Linkfox Listing Master Test

Listing Master

输入竞品 ASIN → 模式选择 → 数据采集 → 双线并行生成（文案 + 图片） → 合规校验 → 输出完整报告。

前置依赖

• LINKFOX_AGENT_API_KEY：所有 linkfox 数据/生图能力均通过该环境变量鉴权。未配置时提示用户前往 https://skill.linkfox.com/linkfoxskills/guide.htm 申请，并 export LINKFOX_AGENT_API_KEY=<your-key>。禁止在 skill 内硬编码任何 Token。
• 数据采集 skill（同级 linkfoxagent-v2）：
  • linkfox-amazon-product-detail —— 商品详情（标题、五点、描述、A+ 内容、主图/附图 URL、品牌、价格、类目）
  • linkfox-sif-asin-keywords —— ASIN 关键词（搜索量、自然/广告排名、月搜索量）
• 线上 AI 生图 skill（同级 linkfoxagent-v2）：linkfox-aigc-imagegen —— A+ 图片生成（见 C.IMG.4）。
• 商品图须为可访问 URL：本 skill 含图片模式时，用户提供的商品图（1-6 张）必须先由调用方/上游上传为可公网访问的图片 URL，再传入生图步骤（线上生图 skill 的参考图入参为 imageUrls，不接受本地 base64）。
• Python 3 + Pillow：图片拼接与切割。如未安装 Pillow：python3 -m pip install Pillow。

知识库索引

按需加载，不要一次性全部读入。 工具源码禁止循环 Read：scripts/keyword_checker.py 等工具脚本视为黑盒 CLI；最多允许读取一次用法或已缓存源码片段。看到 "File unchanged since last Read" 后必须停止 Read，直接执行命令或按已有结果继续，禁止围绕相邻行号反复读取脚本源码。 用户可见文案去技术化：聊天进度不要暴露 Phase C/D、约束、脚本路径等内部术语；合规检查完成后统一说“合规检查完成，正在生成报告。”

Phase A — 输入识别与模式选择

A.1 生成模式

向用户确认生成模式（三选一）：

A.2 复刻 vs 优化

根据用户是否提供自己的商品图自动判断工作模式：

优化模式下，如果用户选择了含图片的模式，提示：「优化模式需要提供商品图才能生成 A+ 图片，请上传 1-6 张您的商品图，或切换为"仅 Listing"模式。」

A.3 竞品 ASIN 输入

从用户消息中提取 ASIN（10 位字母数字，如 B0XXXXXXXXX，或从 Amazon 商品链接中提取）。

站点映射：

如果未识别到 ASIN，向用户询问：

「请提供竞品 ASIN（如 B0C1XXXXXXX），我将为您生成完整的 Amazon Listing。可提供 1-3 个 ASIN，数据越多效果越好。」

A.4 图片生成参数（含图片模式时确认）

可不问直接用默认值。

Phase B — 数据采集

向用户说明：

「正在采集商品数据和市场关键词，请稍候（通常需要 2-4 分钟）...」

数据采集通过同级 linkfoxagent-v2 数据 skill 完成，鉴权统一读取环境变量 LINKFOX_AGENT_API_KEY。按以下步骤采集并在本地汇总：

步骤 G1 — 商品详情：调用 linkfox-amazon-product-detail，获取亚马逊 {marketplace} 站下列 ASIN 的商品详情（标题、五点描述、产品描述、A+ 内容、主图 URL、附图 URL 列表、品牌、价格、类目）：

{asins}

步骤 G2 — 关键词：调用 linkfox-sif-asin-keywords，获取上述全部 ASIN 的关键词数据（含搜索量、自然排名、广告排名、月搜索量）。

步骤 G3 — 标题分词：对 G1 返回的全部 ASIN 商品标题做分词，统计核心词、场景词、属性词及词频（此步由模型对 G1 文本直接分析，无需额外接口）。

将上述结果完整汇总，供后续 Phase C 使用：

• 全部 ASIN 的：标题、五点描述、产品描述、A+ 内容全文、主图 URL、附图 URL 列表、品牌、价格、类目
• 全部 ASIN 的关键词列表（含搜索量、自然排名）
• 标题分词统计结果（词频表）

