Amazon AI 选品判断治理

目标

让 AI 承担批量取数、整理和反证，而把竞品定义、需求真实性、差异化取舍与最终立项保留在人类决策门内。

适用任务

• 审计一个 AI 选品 Agent 是否只是加速了错误规则。
• 设计人机协作的选品流程与证据门槛。
• 复核 AI 给出的蓝海、竞争、需求或差异化结论。

开始前要拿到

• Agent 的提示词、工具清单、规则、阈值和样例输出。
• 候选产品事实、直接竞品定义和各数据字段的统计口径。
• 成功/失败案例、人工判断标准和风险偏好。
• 允许自动执行的动作与必须人工批准的动作。

缺少字段时列出证据缺口，并把相关结论标为 FACT、ESTIMATE、ASSUMPTION 或 UNKNOWN；不要补造数据。

不可妥协的边界

• 第三方数据均为估算或代理证据；Amazon 一方报告、后台实时字段和产品事实优先。
• 经验阈值只能作为可调起点，必须展示敏感性分析，不能写成 Amazon 官方规则。
• 不得捏造销量、搜索量、CPC、CVR、成本、认证、产品属性或消费者需求。
• 默认提供诊断或草案。写入前展示对象、旧值、新值、影响、停止线与回退，核对用户已有授权是否覆盖对象、动作与预算；范围已明确授权时继续执行并回读核验，只有未覆盖或扩大的范围才请求批准。
• 不输出或保存素材来源身份、账号、链接、作品编号、互动数据、原始话术或其他可反查来源的线索。
• 不得让 Agent 自动下单、发布或修改广告。
• 不得把第三方估算、模型推断或单一案例包装成事实。

工作流

1. 拆分任务

把评论聚类、参数对比、关键词归类、专利检索等重复劳动与立项、备货和差异化判断分开。

2. 追问口径

对每个结论追溯数据源、时间窗、站点、样本、直接竞品集合和计算方法；无法追溯的结论不进入决策。

3. 校验竞品

用购买对象、场景、关键属性和价格带定义直接竞品，不能把搜索结果总数当作竞争者数量。

4. 寻找异常值

共性痛点用于基础需求，少数但高价值的特殊场景作为待验证假设；AI 不得自动把低频反馈升级为需求事实。

5. 设置人类闸门

在产品立项、供应商下单、预算、广告和发布前输出证据包、反方解释和待批准事项。

6. 回写经验

将真实结果、失败原因和规则修正回到案例库，持续评估 Agent 的命中率与校准度。

判断标准

• 完整、流畅的报告不等于可靠结论；可验证性优先于表达质量。
• AI 可提出推荐，但最终结论必须包含反证、未知项和人工签字点。
• 低频评论只能成为探索线索，需通过关键词、竞品、访谈或测试交叉验证。
• 自动化质量用后验结果评估，不以执行速度或报告篇幅评估。

第三方 MCP 数据

需要外部关键词、竞品、评论或公开网页证据时，读取 references/mcp-data-plan.md，并使用 scripts/mcp_research.py。

• 先动态执行 tools/list、search-tools 和 describe，依据实时 inputSchema 构造参数。
• 凭证只从环境变量读取，不进入参数、URL、Skill、终端输出或 Git。
• 可能计费的 tools/call 先展示 Provider、工具、无密钥参数、预计成本与输出位置，核对已有授权；仅在授权覆盖本次范围时使用 --allow-cost，该标志不是费用上限。
• 脱敏结果用 --output 写入 Skill 包之外的任务私有目录；不假设安装位置受仓库 .gitignore 保护。第三方数据标为估算或代理证据。
• 失败一次后记录缺口，不以重复付费重试掩盖不可用状态。

必须交付的结果

• 自动化/人工责任矩阵
• 证据血缘表
• 结论反证清单
• 人工审批卡
• Agent 后验评估方案

结尾列出站点、数据窗口、证据来源、关键假设、缺口、风险、下一步和所有待批准动作。证据不足时写 HOLD，不得包装成可直接执行。

执行细节、证据字段和质量检查见 references/playbook.md。