AI 选品 Agent:从＂店长经验＂到＂数据反哺＂

— — —

一、一盒酸奶，凭什么打败自己的"前任"

先给你看一盒酸奶。

2026 年 5 月，京东七鲜的货架上多了两个新面孔：黑桑莓莓奶皮子酸奶、抹茶多肉青提奶皮子酸奶。

上市一个月不到，它俩就把原本霸榜的"紫光园奶皮子酸奶"按在地上摩擦。某些单日甚至登顶酸奶品类销量冠军。

但最有意思的不是销量。

最有意思的是——这俩产品的核心创意，不是乳业老炮想出来的。是一套 AI 系统从用户评价里挖出来的。

这就是今天这篇文章要拆的：AI 选品 Agent。

说白了，就是让一个"AI 员工"替你 7×24 小时地：

• 扒评论、扒销量、扒热搜
• 找"用户嘴上说不要、但身体很诚实"的机会
• 给你写 3 套产品方案，让你拍板

不是让 AI 替你想。是让 AI 替你把"想到的"和"猜到的"变成"数据验证过的"。

我会用京东七鲜的真实案例拆给你看：AI 选品到底怎么跑？怎么给自家店用？要不要花这个钱？

读完你至少能拿走一个 5 分钟可跑的 Prompt 模板 + 一张选品 Checklist。

— — —

二、传统选品 vs AI 选品，差在哪

先说过去的玩法，业内一般叫"经验选品"：

或者更"专业"点的：

这种逻辑的本质是：凭感觉 + 看关系 + 赌运气。

AI 选品的玩法完全不一样，叫"数据反哺+人机共创"：

差别在哪？AI 不创造需求，但 AI 帮你从用户嘴里把需求抠出来。

我们看一下京东七鲜这套 AI 的具体跑法：

京东七鲜选品 AI 工作流（拆解）

这张图是七鲜公开披露过的，简化版：

这套流程里有 3 个关键设计：

1. AI 不替你决策，只替你挖需求
   。决策权永远在采销手里
2. 3 套方案平行跑
   ，避免"一个点子撞死"
3. 小批量试销 + 快速迭代
   ，过去一个新品的开发周期是 6 个月，现在压到 3 个月

我猜你要问了——"我们小店没数据，AI 怎么跑？"

别急。后面我会给你 3 类店的落地方案。先把京东七鲜这套拆完。

— — —

三、京东七鲜奶皮子酸奶，AI 到底发现了什么？

讲个细一点的。

七鲜做酸奶品类，长期是原味霸榜。AI 干了什么呢？它扒了站内所有酸奶评价、社交媒体讨论、竞品动态。

挖出了两个"沉默需求"：

1. "奶皮子太薄了，吃两口就没了"
    —— 想要厚一点的
2. "口感太单一，就一层奶皮子"
    —— 想要多种层次的

AI 提了个方案：做成 3 层结构 —— 奶皮子 + 酸奶 + 果肉果酱。

采销一听："这工艺我们没做过，工厂能行吗？"

AI 答："已有 3 家工厂试过类似工艺，B 厂可量产，单盒成本只多 0.4 元。"

一拍板，做。一个月后：

• 销量超过原本的品类冠军
• 5 月酸奶销售环比涨 20%+
• 酸奶在七鲜自有品牌大盘的占比提升 6 个百分点

一个 AI 提的方案，把一个"老爆品"按下去了。

但你注意——AI 在这里干的事，不是"发明新产品"，是"翻译用户原话"。

用户说"奶皮子太薄" → AI 翻译成"加厚奶皮子层" → 用户说"口感单一" → AI 翻译成"加果肉/加复合层"。

这就是 AI 选品最值钱的地方：你不用再派人去展会肉眼调研，AI 替你读 10 万条用户原话。

— — —

四、AI 选品 Agent 跑起来，到底需要哪 5 个模块？

把上面的工作流拆开，一个能用的 AI 选品 Agent 通常由 5 个模块组成：

模块 1：数据采集（最底层）

干啥的：把全网评价、销量、社交媒体、竞品动态抓回来

自家店怎么用：

• 没技术团队 → 用现成 SaaS（蝉妈妈、识达科技、新榜这些能扒评论）
• 有技术团队 → 写爬虫 / 调官方 API（微博、抖音、淘宝、京东都开了商家数据接口）

模块 2：需求挖掘（最关键）

干啥的：从采集回来的文本里挖"用户没被满足的需求"

核心技术：

• 文本分类（NLP，把"奶皮子太薄"分到"口感类抱怨"）
• 情感分析（识别"我超想买但有个问题"vs"我压根不想买"）
• 主题聚类（把"奶皮子薄、口感单一、不够甜"聚成"口感层不足"主题）