成功条件

满足以上（根据所选模式判断必要字段） → 进入 Phase C。

B.+ 下载竞品 A+ 图片（含图片模式时执行）

从 G1 返回的数据中提取各 ASIN 的 A+ 图片 URL 列表，将所有图片下载到临时工作目录（中间产物可写 /tmp）。

mkdir -p /tmp/listing_master
curl -o /tmp/listing_master/aplus_01.jpg "{A+图片URL_1}"
curl -o /tmp/listing_master/aplus_02.jpg "{A+图片URL_2}"
# ...

记录下载的图片路径列表，后续 Track 2 使用。

失败处理

1. 若某步返回空或超时 → 原样重试一次
2. 重试后仍失败 → 停止，向用户说明
3. 数据 skill 返回 401 → 提示检查 LINKFOX_AGENT_API_KEY

重试预算：每个数据步骤最多 2 次调用（首次 + 1 次重试）。

Phase C — 内容生成（双线并行）

⚠️ 一次生成原则：直接生成最终版文案，不要先出草稿再重写。在生成前就严格遵守字符/字节限制，避免生成后再修正。

双线结构：C.1 为共享基础步骤，完成后 Track 1（文案）和 Track 2（图片）通过 Agent 子代理真正并行执行。根据 Phase A 选择的模式，仅执行对应线路。

并行执行架构（Listing + 图片模式）：

主 Agent
├─ C.1 关键词提取（共享基础）
│
├──→ Agent(Track1)  ──► C.2-C.5.5 文案生成 + C.X.1 合规检查
│         ↓ 返回: listing 全文 + 覆盖率 + 合规结果
├──→ Agent(Track2)  ──► C.IMG.1-5 图片生成 + C.X.2 图片合规
│         ↓ 返回: 图片路径 + T2 卖点 + 图片合规结果
│
├─ C.X.3 卖点一致性校验（需两线结果）
└─ Phase D 输出报告

关键：在一条消息中同时发出两个 Agent tool call，让它们并行运行。

收到数据后，读取 references/amazon-platform-rules.md。

C.1 关键词提取与布局 [共享基础]

必读 references/keyword-embedding-strategy.md

仅图片模式可跳过此步骤。

从竞品数据中提取高价值关键词：

1. 汇总所有竞品的关键词，按搜索量降序排列
2. 统计每个关键词被几个竞品覆盖
3. 按 keyword-embedding-strategy.md §4 的分段规则分配到字段：

4. 标注特征标签：[属性]（材质/尺寸/认证）、[场景]（使用场景/人群）
5. 标注报告层级：标题词→「核心词」，五点/描述词→「长尾词」，后台词→「补充覆盖词」

结果保存为 keyword_layers，供后续步骤和 Phase D 报告使用。

C.DISPATCH 并行派发（Listing + 图片模式）

仅 Listing + 图片模式执行此步骤。 仅 Listing 或仅图片模式直接跳到对应 Track 串行执行即可。

C.1 完成后，主 Agent 在同一条消息中发出两个 Agent tool call，分别派发 Track 1 和 Track 2。

派发前：预读取共享 reference 文件

主 Agent 在派发前读取以下文件内容，作为文本嵌入到子代理的 prompt 中（子代理无法自行读取 reference 文件）：

Track 1 需要的 reference（主 Agent 预读并嵌入）：

• references/amazon-platform-rules.md
• references/title-format-rules.md
• references/baf-framework.md
• references/rufus-semantic-rules.md
• references/compliance-banned-words.md
• references/keyword-embedding-strategy.md

Track 2 需要的 reference（主 Agent 预读并嵌入）：

• references/image-layout-high.md（或 medium/low，取决于相似度）
• references/image-selling-points-general.md（或 clothing，取决于品类）
• references/compliance-banned-words.md（图片合规部分）

