AI电商Agent怎么用？选品调研用法指南

电商行业对 AI 的用法，过去两年基本停留在问一句答一句的层面：把商品标题贴进去问怎么写，把一段评论贴进去问什么意思，把类目名称输进去问市场怎么样。这种方式能解决零散问题，但解决不了一件事，就是把一整段工作从头跑到尾。

电商 Agent 这个词进入行业之后，最大的变化是 AI 从回答问题的角色，变成了执行任务的角色。你可以把一个完整的调研需求交给它，它自己去拆解要做什么、调用哪些能力取数、按什么顺序执行、最后整合成一份可以看的报告。中间不需要你在每一步都重新提问。

这篇文章讲三件事：电商 AI Agent 和单次问答工具的本质差别在哪里，电商场景下应该怎么下任务、怎么用技能、怎么让专家团分工，以及选品调研这类典型任务在 Agent 里怎么跑通。工具示例用青虎AI的青虎Agent，因为它把技能市场、商品库、Listing生成放在同一个界面里，链条完整，方便讲清楚串联这件事。

内容偏长，建议按顺序读，前半部分讲原理和用法，后半部分是任务模板、误区和场景，可以直接对照自己手头的调研工作执行。

一、单次问答工具和 Agent 的差别在哪里

两者都基于大模型，差别不在模型强弱，而在两件事：能不能串联流程，能不能留存结果。这两句话听起来简单，实际决定了电商 AI Agent 能不能承担真正的工作量。

单次问答工具的工作方式是：你提问，它回答，会话结束。它能做的是单点任务，比如把一段描述改写得更通顺、把一份数据整理成表格、解释一个概念。它在每次回答时都不知道你上一轮做过什么，也不会主动去调用外部数据源，因为它没有执行动作的能力。

Agent 的工作方式是：你给目标，它规划步骤，调用工具取数，中间可能连续执行多步，最后产出结果。它具备三个单次问答没有的能力：能调用外部数据获取真实信息，能按多步计划连续执行，能把结果保存下来供后续使用。

三件事叠加起来，实际体验的差别很明显。用单次问答工具做选品调研，你需要自己决定先查什么、再查什么，每次都要把背景重新交代一遍，最后还要手工把零散结果拼成一份报告。用 Agent 做同一件事，你把目标说清楚，剩下的执行顺序由它规划，报告直接产出，不满意的地方在同一会话里改条件就行。

图2：单次问答解决单点问题，Agent 承接完整任务，差别集中在取数、连续执行和结果留存三处

二、串联流程：Agent 的价值从交接处产生

电商调研真正的成本不在某一步，而在步骤之间的交接。你查完类目数据，要把结论抄到另一份文档里；你分析完评价痛点，要把关键词复制到写文案的地方；你做完一批候选，要把清单发给采购同事。每一次交接都会丢一点信息，多做几次，最初的判断就走样了。

Agent 的串联能力正好作用在这些交接处。青虎Agent 把选品分析、市场分析、Listing生成、商品库、技能市场这几个模块放在同一个界面，一个环节的产出可以直接成为下一个环节的输入，不需要人工搬运。

举个具体的链路：先用选品分析筛出一批候选商品，产出商品筛选清单和卖家分布表格；接着对其中几个候选做市场分析，产出市场容量结论和评价痛点汇总；再把痛点交给 Listing生成环节，写出标题、五点描述、详情和后台 Search Terms，同时做违规词校验；最后把调研资料、竞品链接和历史分析一起归档进商品库，形成这个商品的完整档案。

这条链路如果在四五个工具之间来回切，光是复制粘贴和格式调整就要花掉不少时间，更麻烦的是中间环节容易被省略。放在同一个界面里，链路自然就跑通了，因为下一步的数据本来就在手边。

图1：Agent 把选品分析、市场分析、文案生成、资料归档串成一条链，交接处不再丢信息

串联还有一个隐性好处：口径统一。同一套筛选条件在同一个会话里沿用，从筛选到文案到归档，参照的是同一份背景资料。多次人工交接最容易出现的问题就是每换一个人就换一套口径，最后没人说得清结论是基于什么条件得出的。

