[特殊字符]️ 我把带货团队从“每天加班到凌晨“救出来了——一个 AI Skill 的 0-1 搭建全记录

羽宝宝st

192人浏览 · 2026-06-10 09:52:29

羽宝宝st · 2026-06-10 09:52:29 发布

不是"AI 概念炒作"，是一个已经在真实业务里跑了三个月的开源工具。从被业务方骂"太慢了"到"你怎么不早说"，中间只差这一个 Skill。

一、故事的起点：凌晨 2 点的群消息

今年 3 月，凌晨两点，工作群里弹出一条消息：

"明天早上 9 点的复盘会，达人 ROI 表还没拉出来。谁能帮忙？"

发消息的是我们招商组的负责人，语气已经快崩溃了。她那天从下午两点开始翻巨量百应的达人主页，筛选了 50 多个达人，逐个发私信沟通意向，又把活动数据从四个后台搬进 Excel 拼报表，同时还要给第二天要播的主播写开场话术。

一个人，四件事，全是纯手工。

那天晚上我帮她拉完数据已经快凌晨四点。第二天复盘会上，我跟团队说了一句话：

"这套流程应该由机器来做，人不该干这个。"

三个月后，就有了 星擎（StarEngine） —— 一个跑在 EasyClaw 上的 AI Skill，把达人筛选、数据拉取、脚本生成、宣传文案、营销日历全线自动化。现在在 ClawHub 上开源。

本文是完整的 0-1 搭建复盘：为什么搭、怎么搭、踩了什么坑、效果如何。即使你不在带货行业，这篇文章里关于"如何用 AI 重构一个真实业务流"的思考，应该也能给你启发。

二、先定义问题：不是 AI 炫技，是解决真痛点

搭任何 AI 工具之前，我觉得最重要的一步不是选模型、写 prompt，而是把业务流程掰开揉碎了看清楚。

我们把一个带货团队典型的一天做了时间切片：

08:00-10:00  翻巨量百应，找匹配达人          2h
10:00-11:30  挨个发私信、沟通意向            1.5h
11:30-12:00  切后台拉活动数据                0.5h
13:00-15:00  做数据报表、算 ROI             2h
15:00-18:00  写今晚直播脚本                  3h
18:00-19:00  挤朋友圈+群发文案               1h
19:00-20:00  准备第二天排期                   1h
─────────────────────────────────────────
合计：11h
真正"做决策"的时间：不到 2h

结论：80% 的时间在做搬运和格式化，只有 20% 在创造价值。

于是我们的目标非常清晰：

要干掉的	怎么干掉	优先级
手动翻达人主页	五维加权自动评分 + 分级推荐	P0
手动搬数据做报表	直连巨量百应 API 自动拉取	P0
憋脚本憋到凌晨	FABE 方法论 + 结构化 prompt	P0
宣传文案靠挤牙膏	模板 + AI 混合生成	P0
排期靠开会讨论	节点知识库 + 自动规划	P1

三、技术选型：为什么选 EasyClaw Skill 而不是自己从零写？

这是第一个关键决策。当时有三个选项：

方案	开发周期	维护成本	灵活度	业务人员能用吗
自己从零写一个 Web 应用	3-4 周	高	最高	❌ 要培训
用 Coze / Dify 搭工作流	1-2 周	中	中	⚠️ 要学
EasyClaw Skill	3-5 天	低	高	✅ 直接对话

选 EasyClaw 的核心原因是：它允许我们用对话方式调用工具，业务人员不需要学任何新界面。

他们的使用方式就是对着 EasyClaw 说人话：

"帮我匹配美妆类目的达人"
"给完美日记口红写一套直播脚本"
"拉一下这个活动的 ROI 报表"

底层是 Python CLI，但我们把对话层和逻辑层解耦了——你可以用对话，也可以用命令行。这个设计在后面救了我们一命（后面会讲）。

四、架构设计：三层解耦，挂了也能用

星擎的整体架构是这样的：

┌─────────────────────────────────────────────────────────┐
│            EasyClaw 对话层（自然语言入口）                  │
│  "帮我匹配美妆达人"  "写一套FABE脚本"  "拉ROI报表"         │
├─────────────────────────────────────────────────────────┤
│              🌟 星擎 StarEngine Skill                     │
│                                                         │
│  🎯 达人匹配引擎        📊 数据拉取引擎                    │
│  五维加权评分模型        巨量百应 API 客户端                │
│  本地达人库兜底           自动解析 + 结构化                 │
│                                                         │
│  ✍️ 脚本生成引擎        📣 宣传内容引擎                    │
│  FABE 方法论模板         5 渠道 × 多风格                    │
│  结构化 prompt           模板 + AI 混合                    │
│                                                         │
│  📅 日历规划引擎        🛡️ 容错降级层                      │
│  节点知识库               API 异常 → 自动切本地             │
├─────────────────────────────────────────────────────────┤
│  巨量百应 API  │  本地达人库  │  模板库  │  降级引擎        │
└─────────────────────────────────────────────────────────┘