Agent(Track 1) — 文案生成 Prompt 模板

你是 Listing Master 的文案生成子代理。请根据以下数据和规则，执行 C.2→C.5.5 + C.X.1 全流程。

## 输入数据

### 竞品商品详情
{Phase B 返回的竞品标题、五点、描述、品牌、价格、类目等}

### 关键词分层表 (keyword_layers)
{C.1 生成的完整 keyword_layers}

### Reference 规则文件
{主 Agent 预读的 6 个 reference 文件内容，逐一嵌入}

## 执行步骤

按照以下顺序生成，一次到位，不出草稿：
1. C.2 标题生成（遵守 title-format-rules）
2. C.3 五点描述（遵守 BAF + Rufus）
3. C.4 产品描述
4. C.5 后台搜索词
5. C.5.5 Subject Matter
6. C.X.1 文案合规检查（调用 keyword_checker.py 脚本）

脚本路径：`{skill_path}/scripts/keyword_checker.py`
Python 路径：`python3`
执行约束：不要反复 Read `keyword_checker.py` 的实现细节；该脚本按固定 CLI 调用即可。若已读过脚本或 Read 返回文件未变化，立刻停止读取并继续生成/校验流程。
对用户展示：不要说 `约束/Phase`，合规检查完成后统一表述为“合规检查完成，正在生成报告。”

## 返回格式（严格 JSON）

请在最终输出中包含一个 ```json 代码块，格式如下：
{
  "title": "完整标题",
  "title_char_count": 数字,
  "bullets": ["五点1", "五点2", "五点3", "五点4", "五点5"],
  "description": "完整产品描述",
  "description_char_count": 数字,
  "search_terms": "后台搜索词",
  "search_terms_bytes": 数字,
  "subject_matter": ["主题1", "主题2", ...],
  "compliance": {
    "trademark_check": "PASS/FAIL",
    "banned_words_check": "PASS/FAIL",
    "title_length_check": "PASS/FAIL",
    "search_terms_bytes_check": "PASS/FAIL",
    "description_length_check": "PASS/FAIL",
    "medical_claims_check": "PASS/FAIL",
    "cta_check": "PASS/FAIL",
    "dedup_check": "PASS/FAIL",
    "issues": ["问题描述1", ...]
  },
  "keyword_coverage": {
    "total": 数字,
    "covered": 数字,
    "rate": "百分比",
    "uncovered_keywords": ["词1", "词2", ...],
    "field_coverage": {
      "title": {"total": 数字, "covered": 数字},
      "bullets": {"total": 数字, "covered": 数字},
      "description": {"total": 数字, "covered": 数字},
      "search_terms": {"total": 数字, "covered": 数字}
    }
  }
}

Agent(Track 2) — 图片生成 Prompt 模板

你是 Listing Master 的图片生成子代理。请根据以下数据和规则，执行 C.IMG.1→C.IMG.5 + C.X.2 全流程。

## 输入数据

### 竞品 A+ 图片路径
{Phase B 下载的图片路径列表}

### 用户商品图 URL
{用户提供的 1-6 张商品图的可访问 URL（已由上游上传）}

### 生成参数
- 复刻相似度：{高/中/低}
- 输出分辨率：{2K/4K}

### Reference 规则文件
{主 Agent 预读的 reference 文件内容}

## 执行步骤

1. C.IMG.1 拼接竞品 A+ 参考图
   脚本：`{skill_path}/scripts/stitch_images.py`
2. C.IMG.2 并行分析（版式分析 T1 + 卖点提取 T2）
   → 你可以用并行 tool call 同时做两个分析
3. C.IMG.3 整合生图提示词（含目标长宽像素）
4. C.IMG.4 调用线上生图 skill（linkfox-aigc-imagegen）
5. C.IMG.5 切割生成图片
   脚本：`{skill_path}/scripts/split_images.py`
6. C.X.2 图片合规检查

