xjli360 Amazon 精铺广告盈利控制
目标
Control Amazon spread-model advertising around per-SKU break-even, conservative inventory, precise keyword tests, uniform group logic, and low-touch exception management.
不可妥协的边界
- 当前 Amazon 官方政策、账户资格、站点字段和一方数据优先于本 Skill 的经验框架。
- 第三方数据一律标为估算或前台观测，不得写成 Amazon 一方事实。
- 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。
- 一次实验只改变一个主要变量，并记录基线、样本、成功、停止和回退条件。
- 不得复制来源材料或竞品表达；输出必须按当前任务重新组织并可由现有证据支撑。
- 固定广告销售占比不是跨产品标准，应由毛利和目标利润反推。
- 临近断货应提前控量并记录对后续恢复的影响。
先判断任务模式
- 诊断：读取现状、证据和缺口，不生成线上写入动作。
- 方案草案：输出可审核的结构、参数范围、实验和回退值。
- 执行准备：只生成待批准变更表或 API/控制台操作草案。
- 已批准执行：仅对用户在当前会话明确批准的对象和字段执行，并立即回读核验。
用户未指定时采用“诊断”。
开始前要拿到
- marketplace、店铺、ASIN/SKU、广告类型和目标
- 同口径的 Campaign、Targeting、Search Term、Placement 与 Advertised Product 报告
- 售价、优惠、COGS、Amazon 费用、退款与目标贡献利润
- 库存、Buy Box、Listing、评论和同期市场事件
缺失项必须标为 NEEDS_EVIDENCE；不得猜数字、补属性或把不同站点、ASIN、变体、币种和时间窗混在一起。
工作流
先读取 references/playbook.md，确认该方法适用于当前对象。按以下顺序执行：
- 计算每个 SKU 的贡献利润、最大获客成本和库存退出期限。
- 用评论成熟度接近的样本估算可实现销量并限制首批备货。
- 只测试最精准的属性词，小组结构保持可统一调价。
- 通过降低竞价控制点击速度和花费，不用频繁微调所有词。
- 超出亏损、转化或库存边界时停止补货或淘汰。
最后做数据充分性检查，并把结论分成 FACT / ESTIMATE / HYPOTHESIS / UNKNOWN。若关键证据不足，状态写 HOLD。
第三方 MCP 数据
仅在自有数据不足且当前任务确实需要外部证据时，读取 references/mcp-data-plan.md，再使用 scripts/mcp_research.py。本 Skill 的外部取数目的：获取核心词、历史趋势、低评论样本和建议竞价代理证据。
- 先
doctor，再search-tools和describe；工具名及参数以实时tools/list与inputSchema为准。 - Token 只从环境变量读取。不得写入命令参数、URL、Skill、报告、日志或 Git。
tools/call或 Actor 可能计费；先展示 Provider、工具、无密钥业务参数、预计成本与输出位置，核对已有授权覆盖后才加--allow-cost；该标志不是费用上限。
必须交付的结果
- SKU 盈亏表
- 最小广告结构
- 异常处理规则
- 淘汰与补货线
- 数据范围、来源、采集时间、样本与限制。
- 关键假设、待补证据、风险和不可确定项。
- 若有动作：对象、旧值、新值、预期、停止条件、回退值与审批状态。
方案状态使用 READY FOR REVIEW / DRAFT / HOLD / STOP；如已执行，另行记录实际结果及回读证据。未得到明确批准时，不得声称已修改线上对象。