串联并不意味着 Agent 会替你决定链路怎么走。链路的方向仍然由你定：是先看类目再看单品，还是先看竞品再反推需求，取决于你这次要解决什么问题。Agent 负责把这条链路跑顺，你负责选择从哪一环切入。把这一点分清楚，使用时就不会因为工具能自动执行而放弃对方向的把控。

三、留存结果：让调研不是一次性劳动

调研工作者最常抱怨的一件事是重复劳动。三个月前做过一个类目的完整调研，现在要再做一次，发现资料只剩几张截图，判断依据全忘了，只能从头再来一遍。这不是态度问题，是工具没把结果留下来。

Agent 的留存能力体现在三个层面。会话层面，同一个任务可以持续追问细化，改筛选阈值、拆分痛点、导出词表都在同一个上下文里完成，不需要新建对话重新交代背景。资料层面，调研结果、竞品链接、历史分析可以沉淀到商品库，成为这个商品的长期档案。模板层面，常用的批量抓取和分析指令可以固化成提示词模板，下次一键复用。

三个层面解决了三个不同的问题。会话留存解决的是单次任务的连续性，让你不必反复重述背景；资料留存解决的是跨任务的复用性，让你下次面对同一个类目时从历史结论出发；模板留存解决的是团队一致性，让不同的人跑出同一套口径的结果。

这三个层面里，最容易被跳过的是会话留存。很多人拿到一份还算满意的报告就把会话关掉，下次遇到同类问题重新开一个对话，把之前交代过的站点、价格带、客群又写一遍。其实只要在原会话里继续提问，前面所有的背景和条件都还在，改一两个变量就能得到新的结论，成本低得多。

从使用习惯来说，建议把归档当成任务的最后一个动作而非额外动作。每次调研结束，顺手把清单、筛选条件、判断结论存进商品库并标注时间。几个月后回看，这些记录就是最好的判断校准样本：当时认为有机会的方向后来怎么样了，当时忽略的信号后来有没有变成趋势。

留存的另一个好处是降低对人的依赖。资料存下来之前，一个类目的判断全在某个运营的脑子里，人一走经验就断档；资料存下来之后，接手的人可以从历史结论和判断依据出发，不需要重新摸索。对团队来说，这比单次效率提升更有价值。

四、对话式任务下发：指令应该怎么写

Agent 的能力上限，很大程度取决于你怎么下任务。同样一个工具，指令写得清楚和写得含糊，产出的质量差得很远。写指令有个固定结构可以参考：目标加范围加条件加产出形式。

目标是你想解决什么问题，要具体到动作层面。写清楚是筛选候选、判断市场机会、还是整理评价痛点，比笼统地说帮我看一下这个类目有用得多。

范围是平台站点、类目层级、关键词或商品链接。范围决定了 Agent 去哪里取数，写得越明确，取数越聚焦。做跨境时站点要写清楚，做国内时平台要写清楚。

条件是筛选指标和阈值。价格区间、销量档位、评价数量级、上架时间、排序规则，这些条件直接决定候选清单长什么样。条件不要一次写太多，先写三到四条最关键的，跑一轮看结果再调。

产出形式是你希望拿到什么。是要一份商品筛选清单，还是一份市场容量结论加卖家分布表格，还是把结果导成表格。把形式说清楚，产出的可用性会明显提升。

指令要素	写什么	示例写法
目标	要解决的具体问题	帮我筛选可切入的新品候选
范围	平台、站点、类目、关键词	亚马逊美国站，厨房收纳类目
条件	筛选指标与阈值、排序规则	评论中低档位，销量趋势向上，按趋势排序
产出	输出形式与颗粒度	商品筛选清单加市场容量结论，可导出
约束	价格上限、体积、客群	客单价中档，优先体积小的商品

指令写完之后，还有一件事很重要：不要指望一次就问到最好。第一轮跑完先看结果规模和质量，再回到会话里追问调整。改筛选阈值、增加一个指标、把痛点单独拆出来，都是常见的第一轮追问。Agent 的价值就在于这些追问不需要重述背景。

