9.10 直播纪要：从十分同学的案例，聊 AI 怎么落到广告优化里

直播时间：2026 年 9 月 10 日晚｜时长约 1 小时 15 分钟｜整理说明：根据文字记录轻度整理，保留原意，只做必要精炼和段落化处理。

之前在公众号里分享过十分同学的案例。这次请他来直播连麦，接着聊聊他在实际工作中，怎么把 AI 用到广告优化和日常运营里。

点击回顾：十分同学之前的案例文章

这一期直播的主线比较清楚：十分同学分享了自己在铺货公司里，把 Codex、GPT、领星 MCP 和广告优化结合起来的实操经验。后半段也顺着这个案例，进一步聊到了广告优化规则、四象限框架，以及为什么 AI 落地不一定要一开始就做得很复杂。

关键词：AI 广告优化、领星 MCP、Codex、否词规则、预算调整、搜索词报告、排名监控、用户画像、Listing 优化、广告四象限、划线价。

本场直播的核心结论

1. AI 落地不要一上来追求“大而全”。先把否词、预算、优质词提取这些明确规则跑通，反而更容易看到效果。

2. 铺货场景里，AI 最适合处理重复动作。比如批量改 Listing、检查品牌词风险、整理搜索词、自动否定无效词、输出需要关注的投放对象。

3. 广告优化可以先从两类词切入。一类是点击多、不出单的浪费词；一类是点击少、转化高的潜力词。

4. Codex + 领星 MCP 可以读数据、按规则分析、执行部分修改。比如否词、调预算、降竞价、输出 HTML 表格或日报，但新建广告活动目前还要结合具体工具能力判断。

5. 排名监控也可以拆成一个独立插件。用 ASIN、关键词、邮编做批量查询，再把结果交给 Codex 汇总，适合链接多、关键词多的铺货团队。

6. 广告不是万能的，最后还是要回到产品和 Listing。广告最多帮你把词越跑越精准，但转化率的底层还是产品、图片、视频、文案和用户画像。

7. 学习体系之后，更重要的是拿到工作里不断验证。十分同学的案例不是“听完就会”，而是把体系课、公司业务和自己的动手能力结合起来，慢慢跑出结果。

直播背景：一次偏实操的连麦分享

本次直播主要是和十分同学连麦。十分是第二期训练营的学员，后面进入一家铺货公司，目前主要做汽配相关产品。直播里提到，他现在已经开始带助理，日常工作里广告活动和投放词数量都比较多，所以对自动化、规则化和 AI 提效的需求非常明显。

他分享的内容并不是特别“宏大”的 AI 中控台，而是从实际工作里一个个具体问题拆出来：上链接、改 Listing、处理品牌词风险、搜索词否定、预算调整、排名监控、用户画像分析等。也正因为这样，这次分享听起来比较接地气。

这场直播最大的价值，不在于展示一个多复杂的系统，而在于说明：AI 真正有用的地方，往往是先帮我们把重复动作跑顺。

要点一：AI 先从上链接和品牌词风险处理开始

十分同学提到，他们是偏铺货的业务，日常需要大量上链接。标题、五点、图片、Listing 文案这些工作，都可以让 GPT 或 Codex 辅助完成。

在上链接过程中，比较常见的问题是品牌词或型号词的风险。比如某些配件类产品，过去习惯在文案里写品牌名，或者用 compatible for 之类的表达，但现在上传后可能会被识别为风险，链接显示冻结。

他的做法是让 AI 批量生成不同版本，尝试保留必要型号信息，去掉可能触发风险的品牌词或敏感表达，再上传测试。这样不需要运营一个个手动改，尤其适合链接多、测试量大的铺货场景。

AI 在这里不是替你判断合规边界，而是帮你更快生成和测试不同表达。

要点二：领星 MCP 可以把广告优化动作接起来

直播里重点聊到了领星 MCP。十分同学提到，领星后台有 AI 助手和 MCP 入口，付费用户可以接入。接上之后，Codex 可以读取店铺数据，并按你写好的规则做分析和部分执行。

