亚马逊卖家 AI Agent 落地实操全图：桌面智能体上手、Skill 封装、75 字符新规下的 Listing 生成、知识产权初筛与人审上新流水线（2026 年 10 月版）

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

一句话结论：AI 在跨境电商里真正起作用，靠的是把一件件重复的业务动作封装成 Skill（给智能体看的作业说明书），交给 Agent 去执行，人退到审核位上。只会跟 AI 聊天，业务不会有变化。

几个关键信息先放这里：① 麦肯锡 2025 年的全球调查里，88% 的组织已经在用 AI，但只有 39% 说在企业层面看到了利润影响，差距就出在"有没有进流程"；② 亚马逊自 2026 年 7 月 27 日起把绝大多数类目的标题压到 75 字符，并新增 125 字符的 Item Highlights 字段，文案的写法必须跟着换；③ 知识产权排查可以用 AI 做初筛，思路是"第三方工具找线索，官方数据库做核验"，但结论不能替代律师意见；④ 亚马逊从 2026 年 3 月 4 日起对访问其服务的自动化程序和 AI Agent 有专门的政策约束，让智能体直接点卖家后台之前要先想清楚；⑤ 在国内做这件事，优先考虑能直接访问的国产智能体和模型，境外模型使用需遵守国内网络与内容管理相关规定。

这篇文章我会按"概念讲清、工具上手、封装方法、两个实战、串成流水线、合规清单"的顺序写，代码块、表格和流程图都配齐了，新手可以照着搭。

全文比较长。赶时间的朋友可以先走下面这条最短路线，五分钟就能知道自己该从哪动手：

想看完整拆解，往下翻。

一、先校准预期：装了工具，不等于业务用上了 AI

我身边做跨境的朋友，现在几乎找不到一个没用过 AI 的。写邮件、翻译、问个政策，随手就开。可要是追问一句"你们公司哪一条业务线是 AI 在跑、人只负责审核"，大多数人会愣一下，然后说"好像还没有"。

这个现象有公开数据可以对照。麦肯锡在 2025 年底发布的全球 AI 现状调查，样本接近两千名受访者，覆盖一百多个国家和地区，里面有几组数字我觉得每个老板都应该看一眼：

同一份报告还有个结论：表现最好的那一小撮公司，明显更愿意重新设计工作流程，并且由高层直接负责推进。这和我自己的体感完全吻合。

1.1 聊天式用法和流程式用法，差在哪

我把 AI 的用法粗分成两种。一种是"聊天式"，人有问题就去问，拿到回答自己再加工；另一种是"流程式"，一件事的输入、步骤、检查标准都提前写好，AI 按着走，产出直接进入下一个环节。两种用法看着都叫"用 AI"，结果差得很远。

最后一行是我特别想强调的。指望公司里每个人都变成提示词高手，这条路我见过不少团队走，基本走不通。更现实的做法是：一两个懂业务又愿意折腾的人把流程封装好，其他同事面对的只是一个"填表、等结果、点通过或打回"的界面。

1.2 三个自测问题

判断一件事算不算"进了流程"，我自己用三个问题来卡：

• 输入给进去之后，结果是不是直接能用，中间不需要人来回复制粘贴？
• 换一个同事来触发，出来的东西是不是差不多？
• 结果有问题时，能不能查到是哪一步、依据的是哪份数据？

三个都答"是"，这件事才算真的交给 AI 了。答不上来也别急，后面几章就是在解决这三个问题。

1.3 从哪件事下手

挑第一件事的标准，我的经验是三个词：高频、规则说得清、错了兜得住。下面这张表是我对亚马逊运营常见工作的判断，仅代表个人看法，不同团队情况不一样。

我的建议是从前两行开始。它们有个共同点：产出是"稿子"，不是"动作"，就算 AI 写偏了，损失也只是一次返工。

二、把几个容易混的词掰开讲：模型、Agent、Skill、MCP、工作流、RPA

刚接触这一块的朋友，最头疼的往往是名词。我第一次看到 Harness、MCP、CLI 这些词堆在一起的时候也是懵的。这一章不讲深，只讲到"能听懂别人在说什么、知道自己该选什么"为止。

