我把一款亚马逊商品的五点描述丢进一个 龙虾Skill，它自动迭代了 14 轮，从 54 分跑到了 98 分。我全程没有动过一个字。
下面说说怎么做到的。
第一步：用 NotebookLM 构建权威知识库
想让 AI 帮你优化 Bullet Points，先得给它喂足够好的知识。AI 按什么标准优化？这个标准从哪来？
我用 NotebookLM 专门建了一个笔记本，让它通过 Web Search 搜索并收录：
- • Amazon 官方卖家中心的 Listing 规范文档
- • Jungle Scout、Helium 10 等头部机构的 Bullet 优化指南
- • Amazon A10 算法解析报告
- • 亚马逊移动端截断规则与展示逻辑研究
把这些来源全部添加进去，NotebookLM 会自动分析索引，后续每个问题的答案都有原文支撑。
知识库质量决定了后续评分标准是否可靠。这一步不能省。
第二步：让 Claude Code 向 NotebookLM 学习，蒸馏出评分标准
知识库建好，下一步是让 Claude Code 连接 NotebookLM，逐一提问：
- • 五点描述字符数限制是多少？哪些词属于禁用词？
- • 怎么把产品功能转化为买家利益？如何通过"那又怎样"测试？
- • 关键词如何在标题和 Bullets 之间分配，避免重复浪费？
- • 移动端截断后，每条 Bullet 的前段应该包含什么？
- • 什么样的表达能建立信任感，和竞品形成明显区分？
Claude Code 并行向 NotebookLM 提出这些问题，把分散在各份资料里的知识系统化。
通过这轮学习，Claude Code 从知识库里蒸馏出了一套量化评分标准，5 个维度，满分 100 分：
| 维度 | 分值 | 说明 |
|---|---|---|
| compliance | 0-20 | 技术合规：字符数 ≤200、格式、无禁用词 |
| mobile_hook | 0-20 | 移动端钩子：前 80 字符含品牌名 + 核心词 + 差异化卖点 |
| keyword_quality | 0-20 | 关键词：精准覆盖品类与使用场景、自然不堆砌 |
| clarity | 0-20 | 清晰度：买家 3 秒内看懂这是什么产品 |
| click_intent | 0-20 | 买家模拟：在手机搜索结果里，这条让你想点击吗？ |
关键点：有了量化标准，才能让 AI 判断每次改动是进步还是退步。 没有这一步，后面的自动迭代就无从运行。
第三步：运行 Auto Research Skill，开始迭代
有了评分标准，就可以让龙虾开发并把它封装进 Skill。我把它封装进/lhx-amazon-bullets skill，具体运行逻辑：
- 1. 抓取 Amazon 页面，对当前 Bullets 按 5 个维度打分（Haiku 负责——快、省）
- 2. 找出得分最低的维度
- 3. 针对这个维度改进一条 Bullet（Sonnet 负责——准、深）
- 4. 重新打分
- 5. 比原来好 → 保留；比原来差 → 自动回滚
- 6. 进入下一轮
每轮只改一条最弱的 Bullet，其余四条不动。每次改动都可追溯。
下面实际验证一下：
第一轮：2 次迭代，54 分 → 84 分
用一款正在售卖的冰淇淋机做测试。输入 ASIN，初始评分 54 分。主要问题：多条 Bullet 超过 255 字符、末尾有句号、关键词覆盖不足。
跑 2 轮迭代：
54 → 84，+30 分，不到 5 分钟。
继续。
第二轮：12 次迭代，冲到 98 分
设置 12 轮，启动，去泡茶。
回来的时候，屏幕上是完整的迭代记录：
- • 第 1 轮：+6 ✅
- • 第 2 轮：+9 ✅
- • 第 3 轮：+7 ✅
- • 第 4 轮：+2 ✅
- • 第 5 轮：-7 ↩️ 回滚
- • 第 6 轮：-5 ↩️ 回滚
- • ……
最终：98 分。全程人工介入零次。
这件事的本质
传统优化靠经验 + 耐心：有经验的运营盯着屏幕改，改到自己麻木，而且根本不知道方向对不对。
这套方法做了两件事：
- • 把"感觉好不好"变成了数字——有了量化标准，每次改动都能判断是进步还是退步
- • 把"人工坚持迭代"交给了机器——不会疲倦、不会妥协，失败自动回滚，只有真正变好的改动才会被保留
这个框架不只适用于五点描述。任何可以量化打分的内容——标题、广告 Copy、产品详情页——都可以套用。
直接用
两个 Skill 已开源在 GitHub：
👉 github.com/hongxing121/lhx-skills
- •
/lhx-amazon-bullets— 五点描述自动迭代优化（本文演示） - •
/lhx-amazon-title— 标题自动迭代优化
使用前提：需要先安装 Claude Code。