对铺货团队来说，每天新链接多、广告活动多、投放词多，前期会跑出很多无效搜索词。如果完全手动看搜索词报告，会浪费大量时间，也很容易漏掉该否的词。

所以他的规则主要围绕两个方向：一是把明显不相关、点击多不出单的词否掉；二是把表现好的词提取出来，提醒运营重点关注，后续可以单独建活动、加预算或提高 bid。

当广告活动和投放词数量很大时，AI 的价值不是“替你神机妙算”，而是按规则帮你把该看的东西先筛出来。

要点三：否词规则可以先做得很简单

十分同学举了一个很具体的例子：他们的产品带车型，买家搜索里会出现很多配件词。有些配件词流量很大，但和实际产品不相关，亚马逊自动广告或广泛匹配很容易把这些词匹配进来。

如果链接数量多，靠人工一个个否定并不现实。于是就可以写规则：只要搜索词里出现某些明确的不相关配件词，就一律否定，不管后面接了什么长尾词。

另外，他也会按点击和订单设置规则。比如某个投放词超过 15 个或 20 个点击仍然不出单，就进入否词或降权的观察范围；如果一个词点击少但已经出单，或者单词达到两单以上，就作为值得关注的词提取出来。

广告优化的第一步，不一定是搭一个复杂系统，而是把“明显该否的词”和“明显值得关注的词”先抓出来。

要点四：销量和利润下滑，也可以拆成分析任务

除了搜索词否定，十分同学还提到，他会把“销量下滑”和“利润下滑”拆成两个不同的分析任务。

比如销量下滑时，AI 要调用哪些数据；利润下滑时，AI 又应该从哪些维度分析。跑完之后，系统可以形成一个简单的 HTML 表格，告诉运营今天哪些地方需要手动关注。

这里面可能涉及广告花费、投放词表现、近期差评、配送时效等因素。对于店铺数据很多的团队来说，这种日报不一定要写得很长，关键是把需要处理的对象列出来。

AI 报告不怕不够华丽，怕的是太长、太杂，最后运营自己也不看。

要点五：排名监控插件，适合从自己的动作里拆出来

直播里还有一个比较有意思的点：十分同学让 Codex 帮自己写了一个排名监控插件。

这个插件的思路并不复杂：输入 ASIN、关键词和邮编，通过浏览器无痕模式去搜索，抓取前三页排名。为了减少单一邮编带来的偏差，他后面加了美西、美中、美东三个邮编，相互对照。

它本质上是把过去人工查排名的动作自动化：打开无痕窗口、切换邮编、搜索关键词、记录结果。脚本跑完后，再把结果交给 Codex 汇总，分析哪些词排名掉了、哪些词需要关注。

他提到，如果监控 600 多个词，大概需要一个半小时到三个小时。对于单个精品链接来说可能没必要这么多，但对于铺货团队，每个链接抽两三个核心词，累计起来就不少了。

很多 AI 工具的起点，其实就是把自己每天重复做的动作讲清楚，然后让它帮你拆成自动化流程。

要点六：Listing 优化要回到用户画像和购买场景

聊到后面，十分同学也提到一个很朴素的感受：做铺货之后，反而会发现广告没有想象中那么重要。广告可以让词越跑越精准，但对转化率的直接提升有限，核心还是产品和 Listing。

他的 Listing 优化思路，是先抓竞品评论，分析用户痛点；再结合后台已有的人群数据，比如收入、性别、购买人群画像等，让 GPT 或 Codex 帮忙整理不同用户画像。

然后再反过来问：如果我是这个买家，我买这个产品会关注什么？会踩哪些坑？哪些点会影响我下单？这些信息可以指导 Listing 文案、图片、A+ 页面、广告关键词库和前期调研模板。

广告可以帮你拿流量，但转化率最终还是要回到用户为什么买、怕什么、在意什么。

要点七：广告优化四象限，可以作为 AI 规则的底层框架

十分同学下麦后，凯哥又顺着他的案例做了一段复盘。最大的感受是：过去我们总想把广告优化框架搭得很完整，考虑市场、链接、价格、评论、转化率等很多因素，但真正落地时，先抓一两个清晰规则反而更容易。