三条设计原则，每条都是踩坑踩出来的：

原则一：真 API，不是 mock

一开始有人建议"先用模拟数据把 demo 跑通"。我们直接否了。

原因很简单：业务方对数据准确性的容忍度是零。 你哪怕一次给了错误数据，信任就没了。

我们直接对接了巨量百应的四个接口：活动列表、商品数据、订单数据、佣金数据。全链路真实拉取。

原则二：必须能降级

这个坑是上线第一周踩的。巨量百应 API 有一个下午挂了 20 分钟。

如果没有降级机制，星擎整个就废了。所以我们加了一个自动降级层：

API 调用 → 正常返回 → 走真实数据
        → 超时/异常 → 自动切本地达人库 + 离线模式
        → 恢复后   → 自动切回 API

达人的离线库、脚本模板、文案模板都存在本地，完全不依赖网络。API 挂了，达人匹配、脚本生成、文案产出照常跑。

原则三：对话 + CLI 双入口

这个决策后来被证明非常正确。业务人员用对话模式零门槛上手；我们做批量测试、自动化脚本、CI 集成时用 CLI。两套入口一套逻辑。

五、核心模块逐个拆解

🎯 达人智能匹配：不是"AI 猜"，是真算法

这个模块是整个产品里最"硬"的部分。我们不满足于"让大模型推荐几个达人"——大模型没有巨量百应的实时数据，推荐出来大概率不准。

我们的做法是五维加权评分模型：

达人总分 = 0.30 × 类目契合度
         + 0.25 × 历史带货力（近30天场均GMV）
         + 0.20 × 粉丝量级（归一化处理）
         + 0.15 × 佣金率匹配
         + 0.10 × 近期活跃度（14天开播频次）

每个维度的数据来源：

维度	权重	数据从哪来	踩过的坑
类目契合度	30%	达人主页标签 + 历史带货品类分析	达人可能跨多个类目，需要取最大交集
历史带货力	25%	巨量百应达人数据接口（近 30 天 GMV）	部分达人隐藏 GMV，需要降级策略
粉丝量级	20%	达人主页粉丝数，200 万以上归一化为满分	粉丝数和带货力不是线性关系，需要非线性映射
佣金率匹配	15%	达人预期佣金 vs 商家预算区间	很多达人佣金标注不准确，需要区间容忍
近期活跃度	10%	近 14 天开播频次 + 内容更新频率	排除"僵尸达人"和一些买了粉的号

为什么要设权重？ 因为不同商家的需求不一样。有的在意佣金（权重给 15% → 30%），有的在意粉丝量（20% → 30%）。权重可以调，标准自己定。

输出效果：

$ python cli.py influencer match --category "美妆"

[MATCH] 智能匹配 · 美妆 · 2026-06-10
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
🏆 [S] 李佳琦 · 1,500 万粉 · 匹配度 95 · 场均 GMV ¥20M+
🥇 [A] 薇娅   · 1,200 万粉 · 匹配度 88 · 场均 GMV ¥15M+
🥈 [B] 小杨哥 · 800 万粉  · 匹配度 72 · 场均 GMV ¥8M+

📊 活动数据分析：API 踩坑实录

这个模块的技术含量不高，但坑特别多：

坑 1：巨量百应 API 限流

巨量百应的 API 有 QPS 限制，我们的第一版没有做限流控制，一次性拉几十个活动的数据直接被 ban 了。

解决方案：加了指数退避的请求队列，单次最多 5 个并发，超时等 2s/4s/8s 逐步重试。

坑 2：数据格式不一致

同一个"GMV"字段，不同接口返回的字段名不统一。有的叫 gmv，有的叫 total_gmv，有的藏在 statistics.gmv 里。

解决方案：写了一个统一的数据适配层，所有原始数据先经过标准化再入库。

坑 3：大促期间数据延迟

618、双11 期间，巨量百应的数据有 1-2 小时延迟。业务方看到"实时"数据其实是滞后的，差点怀疑数据有问题。

解决方案：在报表上标注数据时间窗口（"数据更新至 14:30，延迟约 60 分钟"），比"假装是实时的"好得多。

✍️ FABE 脚本生成：结构化 prompt 的威力

这个模块是我个人最满意的。因为它的效果明显超过了通用 ChatGPT。

为什么？因为通用 ChatGPT 生成的"直播文案"是这种画风：

"大家好，欢迎来到直播间！今天给大家带来一款非常棒的产品，它的特点是……非常实用，大家快来下单吧！"