Python 路径：`python3`

## 返回格式（严格 JSON）

请在最终输出中包含一个 ```json 代码块，格式如下：
{
  "generated_long_image": "完整长图文件路径",
  "split_images": ["split_01.jpg路径", "split_02.jpg路径", ...],
  "generation_params": {
    "similarity": "high/medium/low",
    "resolution": "2K/4K",
    "provider": "模型枚举值",
    "target_pixels": "宽x高",
    "stitch_mode": "vertical/grid"
  },
  "t1_layout_summary": "T1 版式分析摘要",
  "t2_selling_points": {
    "product_name": "商品名称",
    "target_audience": "目标受众",
    "selling_points_description": "卖点描述",
    "craftsmanship_details": "工艺细节",
    "usage_method": "使用方法",
    "category_path": "类目路径"
  },
  "image_compliance": {
    "image_text_ratio": "PASS/WARN",
    "prohibited_elements": "PASS/WARN",
    "mobile_readability": "PASS/WARN",
    "product_clarity": "PASS/WARN",
    "brand_compliance": "PASS/WARN",
    "issues": ["问题描述1", ...]
  }
}

派发执行

完成 reference 预读后，在同一条消息中发出以下两个 tool call：

# 伪代码 — 实际使用 Agent tool
Agent(
    description="Track1 文案生成",
    prompt="{上面的 Track 1 prompt，替换所有占位符为实际数据}"
)
Agent(
    description="Track2 图片生成",
    prompt="{上面的 Track 2 prompt，替换所有占位符为实际数据}"
)

两个 Agent 并行执行，主 Agent 等待两者均返回后进入汇合阶段。

══ Track 1：Listing 文案生成 ══

仅图片模式跳过整个 Track 1。

C.2 标题生成

必读 references/title-format-rules.md

• 大多数类目 ≤ 200 字符；服装 ≤ 125 字符（用 len() 精确计算）
• 未指定品牌时，标题开头不放品牌名，直接以核心关键词起始
• Top 1-2 品类定义词前置，占标题前 40 字符
• 属性修饰词和场景限定词自然衔接，不堆砌
• 撰写后精确统计字符数

C.3 五点描述生成

必读 references/baf-framework.md，紧接着读 references/rufus-semantic-rules.md（两个文件必须都读，缺一不可）

分条关键词分配（与 BAF 五维度对齐）：

核心要点：

• 每条以 粗体 BENEFIT 开头，紧跟 Advantage 说明，Feature 参数收尾
• 自然度优先于覆盖率：关键词必须在句子中作为有意义的语法成分出现，读起来像人话。禁止生硬拼接和末尾罗列。无法自然融入的词降级至后台搜索词。前端覆盖率 80-90% 是健康区间，不必追求 100%
• 不使用任何竞品品牌词

C.4 产品描述生成

• ≤ 2000 字符
• 不是五点的复制，而是场景化叙事展开
• 无品牌故事时：侧重使用场景、规格参数、适用人群
• 禁止：联系方式、官网链接、评价引用、促销信息

C.5 后台搜索词生成

• ≤ 500 字节（len(search_terms.encode('utf-8'))）
• 严禁放入标题和五点中已出现的词
• 单个空格分隔，不用逗号或分号
• 不使用竞品品牌词、ASIN 编号
• 可填入：同义词、拼写错误、缩写别称、外语翻译词、不带空格的复合词
• 超限时按搜索量从低到高截掉

C.5.5 Subject Matter（如适用）

• 每条 ≤ 50 字节，最多 5 条
• 从 keyword_layers 中取后台搜索词放不下的中等搜索量长尾词
• 与后台搜索词不重复
• 每条应是人可理解的主题短语（如 "reusable lint roller for cat owners"），而非后台词的堆叠

══ Track 2：A+ 图片生成 ══

仅 Listing 模式跳过整个 Track 2。

前置条件：用户已提供商品图 URL（1-6张，已由上游上传为可访问 URL）且 Phase B 已下载竞品 A+ 图片。

C.IMG.1 拼接竞品 A+ 参考图

将 Phase B 下载的竞品 A+ 图片拼接为一张完整参考长图：

python3 {skill_path}/scripts/stitch_images.py \
  --images /tmp/listing_master/aplus_01.jpg /tmp/listing_master/aplus_02.jpg ... \
  --output /tmp/listing_master/stitched_aplus.jpg \
  --layout auto

