[关闭]
@hhlf282 2026-03-20T01:03:58.000000Z 字数 7218 阅读 23

养虾教程 - 详细执行步骤

目标: 详细解释每个阶段的具体执行步骤
版本: 1.0
创建时间: 2026-03-19

Phase 1: 基础认知期 (1-2 周)

目标

让 AI 理解 Daraz 平台规则和选品逻辑，能够回答基础问题，给出简单选品建议。

第 1-3 天：平台规则学习

任务 1.1: 收集平台规则文档

负责人: 运营专员
交付物: 《Daraz 平台规则手册》

执行步骤:

  1. Step 1: 访问 Daraz 官方资源
  2. ├─ Daraz 大学：http://university.daraz.pk/
  3. ├─ 卖家中心：https://seller.daraz.com.my/
  4. └─ 帮助中心：https://buyer-helpcenter.daraz.pk/
  6. Step 2: 收集以下文档
  7. ├─ 禁售/限售商品列表
  8. ├─ 各类目佣金费率表
  9. ├─ 物流时效要求
  10. ├─ 卖家评分规则
  11. ├─ 退换货政策
  12. └─ 违规处罚规则
  14. Step 3: 整理成文档
  15. ├─ 使用 Markdown 格式
  16. ├─ 按主题分类
  17. ├─ 标注重点内容
  18. └─ 保存至：docs/platform-rules.md

文档结构示例:

  1. # Daraz 平台规则手册
  3. ## 1. 禁售商品
  4. ### 1.1 绝对禁售
  5. - 武器、弹药
  6. - 毒品、违禁药品
  7. - 仿牌商品
  8. - 成人用品
  10. ### 1.2 限制销售
  11. - 食品（需卫生许可）
  12. - 化妆品（需 FDA 认证）
  13. - 电子产品（需 CE 认证）
  15. ## 2. 佣金费率
  16. | 类目 | 佣金率 | 备注 |
  17. |------|--------|------|
  18. | 服装 | 8% | - |
  19. | 电子 | 5% | - |
  20. | 家居 | 10% | - |
  21. ...

任务 1.2: 整理历史选品案例

负责人: 运营主管
交付物: 50 个成功/失败案例

执行步骤:

  1. Step 1: 从内部系统导出历史数据
  2. ├─ 成功产品列表 (月销>100 单)
  3. ├─ 失败产品列表 (月销<50 单或下架)
  4. └─ 产品评估记录
  6. Step 2: 选择典型案例
  7. ├─ 成功案例：30 个
  8. │   ├─ 不同类目分布
  9. │   ├─ 不同价格区间
  10. │   └─ 不同时间段
  11. ├─ 失败案例：20 个
  12. │   ├─ 不同失败原因
  13. │   ├─ 不同风险类型
  14. │   └─ 不同时间段
  16. Step 3: 按标注规范整理
  17. ├─ 使用数据标注模板
  18. ├─ 填写成功/失败因素
  19. ├─ 填写经验教训
  20. └─ 保存至：data/labeled-cases/

案例选择标准:

类型 标准 数量
成功案例 月销>100 单，毛利率>25% 30
失败案例 - 竞争 竞争过度导致失败 8
失败案例 - 供应链 断货/质量问题 6
失败案例 - 政策 违规下架 4
失败案例 - 其他 其他原因 2

任务 1.3: 构建 AI 知识库

负责人: 程序员
交付物: 向量数据库 + 知识图谱

执行步骤:

  1. Step 1: 准备知识文档
  2. ├─ 平台规则文档 (任务 1.1)
  3. ├─ 历史案例文档 (任务 1.2)
  4. ├─ 选品 SOP 文档
  5. └─ 常见问题 FAQ
  7. Step 2: 文档预处理
  8. ├─ 文本分块 (每块 500-1000 字)
  9. ├─ 去除无关内容
  10. ├─ 添加元数据 (来源、日期、类型)
  11. └─ 保存为 JSONL 格式
  13. Step 3: 向量化
  14. ├─ 选择嵌入模型 (text-embedding-3-large)
  15. ├─ 批量生成向量
  16. └─ 存入向量数据库 (Pinecone/Milvus)
  18. Step 4: 测试检索
  19. ├─ 准备测试问题 (20 个)
  20. ├─ 测试检索准确率
  21. └─ 优化分块策略

代码示例:

  1. # 文档向量化
  2. from langchain.text_splitter import RecursiveCharacterTextSplitter
  3. from langchain.embeddings import OpenAIEmbeddings
  4. from langchain.vectorstores import Pinecone
  6. # 1. 加载文档
  7. with open('docs/platform-rules.md', 'r') as f:
  8.     content = f.read()
  10. # 2. 文本分块
  11. text_splitter = RecursiveCharacterTextSplitter(
  12.     chunk_size=800,
  13.     chunk_overlap=100,
  14.     separators=["\n\n", "\n", "。", ""]
  15. )
  16. chunks = text_splitter.split_text(content)
  18. # 3. 生成向量
  19. embeddings = OpenAIEmbeddings(model='text-embedding-3-large')
  20. vectors = embeddings.embed_documents(chunks)
  22. # 4. 存入向量数据库
  23. vectorstore = Pinecone.from_documents(
  24.     documents=[Document(page_content=c) for c in chunks],
  25.     embedding=embeddings,
  26.     index_name='daraz-knowledge'
  27. )
  29. # 5. 测试检索
  30. query = "Daraz 禁售商品有哪些？"
  31. results = vectorstore.similarity_search(query, k=3)
  32. print(results[0].page_content)

第 4-7 天：基础数据爬取

任务 1.4: Daraz 数据爬取

负责人: 程序员
交付物: 1000 SKU 商品数据

执行步骤:

  1. Step 1: 部署爬虫环境
  2. ├─ 安装 Scrapy: pip install scrapy
  3. ├─ 配置代理 IP
  4. ├─ 设置数据库连接
  5. └─ 测试爬虫运行
  7. Step 2: 爬取 TOP 10 类目
  8. ├─ Fashion (服装)
  9. ├─ Electronics (电子)
  10. ├─ Home & Living (家居)
  11. ├─ Health & Beauty (美妆)
  12. ├─ Baby & Toys (母婴)
  13. ├─ Sports & Outdoors (运动)
  14. ├─ Food & Beverages (食品)
  15. ├─ Pet Supplies (宠物)
  16. ├─ Automotive (汽配)
  17. └─ Books & Media (图书)
  19. Step 3: 每个类目爬取 100 个商品
  20. ├─ 商品标题
  21. ├─ 价格信息
  22. ├─ 销量数据
  23. ├─ 评价信息
  24. ├─ 卖家信息
  25. └─ 商品图片
  27. Step 4: 数据清洗入库
  28. ├─ 去重
  29. ├─ 格式化
  30. ├─ 验证完整性
  31. └─ 存入数据库

爬取进度追踪:

  1. -- 查看爬取进度
  2. SELECT 
  3.     category_name,
  4.     COUNT(*) as product_count,
  5.     MIN(crawl_time) as first_crawl,
  6.     MAX(crawl_time) as last_crawl
  7. FROM products
  8. GROUP BY category_name
  9. ORDER BY product_count DESC;

任务 1.5: 1688 供应链数据对接

负责人: 程序员
交付物: 1688 API 对接完成

执行步骤:

  1. Step 1: 申请 1688 API 账号
  2. ├─ 访问：https://open.1688.com/
  3. ├─ 注册开发者账号
  4. ├─ 创建应用获取 AppKey
  5. └─ 等待审核 (1-2 工作日)
  7. Step 2: 开发对接代码
  8. ├─ 商品搜索 API
  9. ├─ 商品详情 API
  10. ├─ 供应商信息 API
  11. └─ 价格库存 API
  13. Step 3: 测试 API 调用
  14. ├─ 搜索测试商品
  15. ├─ 获取商品详情
  16. ├─ 验证数据准确性
  17. └─ 处理限流问题
  19. Step 4: 建立商品匹配
  20. ├─ 基于标题相似度
  21. ├─ 基于图片相似度
  22. ├─ 人工审核匹配结果
  23. └─ 存入 product_sources 表

代码示例:

  1. # 1688 API 调用示例
  2. import requests
  4. def search_1688(keywords, page=1):
  5.     """
  6.     搜索 1688 商品
  7.     """
  8.     url = "https://open.1688.com/api/search"
  9.     params = {
  10.         "app_key": "your_app_key",
  11.         "q": keywords,
  12.         "page": page,
  13.         "page_size": 20
  14.     }
  16.     response = requests.get(url, params=params)
  17.     data = response.json()
  19.     return data['items']
  21. # 测试
  22. items = search_1688("无线蓝牙耳机")
  23. for item in items:
  24.     print(f"{item['title']}: {item['price']} RMB")

第 8-10 天：AI 基础训练

任务 1.6: AI 问答能力训练

负责人: 程序员 + AI 训练师
交付物: AI 能准确回答平台规则问题

执行步骤:

  1. Step 1: 准备训练数据
  2. ├─ 平台规则问答对 (100 对)
  3. ├─ 选品流程问答对 (50 对)
  4. ├─ 禁售商品判断 (50 对)
  5. └─ 佣金计算问答 (50 对)
  7. Step 2: 配置 RAG 系统
  8. ├─ 连接向量数据库
  9. ├─ 配置检索参数
  10. ├─ 设置 prompt 模板
  11. └─ 测试检索效果
  13. Step 3: 测试问答准确率
  14. ├─ 准备测试问题 (50 个)
  15. ├─ 人工评估答案准确性
  16. ├─ 记录错误类型
  17. └─ 优化检索策略
  19. Step 4: 达到验收标准
  20. ├─ 规则问题准确率 >90%
  21. ├─ 禁售判断准确率 >95%
  22. ├─ 佣金计算准确率 >95%
  23. └─ 运营评分 >7/10

测试问题示例:

  1. 1. Daraz 禁售商品有哪些类别？
  2. 2. 服装类目的佣金费率是多少？
  3. 3. 食品类商品需要什么认证？
  4. 4. 卖家评分低于多少会被处罚？
  5. 5. 退换货政策是怎样的？
  6. 6. 这个产品能卖吗？[提供商品描述]
  7. 7. 售价 2000 LKR 的商品，佣金是多少？

第 11-14 天：简单选品测试

任务 1.7: 简单选品建议测试

负责人: 运营 + AI
交付物: 选品建议准确率>80%

执行步骤:

  1. Step 1: 准备测试商品池
  2. ├─ 从爬取数据中选择 100 个商品
  3. ├─ 覆盖不同类目
  4. ├─ 覆盖不同价格区间
  5. └─ 隐藏实际销售数据
  7. Step 2: AI 给出选品建议
  8. ├─ 输入商品信息
  9. ├─ AI 评估并打分
  10. ├─ 给出推荐/不推荐建议
  11. └─ 记录推荐理由
  13. Step 3: 运营人工评估
  14. ├─ 运营独立评估同样商品
  15. ├─ 给出推荐/不推荐建议
  16. └─ 记录推荐理由
  18. Step 4: 对比准确率
  19. ├─ 计算 AI 与运营一致性
  20. ├─ 分析分歧原因
  21. ├─ 优化评估逻辑
  22. └─ 达到>80% 一致性

验收标准:

指标 目标值 测量方式
推荐一致性
80%
AI 推荐 vs 运营推荐
禁售识别率
95%
禁售商品识别测试
规则问答准确率
90%
50 个规则问题测试
运营满意度
7/10
运营主观评分

Phase 2: 数据积累期 (3-4 周)

目标

建立数据驱动的选品模型，AI 能够预测销量、利润，给出量化评估。

第 15-21 天：历史数据导入

任务 2.1: 销售数据导入

负责人: 程序员
交付物: 1 年历史销售数据

执行步骤:

  1. Step 1: 从内部系统导出数据
  2. ├─ 销售订单表
  3. ├─ 商品主数据
  4. ├─ 库存表
  5. └─ 采购成本表
  7. Step 2: 数据清洗
  8. ├─ 处理缺失值
  9. ├─ 处理异常值
  10. ├─ 统一数据格式
  11. └─ 去重
  13. Step 3: 数据转换
  14. ├─ 计算月销量
  15. ├─ 计算毛利率
  16. ├─ 计算 ROI
  17. └─ 生成时间序列
  19. Step 4: 导入数据库
  20. ├─ 批量插入
  21. ├─ 验证数据完整性
  22. ├─ 建立索引
  23. └─ 备份

数据量目标:
- 销售订单：>10,000 条
- 商品数量：>1,000 个
- 时间跨度：>12 个月

任务 2.2: 竞品数据爬取

负责人: 程序员
交付物: 竞品监控数据库

执行步骤:

  1. Step 1: 确定监控对象
  2. ├─ TOP 卖家 (50 个)
  3. ├─ TOP 商品 (200 个)
  4. └─ 重点类目 (10 个)
  6. Step 2: 配置定时爬取
  7. ├─ 每日爬取价格
  8. ├─ 每周爬取销量
  9. ├─ 每周爬取评价
  10. └─ 每月爬取卖家信息
  12. Step 3: 数据存储
  13. ├─ 价格历史表
  14. ├─ 销量历史表
  15. ├─ 评价历史表
  16. └─ 卖家信息表
  18. Step 4: 数据分析
  19. ├─ 价格趋势分析
  20. ├─ 销量趋势分析
  21. ├─ 竞争度计算
  22. └─ 头部集中度计算