模块 3：方案生成（最有创造性）

干啥的：基于需求点，生成 3-5 个产品方案

核心技术：

• 大模型 + Prompt 工程
• 提示词模板（下面我会给你一个直接抄的）

模块 4：决策辅助（最体现"人机共创"）

干啥的：把 AI 提的方案转成采销能看懂的决策表

典型输出：

模块 5：反馈循环（最容易被忽略）

干啥的：上市后拿真实销售数据，反过来校准 AI 模型

真实案例：七鲜每月会复盘 AI 提的方案，"上线 3 个月卖得咋样？哪些点 AI 猜对了？哪些猜错了？"

这一步不做，AI 选品 Agent 永远是"一次性玩具"。

— — —

五、5 分钟可跑：选品 Prompt 模板（直接抄）

我给你写了一个总监级的选品 Agent Prompt，拿去就能用。

复制这段到任何大模型（豆包/Claude/ChatGPT）里，把【】里的内容替换成你自己的品类，就能跑：

用法：

• 把它粘到豆包 / DeepSeek / ChatGPT 对话框
• 替换【品类名】和【Input】
• AI 就会按这个流程给你跑

— — —

六、选品 Checklist：上不上这个新品？用这张表打分

AI 给你方案了，最终还是你拍板。拍板用这张 Checklist（10 分制）：

总分 ≥ 35 分：上。 这个新品值得试。

总分 25-35 分：再想想。 AI 给的方案可能漏了某块。

总分 < 25 分：不上。 不是 AI 不好，是这个需求不是你店的。

— — —

七、3 类便利店，AI 选品落地的姿势不一样

1）夫妻店 / 单店

• 别上 AI Agent 选品系统
  ，贵且没必要
• 推荐玩法
  ：用上一节的 Prompt 模板 + ChatGPT/豆包，每月跑 1 次
• 每月花
  ：几十块电费
• 效果
  ：用 AI 帮你否决"老板拍脑袋"的不靠谱新品

2）小型连锁（5-50 家）

• 适合
  ：采购部统一用 Prompt 跑选品 + SaaS 数据工具
• 推荐组合
  ：
• 数据采集 → 蝉妈妈 / 新榜 / 识达科技（月付几百到几千）
• 方案生成 → 大模型 API（月付几十）
• 决策辅助 → 自己用 ChatBI 类的工具（如网易有数）
• 每月花
  ：几千到一两万

3）大型连锁（50 家以上）

• 适合
  ：自研 AI 选品 Agent（参考七鲜）
• 投入
  ：百万级起，回报看 SKU 数量
• 关键岗位
  ：
• 数据分析师
  ：管数据采集和清洗
• Prompt 工程师
  ：把选品流程写进 Prompt
• 产品经理
  ：拍板 AI 提的方案
• 业务负责人
  ：把"不上 AI 选品"的传统采销"说服"或淘汰

— — —

八、AI 选品最容易踩的 5 个坑

坑 1：迷信"AI 一选就爆"

AI 选品的成功率比"老板拍脑袋"高，但不是 100%。七鲜自己也说，新品成功率从 30% 提到了 50%+，不是 100%。

坑 2：让 AI 直接拍板

AI 不能替你做最终决策。"AI 选品 + 老板否决"的失败案例比"老板拍脑袋"还多。AI 给方案，你拍板，永远是人机共创。

坑 3：数据不干净

评论里有水军、有刷评、有恶意差评。如果不清理，AI 会把"刷出来的高频词"当成"真实需求"。

坑 4：只看自家店

你店的客户是片面的。要看全网+竞品+跨平台，否则 AI 帮你做的是"井底之蛙选品"。

坑 5：上市后不管了

AI 选品的真正威力在"反馈循环"。上市 1 个月、3 个月、6 个月分别复盘，把数据反哺给 AI 模型。

六字口诀：跑 → 测 → 喂。

— — —

九、算账时间：AI 选品值不值？

数据来源：CCFA 2025 报告 + 京东七鲜 / 7-Eleven 团队 MD 公开案例 + 罗兰贝格《零售业 AI 应用》。

对一家 50 家店的中型连锁，一年 100 个新 SKU，AI 选品 vs 传统选品差距：

• 多出 20 个爆品
  （30% vs 50% × 100）
• 省 4 个月开发周期
  （每个 SKU 省 1.5 个月 × 投入数）
• 省 30%-50% 试错成本
  （5 万 × 100 vs 12 万 × 100）

一年净增 100-300 万利润，AI 投入不到 50 万。

— — —

十、行动清单：读完这篇你立刻能做 3 件事

1. 把你店里卖不动的 3 个 SKU 列出来
   ——丢进第五节的 Prompt 模板，让 AI 帮你分析"是不是该清退"
2. 挑 1 个新品类
   ，用第六节的 Checklist 打分，≥ 35 分就上，< 35 分就否
3. 把第五节的 Prompt 模板存到飞书云文档
   ——每周用 1 次，月底看选品命中率变化

下一期预告（（销量预测 + 智能补货：让便利店告别「昨天卖 5 个今天就进 5 个」））：

— — —

（AI 选品 Agent：让便利店选品从「老板拍脑袋」变成「数据说话」） · 完