、再到B2B各种流程的分析。这些Skills是开源的，只要不商业化使用、保留子阳老师的署名就可以免费用。

有意思的是子阳老师自己用Skills的方式——子阳老师不会像常规教程那样把Skills一个个手动放进指定文件夹，而是直接把41个Skills的链接整个丢给AI，让AI自己判断这次任务该挑哪几个来用，一份跑满的报告大概能出100多页，基本能把一个项目的可行性直接评估出来。

当然子阳老师也提醒，有些Skills跑出来的内容可能存在幻觉，涉及需要核实的数据，子阳老师都会特别标注出来提醒团队。

落地页生成

子阳老师提到两个工具，Stitch（免费）和Cloud Design（需要会员）。做法是先跟大模型描述需求，让大模型生成一段"口令"，再把口令喂给Stitch或Cloud Design，就能生成一个还不错的落地页。

子阳老师甚至提到可以把一个喜欢的商品页面链接直接丢给AI，让它做"像素级复刻"。

Shopify主题的GitHub连接玩法

主题上传方式除了直接上传压缩包，还有一种是连接GitHub——把主题包放进一个私有仓库，Shopify和GitHub连接后，改动主题代码就变得可以对话式完成。

子阳老师举了自己的例子：找一个喜欢的PDP页面链接丢给Claude Code，让它按这个排版风格改自己连接的GitHub主题库，大概20分钟就能做出一个几乎一模一样的页面。

我那个网站我全程除了输入我的主题激活码以外，我没有动过一点点手。——谈起新网站的搭建过程

无服务器建站+全自动选品：一个人三天上线一个新站

子阳老师提到自己现在建站已经不用WordPress了，改用Cloudflare做serverless（无服务器）托管，再跟GitHub关联——文章写好之后直接推送发布，整个网站的加载速度非常快，基本能做到"秒开"，在没有VPN的情况下，全球访问速度都还不错。

选品和上新这一块也是全自动的：子阳老师提到自己新开的一个站，总共上了417个商品，有一部分是自动采集来的，有一部分来自1688。

他自己写的软件会自动从1688采集商品信息，采集完之后自动更换主图、自动裁切，再把中文信息自动翻译成英文——整个流程走完，他只需要做"选品"这一个决策就行，UI设计、文案撰写、SEO优化、翻译这些环节都不用再额外操心。

从图片处理、文案SEO优化到店铺装修，一个人三天就能全部搞定；子阳老师说自己之前觉得7天已经算快的了，用AI跑完这一整套流程之后才发现，三天都算保守的。

图片优化和翻译

图片格式优化（比如转成AVIF、WebP）不再需要依赖付费插件；翻译方面子阳老师试下来发现DeepSeek V4的非推理版本效果好、便宜、速度快，比很多单独收费的翻译插件效果还好，光插件费用每个月就能省下100到200美金。

对于服装这种有行业专属名词的类目，子阳老师会先让AI做一个翻译词典，再调用API翻译，避免死板的直译。

知识库，是团队沉淀经验的地方

这段对做团队管理特别有参考价值。

先验证信息真假：一个"防忽悠"的小工具

在讲知识库之前，子阳老师先提了一个自己做的小工具，起因是市面上经常有营销号出来"交流"（也就是发一些似是而非的说法）。

他做了个工具，会自动读取这些营销号的文章，用Perplexity相关的验证方式，把文章里的知识点和观点提炼出来，一条条去核实——如果这个说法是假的，工具会告诉他真实情况是什么；如果是真的，他会在这个基础上举一反三，再往深挖一层。

这些核实过的知识最终存到哪里？不是存在子阳老师自己脑子里，用他的话说，"我脑子里装不下，装到CC里面去了"。

他把这个类比成一种"赛博脑机"——与其纠结未来什么时候能实现真正的脑机接口，不如现在就让AI自己去管理一个知识库，把验证过的知识全部喂给它，这也是他接下来要讲的知识库系统的起点。