第 22-35 天：模型训练

任务 2.3: 选品模型训练

负责人: 程序员 + AI 训练师
交付物: 选品评分模型 V1

执行步骤:

  1. Step 1: 特征工程
  2. ├─ 商品基础特征 (10 个)
  3. ├─ 市场特征 (10 个)
  4. ├─ 竞争特征 (5 个)
  5. ├─ 供应链特征 (5 个)
  6. ├─ 利润特征 (5 个)
  7. └─ 风险特征 (5 个)
  9. Step 2: 标签生成
  10. ├─ 销量标签 (实际月销量)
  11. ├─ 利润标签 (实际毛利率)
  12. ├─ 风险标签 (成功/失败)
  13. └─ 综合标签 (运营评分)
  15. Step 3: 模型训练
  16. ├─ 划分训练集/测试集 (8:2)
  17. ├─ 训练销量预测模型
  18. ├─ 训练利润预测模型
  19. ├─ 训练风险分类模型
  20. └─ 训练综合评分模型
  22. Step 4: 模型评估
  23. ├─ 销量预测 MAE <30
  24. ├─ 利润预测 MAE <15%
  25. ├─ 风险评估准确率 >85%
  26. └─ 综合评分相关性 >0.6
  28. Step 5: 模型部署
  29. ├─ 封装为 API
  30. ├─ 配置监控
  31. ├─ 压力测试
  32. └─ 上线运行

模型训练代码:

  1. # 销量预测模型训练
  2. from xgboost import XGBRegressor
  3. from sklearn.model_selection import train_test_split
  4. from sklearn.metrics import mean_absolute_error
  6. # 准备数据
  7. X = df[feature_cols]
  8. y = df['actual_monthly_sales']
  10. # 划分数据集
  11. X_train, X_test, y_train, y_test = train_test_split(
  12.     X, y, test_size=0.2, random_state=42
  13. )
  15. # 训练模型
  16. model = XGBRegressor(
  17.     n_estimators=500,
  18.     max_depth=6,
  19.     learning_rate=0.05,
  20.     subsample=0.8,
  21.     colsample_bytree=0.8
  22. )
  23. model.fit(X_train, y_train)
  25. # 评估
  26. y_pred = model.predict(X_test)
  27. mae = mean_absolute_error(y_test, y_pred)
  28. print(f"销量预测 MAE: {mae:.2f}")
  30. # 特征重要性
  31. importance = pd.DataFrame({
  32.     'feature': feature_cols,
  33.     'importance': model.feature_importances_
  34. }).sort_values('importance', ascending=False)
  35. print(importance.head(10))

任务 2.3: 人工标注反馈

负责人: 运营团队
交付物: 1000+ 标注样本

执行步骤:

  1. Step 1: 标注培训
  2. ├─ 学习标注规范
  3. ├─ 实操练习 (5 个案例)
  4. ├─ 主管审核反馈
  5. └─ 独立标注测试
  7. Step 2: 持续标注
  8. ├─ 每日标注 20 个案例
  9. ├─ 每周审核标注质量
  10. ├─ 修正错误标注
  11. └─ 累计 1000+ 样本
  13. Step 3: 模型迭代
  14. ├─ 每周用新标注数据训练
  15. ├─ 评估模型效果提升
  16. ├─ 记录改进点
  17. └─ 保存最佳模型
  19. Step 4: 质量监控
  20. ├─ 标注完整率 >95%
  21. ├─ 标注准确率 >90%
  22. ├─ 多人一致性 >95%
  23. └─ 定期抽检复核

Phase 2 验收标准

指标 目标值 测量方式
销量预测误差 <30% MAE/实际销量
利润预测误差 <15% MAE/实际毛利
风险评估准确率
85%
测试集准确率
选品推荐一致性
70%
AI vs 运营
标注样本量
1000
数据库统计

Phase 3: 实战优化期 (5-8 周)

目标

在实际业务中验证和迭代，AI 推荐选品成功率>60%。

第 36-50 天：真实选品测试

任务 3.1: AI 推荐选品测试

负责人: 运营 + AI
交付物: 20 个选品建议及跟踪

执行步骤:

  1. Step 1: AI 生成选品推荐
  2. ├─ 每日推荐 TOP 10 商品
  3. ├─ 包含评分和理由
  4. ├─ 运营审核
  5. └─ 选择 3-5 个执行
  7. Step 2: 采购执行
  8. ├─ 联系供应商
  9. ├─ 下单采购
  10. ├─ 质量检验
  11. └─ 入库上架
  13. Step 3: 运营推广
  14. ├─ 制定推广计划
  15. ├─ 投放广告
  16. ├─ 参与活动
  17. └─ 监控数据
  19. Step 4: 数据跟踪
  20. ├─ 每日销售数据
  21. ├─ 每周毛利数据
  22. ├─ 库存周转
  23. └─ 问题记录
  25. Step 5: 效果评估
  26. ├─ 月销量是否>100 单
  27. ├─ 毛利率是否>25%
  28. ├─ ROI 是否>2.0
  29. └─ 成功/失败标注