2.1 一张表看懂这些名词

补充两个背景。MCP 是 Anthropic 在 2024 年底开源的协议，2025 年底已经交由 Linux 基金会旗下的机构托管，现在主流智能体基本都支持。Skill 这种"文件夹加说明书"的形式也已经成了事实上的通用做法，同一个 Skill 稍作调整，就能在不同厂商的智能体之间迁移。这一点对我们很重要：流程资产沉淀在自己手里，不被某一家工具绑死。

2.2 它们之间是怎么配合的

flowchart LR
    A[人：给目标 做审核] --> B[Agent：模型加执行循环]
    B --> C[Skill：作业说明书]
    C --> D{需要外部数据或操作吗}
    D -->|需要| E[MCP 或 CLI 或 API]
    E --> F[关键词工具 多维表格 官方数据库 平台接口]
    D -->|不需要| G[直接生成结果]
    F --> G
    G --> H[回写到表格或文件夹]
    H --> A

读这张图抓住一点就够了：人只出现在两头，一头给目标，一头做审核。中间那一长串，才是要交给机器的部分。

2.3 Agent、工作流、RPA 到底怎么选

业内有一种说法，认为有了 Agent，工作流和 RPA 就该进博物馆了。我不太同意。三者解决的问题不一样，我的选择标准如下：

最后一行是我现在最常用的搭法。比如统计字符数、去重、过滤品牌词，这些事让脚本做，又快又不出错；判断"这个词和我的产品相不相关"，再交给模型。把确定的事和不确定的事分开，整个流程的稳定性会好一大截。

2.4 为什么 Skill 这种形式好用

Skill 有个设计很聪明，叫按需加载。智能体启动时只读每个 Skill 的名称和一句描述，用到了才把完整说明书读进来。按 OpenAI 官方文档的说法，这份"目录"占用的上下文有上限（大约是窗口的 2%，或 8000 字符）。带来的好处是，你装几十个 Skill，也不会把模型的"脑容量"挤爆。

对应的坑也在这里：那一句描述写得含糊，智能体就不知道什么时候该用它。这一点第四章会细讲。

三、桌面智能体怎么选、怎么上手

概念清楚了，接下来是动手。这一章我分四块讲：选哪个、上手要先懂什么、钱是怎么花的、让它操作浏览器之前要注意什么。

3.1 选型：先看能不能合规、稳定地用

先把市面上常被提到的几款摆出来。产品迭代很快，下表是写稿时我能核实到的公开信息，细节请以各家官网为准。

这里必须说一段合规提示。OpenAI 和 Anthropic 的服务目前都没有面向中国大陆地区开放，境外模型使用需遵守国内网络与内容管理相关规定。本文提到它们，只是从功能和设计思路上做科普，不讨论、也不提供任何访问和支付方面的做法。主体和团队都在境内的朋友，我的建议很直接：从国产智能体起步。

业内有一种说法，认为国产工具能力差一截，不值得花时间。就我自己的使用感受，写文案、整理数据、调接口、读网页这类任务，国产主流模型已经够用了，差距主要体现在连续跑几个小时的超长任务和复杂工程代码上。而运营日常的活，绝大多数都属于前一类。再加上 Skill 本身可以迁移，今天在国产智能体上搭好的流程，将来换工具，成本也不高。

选型时我看这四点，按重要性排序：

• 能不能稳定、合规地长期使用，这是前提
• 支不支持 Skill 和 MCP，这决定流程资产能不能沉淀
• 能不能读写本地文件夹、能不能跑定时任务
• 和你们团队现在用的办公软件（飞书、钉钉、企业微信）接得顺不顺

3.2 上手前先搞懂的五件事

不管用哪一款，下面五件事的逻辑是通的。我以桌面端智能体的通用设计来讲，各家叫法略有不同。

第一，一件事建一个项目文件夹。 智能体会优先读当前文件夹里的资料，同一个项目下的对话共享背景。把铺货项目和精品项目混在一个文件夹里，它给出的建议就会串味。我的习惯是按业务线建文件夹，素材、报表、产出都放进去，要用的时候让它"扫描一下当前目录"就行。

第二，权限分三档，新手别一上来就全开。

网上有人主张"开工就全开，省事"。我吃过亏：一次让它整理文件夹，它顺手把我认为有用的几个旧文件归并掉了。从那以后，我只在新建的、隔离的项目里开最高权限，项目成型后就收回到中间档。