普通RAG方案的问题出在哪

子阳老师提到市面上常见的两种知识库方案，其实底层原理都是普通的RAG（检索增强生成），各有各的问题。

Notebook LM本质上是塞了一个上下文窗口非常大（子阳老师提到大概200万token级别）的模型进去，作为个人或小范围团队的知识库确实很好用；但它的问题是"你给它什么，它就输出什么"——它不会主动去判断这个信息本身对不对，只是老老实实地照着喂给它的内容回答。

MaxKB这类开源方案则是标准的NLP向量模型加重排序（rerank）的组合，本质上是把你的文本切成一段一段，再计算相似度去匹配。

子阳老师说得很直白：即便加上了向量模型和重排序，只要你的产品参数足够多、足够复杂，幻觉率依然会非常高——因为它从根本上不是一个真正理解内容的"数据库"，而只是在做文本片段的相似度匹配，讲白了它的幻觉率天然就很高。

子阳老师自己怎么解决这个问题

子阳老师自己写了一套知识库系统，对内给不同岗位（比如财务、运营）分别开放不同的权限，对外接到客服机器人上——两边用的是同一套底层数据，只是权限和呈现方式不一样。

子阳老师特别提到自己踩过的一个坑：公司去年和今年各录了一份员工手册，两份内容有出入，AI到底该以哪份为准？这背后其实是知识版本冲突的问题。

子阳老师后来的解法是加了时间限定和相似度筛选机制——通过时间戳判断哪个版本更新，通过相似度过滤区分不同知识点之间的关联和覆盖关系，本质上是在做"知识实体关联"，把每一条信息该归属哪个实体、哪个时间节点先理清楚，而不是简单地一股脑塞进向量库里。

更关键的一层是"反幻觉"机制：内容存进知识库之前，系统会先自动验证一遍这条信息是不是真实准确的，验证通过了才真正存进去——比如子阳老师在公众号上看到的文章，也会经过这一层验证之后才会被吸收进知识库。

子阳老师把这套机制形容成让AI自己内部做"左右互搏"：一边负责输出内容，另一边专门负责检测和纠错，两边反复对跑，跑很多轮之后，系统自己把bug解决掉。

子阳老师提到一个挺有画面感的说法——与其说是自己记住了这些知识，不如说子阳老师把这些知识全部沉淀到了这套系统里，"我脑子里装不下，装到CC里面去了"，团队里任何人来去，积累的经验都留在了公司层面的知识库上，而不是留在某个人的脑子里。

MC岗位的AI化边界

顺着这个话题子阳老师提到了MC（营销/商品）这类岗位的AI化边界——大部分流程化、调研性的工作可以AI化，但多部门协调、颗粒度对齐这些事情AI做不到，更重要的是，AI背不了锅。

不管AI怎么发展，它也背不了锅，人的锅。——谈到AI取代不了的部分

子阳老师给出一个自己算的人力成本对比：一个人加AI，相当于原来一个内容小组加一个数据分析的配置。

一个人顶10个人的时代已经到了，他不是即将要来，他是已经到了。——谈起团队人效对比

写在最后，别被AI绑架

分享快结束的时候，子阳老师又绕回了开头提到的"龙虾"话题，我觉得这段反而是全场最清醒的部分。

子阳老师说龙虾这类工作流的问题在于不确定性太高——每一步都要靠AI自主判断，而AI一旦出现幻觉或者不准确，整个流程就可能出错。子阳老师举了个挺实在的例子：如果只是想让AI起草一封邮件发出去，根本不需要几十万行代码的复杂工作流，写个简单脚本就够了。

子阳老师也提到自己收藏了很多AI工具，但真正常用的没几个，这一点说得很坦诚。

大家都在收藏工具，但是真正用的人没多少。——谈起自己收藏的AI工具

子阳老师的建议是不用逼自己收藏很多，找到一两个自己真正用得上的，先用起来，不用人云亦云，也不用被别人的朋友圈绑架。

整场分享落到最后，子阳老师反复强调的其实就是一句话：AI是放大器，它放大你的判断力，也放大你的茫然。

如果你本身对业务足够理解，AI很容易配合你把事情做好；如果你不懂业务，即便把AI工具学得再熟练，也很难真正落地。所以与其焦虑"我是不是又错过了什么工具"，不如先把"我到底懂不懂自己的业务"这件事想清楚。