如果实在不知道怎么开头，可以用一个降级写法：先只写目标和范围，让 Agent 先给出一版候选，再从结果里挑出看得懂的部分继续追问。用得多了，你会自然形成自己所在类目的指令套路，这份套路本身也是可以沉淀成模板的资产。

图3：青虎Agent任务下发界面，指令按目标、范围、条件、产出四要素组织

五、技能调用：@技能是怎么工作的

Agent 能取到真实数据，靠的是技能。技能可以理解为针对某类数据或某个平台封装好的能力，Agent 在执行任务时按需调用。青虎AI 的技能市场按平台分类，覆盖亚马逊、TikTok、Ozon、Shopee、哔哩哔哩、小红书、抖音、1688。

调用的方式是对话里直接写 @技能名称，后面跟任务描述，再跟需要调研的链接或关键词。格式可以记成：@技能名称 + 任务描述 + 需要调研的链接或关键词。Agent 收到之后调用对应技能获取平台公开数据，再以电商专家的视角整理成报告。

常用的技能可以按数据维度记几组。词维度有 关键词反查-亚马逊，用来了解某个词的搜索需求与竞争情况。达人维度有 查达人数据-抖音、查达人粉丝画像-抖音，用来了解带货账号的体量和受众结构。内容维度有 查视频数据-抖音、话题详情数据-抖音、热搜榜数据-抖音、关键词搜索笔记-小红书、查笔记数据-小红书，用来观察内容平台的热度与兴趣迁移。反馈维度有 查视频评论-抖音、查笔记评论-小红书，用来把评价内容整理成需求与痛点清单。

维度	技能示例	主要用途
关键词	关键词反查-亚马逊	看词的搜索需求与竞争，找长尾切入点
达人	查达人数据-抖音、查达人粉丝画像-抖音	评估带货账号体量与受众匹配度
内容热度	查视频数据-抖音、热搜榜数据-抖音、话题详情数据-抖音	观察兴趣迁移，找内容端的机会窗口
笔记与社区	关键词搜索笔记-小红书、查笔记数据-小红书	看细分需求的讨论热度与内容形态
评论反馈	查视频评论-抖音、查笔记评论-小红书	把用户反馈整理成痛点与诉求清单

技能调用有几个实际操作上的注意点。一次任务里不要让 Agent 同时调太多技能，聚焦两到三个维度，结果更清晰。任务描述里把「要什么」说清楚，比如只要近期的数据、只要某个价格区间的商品，比只丢一个链接效果好得多。技能取回的是公开数据，不包含卖家私域数据，判断时要接受这个边界。

还有一个容易被忽略的细节：技能取回的数据要带着时间标记一起用。同一份报告里如果一部分数据是近期的、另一部分是更早的，结论的可比性就会明显下降。养成在任务里写明时间范围的习惯，比如只要近几期的趋势，能省下大量事后核对口径的时间。

六、专家团模式：多任务怎么并行与整合

单个技能适合方向明确的任务，遇到方向还没定的情况，可以换成专家团模式。告诉它你最终想要什么报告，专家团会自动拆解任务、分工并行执行，再整合输出一份完整调研报告。

这个模式适合三类场景。一类是多方向比选，比如同时看三个候选类目哪个更值得做，让不同专家分别负责一个方向的调研，最后横向摆在一起比较。一类是多平台交叉，比如同一品类在亚马逊和小红书的表现，分别取数后再做一致性判断。一类是长链路任务，从选品到文案到归档一次跑完，把不同环节交给不同角色处理。

使用专家团时，需求描述要更完整。因为它要自己拆任务，你给的信息越全，拆解越合理。建议把目标、候选范围、判断标准、期望的报告结构都写进去，比如希望报告包含市场容量、竞争强度、价格带分布、评价痛点四个部分。

如果第一次整合出来的报告结构不理想，不必重来，直接在同一会话里指出问题即可。比如希望把所有方向的市场容量放在同一张表里对比、把评价痛点按优先级排序，这类调整的沟通成本很低，一两轮之后报告结构就会贴近你要的形式。