拼接模式：

• auto（默认）：3 张以内用 vertical（垂直），4 张以上用 grid（网格）
• vertical：上下排列，适合同一 ASIN 的 A+ 图
• grid：网格排列，适合多来源参考图

脚本输出：

• 拼接后的图片文件
• 元数据文件（stitched_aplus.meta.json）：记录拼接方式、每张图的坐标和大小
• 尺寸信息：WIDTH=xxx HEIGHT=yyy RATIO=z.zz

记录 w、h、ratio 和 meta.json 路径，后续步骤需要。

C.IMG.2 并行分析

以下两个任务同时进行：

任务A — 版式分析（得到 T1）

根据 Phase A 选择的复刻相似度，阅读对应的提示词文件：

输入：C.IMG.1 拼接好的长图 操作：按照对应提示词的要求，对长图进行版式分析 输出 T1：版式描述字符串

任务B — 商品卖点提取（得到 T2）

首先自动判断商品A的品类：

• 观察商品A的图片内容
• 判断是否为服装/鞋帽/配饰类
• 服装类 → 阅读 references/image-selling-points-clothing.md
• 非服装类 → 阅读 references/image-selling-points-general.md

输入：用户提供的商品A图片（1-6张，可用其 URL 让模型读取） 操作：按照对应提示词要求，分析商品图并提取卖点信息 输出 T2：符合对应 JSON Schema 的结构化卖点数据

重要：T2 提取的卖点将在 C.X 中与 Track 1 的五点描述做交叉校验，确保图文一致性。

C.IMG.3 整合生图提示词

将 T1 和 T2 拼合为完整的生图提示词。根据相似度级别调整措辞强度。

长图比例处理：线上生图 skill 的 aspectRatio 仅支持标准比例（1:1 / 16:9 / 9:16），无法表达 A+ 长图的极端比例。因此不依赖 aspectRatio，而是在提示词中显式写出目标长宽像素。目标尺寸取 C.IMG.1 拼接长图的 w×h（如需控制成本可等比缩放到宽 1000-1500px，高按比例换算），并在生图指令中加入一句： 「请生成一张宽 {W}px、高 {H}px 的完整长图（严格保持该宽高比，纵向连续排版）。」

高相似度（默认）

【版式复刻要求】
{T1 的完整内容 — 版式描述字符串}

【商品信息与核心卖点】
商品名称：{从T2提取}
目标受众：{从T2提取}
核心卖点：{从T2提取关键卖点，转化为自然语言}
工艺/材质细节：{从T2提取}

【目标尺寸】
请生成一张宽 {W}px、高 {H}px 的完整长图（严格保持该宽高比，纵向连续排版）。

【生图指令】
请严格按照上述【版式复刻要求】中描述的空间分区、视觉层次和构成元素，以提供的商品图作为产品主体素材，结合【商品信息与核心卖点】中的文案内容，生成一张完整的 Amazon A+ 商品详情长图。
- 版式骨架必须与参考版式一致（分区比例、图文布局、视觉动线）
- 产品主体使用商品A的图片
- 文案内容使用商品A的卖点信息
- 整体风格专业、高端，符合Amazon A+页面标准

中相似度

【版式参考】
{T1 的完整内容 — 版式结构描述}

【商品信息与核心卖点】
商品名称：{从T2提取}
目标受众：{从T2提取}
核心卖点：{从T2提取关键卖点，转化为自然语言}
工艺/材质细节：{从T2提取}

【目标尺寸】
请生成一张宽 {W}px、高 {H}px 的完整长图（严格保持该宽高比，纵向连续排版）。

【生图指令】
参考上述【版式参考】中的分区节奏和视觉动线方向，以提供的商品图作为产品主体素材，生成一张 Amazon A+ 商品详情长图。
- 整体分区结构和阅读节奏借鉴参考版式
- 具体的排列方式、元素数量和细节可以自由调整
- 产品主体使用商品A的图片
- 文案内容使用商品A的卖点信息
- 整体风格专业、高端，符合Amazon A+页面标准

