經(jīng)過幾天的調(diào)試，亞馬遜AI作圖方案已經(jīng)完成，可以告一段落了。圖片分析的效果和文案效果都還行，個人感覺達到了70分左右。在這個基礎上，人工再修改，就會節(jié)省不少時間。

先上價值觀，我覺得這套流程的意義在于節(jié)省，運營對比競品圖片的時間，同時把優(yōu)秀的圖片文字化，不用再花時間去想怎么表達。?

同時，減少了溝通成本。經(jīng)常做圖的朋友應該知道，和美工溝通是一件很痛苦的事情。他不懂你的品味，你不懂他的技術。

很多時候，運營只是覺得，這張圖的感覺很好，但是細說，又說不出哪里好。你給美工說，你要做出這種感覺，具體什么感覺呢，你自己體會。美工說我謝謝你啊。

那至少這一套東西出來后，大家再溝通會有一個共識，不會天馬行空了。

想法
言歸正傳，跑一次代碼要5-10分鐘，我用Claude做了一個流程圖，幫助理解。

1. 先把幾個競品ASIN的圖片下載下來

2. 讓AI視覺模型去分析競品圖片

3. 識別出內(nèi)容之后，用文本處理的方法提取特征。

4. 用Deepseek R1進行推理

5. 讓Gemini綜合所有信息，寫出文案。
AI模型選擇

剛開始，我是直接用視覺分析圖片，生成作圖方案。后來發(fā)現(xiàn)，效果不太好。因為AI大模型就和人一樣，有的模型擅長視覺分析，有的模型擅長思考，有的模型擅長寫作。

如果競品分析內(nèi)容太多的話，只用一個大模型不太夠用。一是上下文長度不夠，大模型不能識別所有的競品圖片分析內(nèi)容。

二是視覺模型對于圖片分析比較擅長，但不擅長寫文字內(nèi)容。針對這種情況，視覺模型負責處理圖片識別，最后寫產(chǎn)品的方案時候，用另外一個擅長文字的大模型。

所以，測試了幾輪后，我確定了多模型組合的流程。

視覺模型：豆包模型，負責分析競品圖片。免費額度比較多，先用著吧。

推理模型：Deepseek R1，負責根據(jù)競品圖片的分析和特征，進行推理。成本低且效果上乘。

文案模型：Gemini pro，負責綜合競品圖片分析、R1的推理，寫出作圖方案。Gemini 2.0 pro 有200萬上下文，是目前所有大模型中，上下文最長的模型，非常適合輸出大量文本。

?
流程

競品圖片

用賣家精靈的主圖下載功能，把主圖下載，包括A+圖片。但是A+圖片太多，有的是大圖，有的是小圖，我沒有測試很多A+圖片。

?
階段1:視覺分析

用豆包視覺模型，分析一張圖片差不多10幾秒，一個ASIN的話，大概1分半。一開始還好，后面分析多了話，還是有點費時間的。

而且對于token的消耗也是很大，一張圖大概需要消耗6k以上的token。幾個ASIN下來，大幾萬的token就沒了。

一天下來，幾十萬token就沒了。好在現(xiàn)在有免費活動，不然還是有點費錢的。

由于太費token了，所以后面在這里加了一個檢查機制。如果本地已經(jīng)存在了分析結果，就跳過分析過程，這對于后期調(diào)提示詞還是節(jié)省了不少時間。

?
階段2:特征處理

這個階段需要把視覺分析的結果，提取特征，方便分析。不然一個ASIN的視覺分析結果，差不多有一千字，產(chǎn)品多的話，直接全給大模型的話，容易受到上下文限制。

特征處理中，我比較熟悉的是TF-IDF和Kmeans聚類，畢竟之前用過這一套處理關鍵詞。

我又讓AI多給了LDA的主題分析和詞頻統(tǒng)計。整體感覺，特征處理的部分的效果一般。

因為Cursor中也有上下文限制，全讓Claude改代碼的話，超過1000行就有點吃力了。目前這一整套代碼，差不多有2000行。

我還測試了AI embedding模型進行向量化，但是讓模型Input視覺分析的結果總是出bug，所以就先不折騰了。

?
階段3:Deepseek R1推理

拿到視覺模型的分析結果，和特征提取后，把這些內(nèi)容都給R1去推理。

R1 模型強在推理，在寫文案和上下文上，就很一般了。所以，這里只讓R1進行推理。

?
階段4:Gemini生成方案

Gemini的上下文很長，所以我把上面收集的所有內(nèi)容，全給gemini，包括視覺模型的分析界，特征處理，Deepseek R1的推理結果。

為了保證文案質量，使用目前Google最強的Gemini 2.0 pro 生成文案。
?

?
效果

這是視覺分析的結果，默認輸出json格式，再把它轉成csv格式，方便橫向對比競品圖。

?
這是特征詞分析，感覺一言難盡。。。

?
這是Deepseek的推理報告。確實需要先用推理模型過一下，直接生成的話，分析不了這么全面。

?
這是Gemini最終生成的作圖方案。采用了總-分的結構，先寫出了整體的設計策略，又細致的把每張圖的計劃寫出來。

?
從效果來說，大大節(jié)省了運營分析圖片的時間。對于運營的話，是絕無可能分析的這么細致。就一個視覺分析，就節(jié)省了足夠多的人工時間，更不用說，還有和美工的溝通成本。

優(yōu)化

其實有很多細節(jié)都可以優(yōu)化，但是我覺得已經(jīng)是1+1<2，提升可能不會很大，因為已經(jīng)做到了70分，可以節(jié)省了足夠多的人工。

我覺得可以優(yōu)化的地方：

1.視覺模型可以用阿里千問最新的模型，感覺會強一點，缺點是免費額度少。

2.特征處理可以再優(yōu)化，TF—IDF對語義識別沒有AI embedding模型強。

3.語言模型的提示詞可以再優(yōu)化。跑通邏輯，我就花了很多時間，所以在調(diào)提示詞上，時間就少了。

?
總結

再簡單回顧下整個流程，先是下載多個競品圖片，然后給視覺模型分析。再提取特征，給Deepseek推理。最后綜合所有內(nèi)容，讓Gemini寫出方案。

沒有AI coding，沒有Cursor，我是不可能完成到這個程度的。使用過程中，Claude很強，但Cursor在改超過1000行代碼的時候，經(jīng)常出bug卡頓。

AI在寫代碼的時候，會寫很多冗余。因為他會把所有情況考慮到，都做好備用方案。但是無形中，增加了代碼量，不好理解。

AI半自動輔助工作，一定會存在很長時間的。與其說AGI，不如說Agent AI。在相當長的時間內(nèi)，這一定會是主旋律。

最后，代碼還是不會分享，因為這只會吸引更多的人來問我怎么安裝。。。

對于本次測試的文件，還是放到飛書文檔，找我領取。

另外，感興趣的朋友，可以把圖片或ASIN發(fā)給我，我來幫你測試效果。