选品跟踪表:

商品 ID 推荐日期 AI 评分 采购日期 上架日期 当前月销 毛利率 状态
P001 2026-04-01 85 2026-04-05 2026-04-15 150 32% 成功
P002 2026-04-02 78 2026-04-06 2026-04-16 45 18% 失败
... ... ... ... ... ... ... ...

任务 3.2: 模型迭代优化

负责人: 程序员 + AI 训练师
交付物: 选品模型 V2/V3

执行步骤:

  1. Step 1: 收集反馈数据
  2. ├─ 实际销售数据
  3. ├─ 实际利润数据
  4. ├─ 运营反馈
  5. └─ 失败案例标注
  7. Step 2: 分析模型误差
  8. ├─ 预测 vs 实际对比
  9. ├─ 误差分布分析
  10. ├─ 系统性偏差识别
  11. └─ 特征重要性变化
  13. Step 3: 模型优化
  14. ├─ 调整特征权重
  15. ├─ 增加新特征
  16. ├─ 调整模型参数
  17. └─ 重新训练
  19. Step 4: A/B 测试
  20. ├─ 新旧模型并行运行
  21. ├─ 对比推荐效果
  22. ├─ 统计显著性检验
  23. └─ 决定上线版本
  25. Step 5: 模型上线
  26. ├─ 灰度发布 (10% 流量)
  27. ├─ 监控效果
  28. ├─ 全量发布
  29. └─ 持续监控

迭代周期:
- 每 2 周一次小迭代
- 每 4 周一次大迭代
- 记录每次改进内容

第 51-56 天：SOP 固化

任务 3.3: 运营 SOP 制定

负责人: 运营主管
交付物: 《AI 选品运营 SOP》

执行步骤:

  1. Step 1: 流程梳理
  2. ├─ AI 推荐流程
  3. ├─ 人工审核流程
  4. ├─ 采购执行流程
  5. ├─ 运营推广流程
  6. └─ 数据跟踪流程
  8. Step 2: 文档编写
  9. ├─ 每个流程详细步骤
  10. ├─ 负责人和时限
  11. ├─ 输入输出定义
  12. ├─ 质量检查点
  13. └─ 异常处理流程
  15. Step 3: 培训执行
  16. ├─ 全员培训
  17. ├─ 实操练习
  18. ├─ 考核认证
  19. └─ 上岗执行
  21. Step 4: 持续优化
  22. ├─ 每周回顾 SOP 执行
  23. ├─ 收集改进建议
  24. ├─ 更新 SOP 文档
  25. └─ 版本管理

SOP 文档结构:

  1. # AI 选品运营 SOP
  3. ## 1. AI 推荐流程
  4. ### 1.1 每日推荐
  5. - 时间：每日 9:00
  6. - 负责人：AI 系统
  7. - 输出：TOP 10 推荐列表
  9. ### 1.2 推荐审核
  10. - 时间：每日 10:00
  11. - 负责人：运营专员
  12. - 检查项：禁售、风险、供应链
  13. - 输出：审核通过列表
  15. ## 2. 采购执行流程
  16. ...
  18. ## 3. 运营推广流程
  19. ...
  21. ## 4. 数据跟踪流程
  22. ...
  24. ## 5. 异常处理流程
  25. ...

Phase 3 验收标准

指标 目标值 测量方式
AI 推荐选品成功率
60%
月销>100 单比例
AI 推荐平均毛利率
25%
财务数据
运营信任度
8/10
问卷调查
SOP 执行率
95%
流程检查
模型迭代次数
3 次
版本记录

总结：8 周养虾计划

阶段 时间 关键任务 交付物
Phase 1 1-2 周 规则学习、数据爬取、基础训练 规则手册、1000 SKU、知识库
Phase 2 3-4 周 数据导入、模型训练、标注反馈 销售数据库、选品模型 V1、1000+ 标注
Phase 3 5-8 周 实战测试、模型迭代、SOP 固化 20 个测试产品、模型 V3、运营 SOP

版本: 1.0
创建时间: 2026-03-19
维护者: 项目团队

添加新批注
在作者公开此批注前，只有你和作者可见。
回复批注