低相似度

【版式启发】
{T1 的完整内容 — 基础骨架描述}

【商品信息与核心卖点】
商品名称：{从T2提取}
目标受众：{从T2提取}
核心卖点：{从T2提取关键卖点，转化为自然语言}
工艺/材质细节：{从T2提取}

【目标尺寸】
请生成一张宽 {W}px、高 {H}px 的完整长图（严格保持该宽高比，纵向连续排版）。

【生图指令】
以上述【版式启发】作为灵感参考，以提供的商品图作为产品主体素材，自由设计一张 Amazon A+ 商品详情长图。
- 大致遵循参考的图文区域分布，但具体设计完全自由发挥
- 产品主体使用商品A的图片
- 文案内容使用商品A的卖点信息
- 追求独特的视觉表达，避免与参考图雷同
- 整体风格专业、高端，符合Amazon A+页面标准

C.IMG.4 调用线上生图 skill（linkfox-aigc-imagegen）

本步骤调用同级线上 AI 生图技能 linkfox-aigc-imagegen 完成生图（替代原直连生图 API 的方式）。底层端点为 POST ${LINKFOX_TOOL_GATEWAY}/aigc/imageGen（基础域名从环境变量 LINKFOX_TOOL_GATEWAY 读取），鉴权用环境变量 LINKFOX_AGENT_API_KEY。

选择模型（provider）

根据 C.IMG.1 得到的 ratio（h/w）选择模型：

备注：BANANA（基础版）仅支持 1K，不用于 2K/4K 输出。

调用方式

调用 linkfox-aigc-imagegen 的脚本，传入 JSON 参数：

python3 {linkfox-aigc-imagegen}/scripts/aigc_imagegen.py '{
  "imageUrls": ["{商品图URL_1}", "{商品图URL_2}"],
  "prompt": "{C.IMG.3 整合后的完整提示词，已含目标长宽像素}",
  "provider": "BANANA_PRO",
  "outputNum": 1,
  "resolution": "2K"
}'

参数说明：

• imageUrls：用户商品图的可访问 URL 列表（参考图，必填，至少 1 张）。不再使用本地 base64。
• prompt：C.IMG.3 整合后的提示词，长图比例已通过其中的「目标尺寸」像素表达。
• provider：按上表选择（BANANA_PRO / BANANA_2）。
• outputNum：默认 1。
• resolution：2K 或 4K（按 Phase A.4）。
• 不传 aspectRatio：长图比例由 prompt 中的像素尺寸控制（线上 skill 的 aspectRatio 仅支持 1:1/16:9/9:16，不足以表达极端长图）。

解析响应

线上 skill 返回结构（关键字段）：

{
  "taskId": "任务ID",
  "status": 3,
  "resultList": [
    {"id": "资源ID", "url": "https://...生成图片URL", "type": "..."}
  ],
  "costToken": 123
}

• status：3=成功，4=失败。
• 成功：从 resultList[].url 取生成图片 URL。
• 失败：读 errorMsg；若 HTTP 401 / 业务 errcode=401，提示检查 LINKFOX_AGENT_API_KEY。失败最多重试 3 次。

⚠️ 上线前验证（首次部署后请实测）

1. 模型映射验证：上表的 BANANA_PRO（h/w≤4）/ BANANA_2（h/w>4）是按命名对应原方案 nano pro / nano2 推断的映射，尚未在真实数据上验证。请先用 1-2 个真实竞品 ASIN 跑通整条图片线路，确认这两个模型对「极端长图 + prompt 像素尺寸」的实际还原效果，再据此固化或调整 provider 选择。
2. aspectRatio 兜底策略：线上 linkfox-aigc-imagegen 接口文档将 aspectRatio 标为必填（默认 1:1，仅支持 1:1/16:9/9:16）。本 skill 按设计不传该字段（底层脚本透传 JSON，不会强制补默认值），长图比例完全由 C.IMG.3 prompt 中的目标长宽像素控制。若实测发现服务端强制要求该字段，则退而传入与目标比例最接近的 9:16，但长图实际比例仍以 prompt 像素尺寸为准。