整合输出是专家团模式最有价值的部分。分头调研容易出现各说各话，整合环节会把不同方向的结论拉到同一套口径下对比，指出方向之间的差异和共同点。这一点人工做起来很费劲，因为不同人的报告维度和颗粒度往往不一致。

用专家团时也要注意控制范围。一次并行处理的方向以两到四个为宜，方向太多会让每个方向分到的执行资源变少，结论反而变浅。与其一次扫十个方向，不如先把最有可能的三个方向做深，拿到结论之后再决定要不要扩大范围。

七、选品调研里的典型任务与产出

把前面的用法落到选品调研上，可以整理成四类典型任务。每类任务对应的技能组合和产出形式都不一样，可以照着用。

第一类是新类目摸底。要解决的问题是这个方向值不值得看。任务写法是让 Agent 输出该类目的市场容量结论、卖家分布表格和竞争强度判断，重点关注主流价格带落在哪个区间。产出是一份类目级别的格局报告，用来决定这个方向是否继续往下做。

第二类是候选筛选。要解决的问题是留下哪些商品。任务里写清价格区间、评价数量级、销量趋势和上架时间条件，让 Agent 输出商品筛选清单，包含商品标识、价格、销量档位、评价数量和判断依据。产出是可直接进入验证环节的候选清单。

第三类是需求痛点挖掘。要解决的问题是做哪些改动。用评价类技能把候选商品的评论内容整理成高频痛点与诉求清单，区分差评指向的未满足需求和好评指向的被认可价值。产出直接对接文案生成和产品改进。

第四类是关键词与流量机会。要解决的问题是流量从哪里来。用关键词反查类技能拉出词维度的需求与竞争情况，整理成关键词清单，区分高需求低竞争的长尾词。产出用于标题、后台搜索词和推广方向的规划。

三类任务连起来跑，就是一次完整的选品调研。整个过程里人做两件事：把目标和条件说清楚，对结果做取舍。中间的数据采集、筛选、整理、导出由 Agent 完成。青虎Agent 的产出物包括市场容量结论、卖家分布表格、商品筛选清单、差评痛点汇总、Listing 文案、流量关键词清单，以及可以导出 Excel 的数据表。

四类任务不必每次都跑全。时间紧的时候，先跑类目摸底和候选筛选，确认方向可行再补需求挖掘和关键词；方向已经很明确的时候，直接从候选筛选开始，把精力放在验证和文案上。任务顺序服务于你当前要回答的问题，而不是照着清单机械执行。

每跑完一类任务，建议留出几分钟回看结论而不是直接进入下一类。看清楚这一轮筛掉了哪些、留下了哪些、判断依据是什么，再决定下一步要不要调条件。跳过回看直接往下跑，很容易把上一环的偏差一路带到最后的文案里。

八、电商 Agent 使用的四个误区

四个误区的共同点是没有意识到 Agent 是一种执行工具，而不是答案机器。它的上限取决于任务的复杂度和你输入的清晰度，需要像带新人一样给它交代背景，而不是像搜索引擎一样只丢几个关键词。

九、用好 Agent 的四个技巧

四个技巧分别对应任务边界、指令复用、变量控制和历史积累。都不复杂，难的是形成习惯。用 Agent 的时间长了会发现，真正的效率差距不在会不会用，而在有没有把使用方式固定下来。

还有一条经验值得单独说：不要只在忙的时候才用。很多人把 Agent 当成救火工具，等到新品要上架、报告要交付才想起来用，结果每次都在赶时间，追问和验证都做得不充分。把定期调研排进固定日程，用 Agent 做周期性的类目跟踪，反而更容易发挥出串联和留存的价值，因为你有时间做第二轮、第三轮细化。

十、三个可以照做的使用场景

三个场景覆盖了完整链路、多方向比选和跨端验证三类需求。共同点是任务的复杂度超出单次问答能处理的范围，需要 Agent 规划步骤并连续执行。这正是它区别于普通问答式工具的地方。

图4：从单条链路的完整调研到多方向并行比选，AI Agent 在电商团队里的落地场景

十一、总结：把 Agent 用在完整任务上

十二、常见问题解答