第三，上下文是有限的，学会"引用"而不是把所有话堆在一个对话里。 一个对话聊得越长，每一轮要带上的历史就越多，到头了早期内容会被压缩甚至丢掉。我的做法是：调研类的内容放在一个对话里聊透，当成"资料库"；需要产出时另开对话，把那个对话或它生成的文件引用进来。这样原始资料不被污染，产出对话也保持干净。

第四，没想清楚就先开计划模式。 多数智能体都有"只讨论不动手"的模式，它会先反问你几个问题，再给一份执行计划，你确认了才开工。需求模糊的时候用它，能省掉大量返工。反过来，输入资料齐全、目标明确的任务，直接让它执行到底就好。

第五，把重复的事挂到定时任务上。 比如每个工作日上班前，把前一天的广告数据拉出来，对比上周同期，写一份三百字的小结放到指定文件夹。这类"到点就做"的事交给定时任务，人只看结论。

另外提醒一句，不少智能体有跨对话的"记忆"功能。同时做几个互不相关的项目时，我会把它关掉，免得甲项目的偏好跑到乙项目里去。

3.3 钱是怎么花出去的

很多人刚用智能体，额度掉得飞快，不明白为什么。原因在计费方式上。

token 可以粗略理解成"模型读写的字数单位"。每一轮对话，智能体会把之前的历史连同你的新消息一起发给模型，所以输入量是滚雪球式增长的，往往比输出量大得多。一轮的费用可以这样估算：

单轮费用 ≈ 新输入量 × 输入单价 + 缓存命中量 × 缓存单价 + 输出量 × 输出单价

其中"缓存命中"指的是和上一轮重复的那部分历史，价格要便宜很多。以 OpenAI 写稿时公布的点数价目表为例，同一个模型里，缓存输入的单价大约是普通输入的十分之一到二十分之一，输出单价大约是输入的五倍。知道了这个结构，省钱的办法也就出来了：

• 对话别拖太长，一件事做完就开新对话
• 大文件别反复整份贴进去，让它按需读取
• 需要判断力的环节（设计和修改 Skill、写文案）用强模型，机械执行的环节用轻量模型
• 接入的 MCP 服务别贪多，每个都会往上下文里塞工具说明

付费方式一般有两种：按月的套餐，和按量付费的接口。以 Codex 为例，写稿时官方页面列出的套餐从免费档、每月 8 美元的入门档、20 美元的标准档，到 100 美元起的专业档都有，套餐内用量受"五小时窗口加每周额度"双重限制；用接口密钥则是纯按量计费。国产智能体多数有免费档或积分制，门槛更低。

模型版本和价格变动非常快，上面是写稿时的近似情况，仅用来说明计费结构，请以各家官方定价页面的实时数据为准。

也有人主张走第三方转售的接口，说是更便宜。我不建议这么做。你的产品资料、关键词库、经营数据都要经过别人的服务器，账号归属也不清楚，省下的那点费用抵不过风险。账号和支付只走官方支持的渠道，这是我的底线。

3.4 让智能体操作浏览器和后台之前，先看平台规则

现在的桌面智能体大多能操作浏览器，有的还能操作电脑上的其他软件。演示效果很震撼，但用在卖家后台上，我的态度比较保守，原因有两个。

一是平台规则。亚马逊更新后的《业务解决方案协议》自 2026 年 3 月 4 日起新增了针对 Agent 的政策，公开报道提到的核心要求有三条：访问亚马逊服务的自动化程序和 AI 智能体要始终表明自己的自动化身份，要遵守相关政策，并且在亚马逊提出要求时立即停止访问。哪些自动化算"Agent"，边界目前还比较模糊。在边界没有清晰之前，让智能体模拟人去点后台页面，是在拿账号做试验。

二是出错成本。写文案写错了可以重写，改价、发货、调广告预算点错了，损失是实打实的。

所以我给自己定的规矩是这样的：

官方接口这条路其实比很多人以为的要宽。亚马逊的销售伙伴接口（SP-API）对"只给自己店铺用"的自研应用一直是不收费的；此前宣布的面向第三方开发者的年费和调用费方案，也在 2026 年上半年宣布暂不推行