C.IMG.5 切割生成图片

从响应的 resultList[].url 获取生成图片 URL，下载到本地，然后按 C.IMG.1 的拼接方式反向切割：

curl -o /tmp/listing_master/generated_aplus.jpg "{resultList[0].url}"
python3 {skill_path}/scripts/split_images.py \
  --image /tmp/listing_master/generated_aplus.jpg \
  --meta /tmp/listing_master/stitched_aplus.meta.json \
  --output-dir /tmp/listing_master/split/

脚本会：

• 读取拼接元数据
• 按比例映射到生成图片的实际尺寸
• 裁剪出每一块独立图片
• 输出到指定目录

最终交付：切割后的独立图片与完整长图属于交付物，应放到会话目录 <cwd>/linkfox/<YYYY-MM-DD>/<session>/media/ 下（<session> 取自环境变量 SESSION_ID），便于事后检索；/tmp 仅用于下载、拼接、切割等中间产物。

══ 两线汇合 ══

并行模式下：主 Agent 等待两个子代理均返回后，从它们的返回 JSON 中提取结果，进入汇合阶段。

• 从 Agent(Track1) 返回中提取：title, bullets, description, search_terms, subject_matter, compliance, keyword_coverage
• 从 Agent(Track2) 返回中提取：generated_long_image, split_images, t2_selling_points, image_compliance, generation_params, t1_layout_summary

C.X.1 和 C.X.2 已由子代理在各自线路中完成，主 Agent 只需执行 C.X.3（卖点一致性校验）。如子代理返回中有合规问题（issues 非空），主 Agent 应在报告中标注。

C.X 合规检查（必须执行）

必读 references/compliance-banned-words.md

两线输出完成后，执行以下检查。这不是建议，是强制要求。

⚡ 并行模式注意：C.X.1 和 C.X.2 已由子代理执行完毕并随返回值带回。主 Agent 在此阶段仅需：

1. 检查子代理返回的合规结果是否有未修复的问题
2. 执行 C.X.3 卖点一致性校验（这是唯一需要两线数据交叉的步骤）
3. 如有严重合规问题，决定是否需要回退修改

C.X.1 文案合规检查（含 Listing 模式时执行）

文案草稿完成后，必须执行以下检查——跳过将导致 D1 维度直接失分。

一步完成：写入临时文件 + 执行检查

python3 -c "
import json, os
listing = {
  'title': '''此处替换为生成的标题''',
  'bullets': ['''五点1''', '''五点2''', '''五点3''', '''五点4''', '''五点5'''],
  'description': '''此处替换为产品描述''',
  'search_terms': '''此处替换为后台搜索词'''
}
keywords = ['''关键词1''', '''关键词2''', '''关键词3''']
open('/tmp/listing_draft.json','w').write(json.dumps(listing, ensure_ascii=False))
open('/tmp/keywords.txt','w').write('\n'.join(keywords))
os.system('python3 {skill_path}/scripts/keyword_checker.py --listing /tmp/listing_draft.json --keywords /tmp/keywords.txt --mode full --json')
"

解析输出并修正：

脚本执行失败时的兜底： 手动逐一检查关键词覆盖、品牌词、违禁词。

C.X.2 图片合规检查（含图片模式时执行）

对 C.IMG.5 生成的图片进行以下检查（人工审视 + 规则比对）：

对不达标项记录问题和修复建议，纳入 Phase D 合规检查报告。

C.X.3 卖点一致性校验（Listing + 图片模式时执行）

将 Track 2 提取的 T2 卖点 与 Track 1 生成的五点描述核心卖点做交叉比对：

比对矩阵：

判定规则：

• ✅ 一致：T2 卖点与五点条目的核心信息匹配
• ⚠️ 偏差：T2 提取了某维度的信息，但五点中的表述侧重不同 → 建议调整五点或图片文案使其统一
• ❌ 缺失：T2 提取的核心卖点未在五点中体现，或五点的核心卖点未在图片中体现 → 建议补充