这是废话。没有说服框架，没有节奏感，没有针对直播场景的结构。

我们的做法是：把 FABE 销售方法论硬编码进 prompt 结构。

你不是在写一篇公众号文章，你在写一份打仗用的作战脚本。
你必须严格按以下结构输出：

【开场钩子】前 5 分钟，用痛点切入 + 利益预告把观众留住
【FABE 递进】每层必须打透才能进入下一层：
  - Feature：商品有什么属性？（不是功能列表，是选一个最能打的）
  - Advantage：这个属性带来什么优势？（和市面竞品比）
  - Benefit：对用户有什么实际好处？（具体场景、具体感受）
  - Evidence：凭什么让人相信？（数据、对比、实测）
【逼单】限时限量 + 价格锚点 + 社交证明，不能硬推销
【互动】评论区引导话术 + Q&A 预制

效果对比：

	通用 ChatGPT	星擎 FABE 脚本
结构	散装文案	四段式作战脚本
说服力	罗列卖点	逐层递进说服
节奏感	没有	按分钟规划
可操作性	拿起来不知道怎么念	就是照着时间轴播
差异化	千篇一律	每个产品有独特的说服路径

📣 宣传内容工厂：模板 + AI 的混合策略

纯 AI 生成的文案有两个问题：一致性差（同样的 prompt 两次可能产出完全不同风格）、不可控（你不知道它会写出什么奇怪的话）。

纯模板的问题是太僵硬，千篇一律。

我们的策略是混合生成：模板管结构和风格约束，AI 负责填充具体内容。

模板层：定义风格骨架（故事型 = 真实经历引入 + 情感共鸣 + 产品植入 + CTA）
AI 层：根据商品属性填充具体内容
校验层：敏感词过滤 + 风格一致性检查

结果是：每次产出风格一致，但内容不重复。五种风格（干货/故事/福利/紧迫/晒单）换着发，群不会变成"又是广告"被折叠。

六、效果数据：三个月跑了什么结果？

上线三个月，我们跟踪了一些关键指标：

指标	之前	现在	变化
达人匹配耗时	平均 2h/次	10s/次	↓ 99.9%
数据报表产出	4h/周	5s + 自动调度	↓ 99.9%
直播脚本准备	3h/场	1min 生成 + 15min 润色	↓ 91%
宣传文案产出	2h/7条	30s/批	↓ 99.6%
月度营销排期	半天	10s	↓ 99.9%

省下的时间去了哪？

招商同事多聊了 3 倍达人，签约量提升 40%
运营同事把时间花在分析数据和策略优化上，ROI 提升了 15%
主播用省下来的时间彩排，单场 GMV 平均提升 20%
社群运营一个人从管 15 个群变成管 50 个群

七、总结：AI 工具的正确打开方式

做了这个项目后，我对"AI 工具落地"这件事有了几个核心认知：

1. 不要追求"替代人"，追求"替代流程中的非决策环节"

星擎不帮你做判断（选哪个达人、定什么策略），只帮你干掉那些谁都能干的苦力活（翻列表、搬数据、憋模板）。把人留在需要判断和创意的地方。

2. 降级比完美更重要

API 会挂、网络会断、第三方服务会抽风。你的工具必须有离线兜底能力。一个偶尔降级但永远可用的工具，好过一个完美但经常挂的工具。

3. 对话入口 + CLI 双模是正确选择

不要假设用户会用命令行，也不要假设他们永远不会用到命令行。双入口意味着双倍的适配场景，但只有一套核心逻辑要维护。

4. 开源是最好的信任背书

业务方最开始不相信 AI 工具能做好这些事情。开源之后，他们可以直接看到代码逻辑、数据处理方式、评分算法。透明是最好的信任。

八、试试看？

# 30 秒安装
easyclaw skills install https://clawhub.ai/myc1020/staring

# 5 个核心命令
python cli.py influencer match --category "美妆"           # 达人匹配
python cli.py script fabe --product "品名" --price 价格      # 脚本生成
python cli.py report campaign --id 活动ID                   # 数据报表
python cli.py promo wechat --style story --product "品名"   # 宣传文案
python cli.py calendar generate --month 2026-06 --event 618 # 营销日历

也可以在 EasyClaw 里直接对话使用。不配巨量百应 API 也能用核心功能。