一致性结果纳入 Phase D 输出报告。

Phase D — 输出报告

⚠️ 前置检查：在输出报告前，确认 C.X 各项检查已执行。如果未执行，现在立即回到 C.X 执行。

必读 templates/output-format.md

根据所选模式输出对应板块。Listing + 图片模式输出全部 6 个板块，其他模式输出相关板块。

输出一份完整的 Markdown 报告，板块之间用 --- 分隔，每个板块用 # 一级标题标识。

若最终报告正文较长（> 400 字），按项目规范走 linkfox-report-generator 生成交付文件，默认 format: html；不要在对话里拼接长文。

Listing 文案

仅 Listing 和 Listing + 图片模式输出。

标题 (Title)

[完整标题] — 字符数：{N} / {200 或 125}

五点描述 (Bullet Points)

1. [BENEFIT] [Advantage，1-2句] [Feature 参数收尾，1句]
2. [BENEFIT] [Advantage，1-2句] [Feature 参数收尾，1句]
3. [BENEFIT] [Advantage，1-2句] [Feature 参数收尾，1句]
4. [BENEFIT] [Advantage，1-2句] [Feature 参数收尾，1句]
5. [BENEFIT] [Advantage，1-2句] [Feature 参数收尾，1句]

产品描述 (Product Description)

[完整产品描述] — 字符数：{N} / 2000

后台搜索词 (Backend Search Terms)

[空格分隔] — 字节数：{N} / 500

Subject Matter（如适用）

1. [主题词组1]
2. [主题词组2] ...

关键词埋词报告

仅 Listing 和 Listing + 图片模式输出。

覆盖率：{used}/{total}（{rate}%）

已埋词

未埋词

商标风险词（如有）

合规检查报告

根据模式输出对应检查项。

文案合规检查（含 Listing 时输出）

图片合规检查（含图片时输出）

图文卖点一致性（Listing + 图片模式输出）

总体结论：

• 全部通过，可直接上架
• 或：发现 {N} 处需修复（详见上表），修复后再上架

关键词布局说明

仅 Listing 和 Listing + 图片模式输出。

本报告说明本次 Listing 用了哪些关键词、放在哪里、为什么这样放。

完整关键词清单

字段布局逻辑

标题（权重 W1） — Top 1-2 品类定义词前置于前 40 字符。

五点描述（权重 W2） — Top 3-20 按条分配，第 1-2 条放高搜索量功能词，第 3-5 条放场景/属性/规格词。

产品描述（权重 W4） — 场景展开叙述中自然触及长尾场景词。

后台搜索词（权重 W3） — Top 21-40 + 同义词/变体/外语，按搜索量降序至 500 字节。

Subject Matter（权重 W3） — 后台放不下的中等搜索量长尾词组，5 条 × 50 字节。

基于本次数据的调整建议

以下建议基于本次实际关键词数据生成。

• [动态生成，例如：]
• 「关键词 {keyword}（月搜索量 {vol}）当前在后台搜索词中，如相关度高可考虑替换五点中低搜索量词。」

广告投放参考：

• 自动广告 seed：标题 Top 1-2 词 → exact match；五点 Top 3-20 词 → phrase/broad match
• 手动广告候选：后台搜索词中搜索量较高的词

A+ 图片生成报告

仅图片和 Listing + 图片模式输出。

生成结果

• 完整 A+ 长图：[文件路径]
• 切割后独立图片：
  1. [split_01.jpg] — 对应参考图第 1 块
  2. [split_02.jpg] — 对应参考图第 2 块 ...

生成参数

版式分析摘要（T1）

[T1 版式描述的关键内容摘要]

卖点提取与一致性报告

Listing + 图片模式输出。

图片卖点提取结果（T2）

[展示 T2 的结构化卖点数据，按品类格式]

非服装类格式：

服装类格式：

文案五点核心卖点

一致性矩阵

图文优化建议

基于一致性矩阵的分析，提出具体优化方向。

• [动态生成，例如：]
• 「图片突出了 {卖点X}，但五点描述中未充分体现，建议在第 {N} 条中补充相关描述。」
• 「五点第 {N} 条强调了 {卖点Y}，建议在 A+ 图片中增加对应的视觉元素。」