比如前期优化时，可以先参考类目转化率。假设类目平均转化率是 10%，大概 10 个点击出一单，那么超过 10 个点击仍然不出单的投放对象，就可以进入否定或调整范围。

反过来，如果某个词点击不多但已经出单，或者转化率明显高于平均水平，就可以作为优质词提取出来，后续考虑单独拉活动、加预算、提高 bid 或提高位置百分比。

1. 点击多、转化低：优先排查和否定，控制浪费。

2. 点击少、转化高：提取为优质词，考虑放大。

3. 点击多、转化也多：需要结合 ACOS、利润、排名和阶段判断。

4. 点击少、转化低：数据不足或机会弱，要结合预算、曝光和测试阶段再看。

这套四象限不是为了把问题复杂化，而是帮我们把广告报表里的对象分类。分类清楚之后，AI 才更容易按规则执行，而不是泛泛地给建议。

这两条线先跑起来，就已经能覆盖广告优化里很大一部分基础动作。

其他讨论：红人视频、划线价和后续活动

直播中也聊到汽配类产品的前期评论和视频素材。十分同学提到，他们是海外仓 FBM 场景，评论不足时会考虑做两三个红人视频。特别是汽配产品有安装和应用场景，红人开箱、安装、使用视频会比纯图片更有帮助。

他提到，如果红人视频拍得比较好，买版权后既可以用于广告，也可以放在详情页和 A+ 页面里。这里不展开成方法论，只作为一个实操点记录。

后半段也简单聊到划线价。直播里提到，最近大家对划线价的验证样本还不够，有人说原价销售需要挂一段时间，也有人讨论 code、买赠等方式。这里更多是交流和待验证信息，不建议直接当成确定规则。

活动方面，直播里预告后续可能会做茶局，也提到 10 月 17 日杭州交流活动还在敲定中。秋季 PD 时间也只是直播中的个人推测，不作为确定消息。

直播金句（根据原意提炼）

1. AI 不一定要一上来做大而全，先把一两个具体动作跑通，反而更容易看到结果。

2. 链接多、词多、广告多的时候，最应该交给 AI 的，是重复而有规则的动作。

3. 否词规则不怕简单，怕的是你连什么该否、什么该看都没想清楚。

4. AI 报告写得太满，运营自己不看，也就没有意义。

5. 广告玩出花，也还是要回到产品和 Listing。

6. 广告可以让词越跑越精准，但转化率的底层还是用户为什么买。

7. 很多插件和自动化，本质上就是把自己每天重复做的动作讲清楚。

8. 体系课只能领进门，真正跑出结果，还是要靠自己在业务里不断验证。

9. 案例永远比空讲理论更容易让人听懂。

10. 现在做 AI + 亚马逊，先跑起来，比先想完美更重要。

后续可沉淀的方向

1. 可以把“搜索词否定规则”单独沉淀成一个小 Skill，先跑浪费词识别和否定建议。

2. 可以把“优质词提取规则”单独沉淀出来，用来筛选值得单独建活动、加预算或提高 bid 的词。

3. 可以让十分同学下次拿脱敏案例，系统讲一次领星 MCP、否词规则、排名监控插件和日报输出。

4. 可以把广告四象限重新整理成更清晰的 SOP：不同象限分别看什么指标、做什么动作、什么时候人工复核。

5. 可以继续补充 Listing 用户画像分析模板，把评论痛点、后台人群画像、关键词库和图片/A+ 优化串起来。

最后小结

这一期直播比较实操，也比较有启发。过去我们聊 AI + 广告，容易一下子想到完整的诊断系统、复杂的中控台、全维度的广告优化框架。但十分同学的案例提醒我们，真正能先落地的，往往是很小、很明确、很重复的动作。

比如否词、加预算、提取优质词、监控关键词排名、整理用户画像，这些动作单独看都不算宏大，但只要规则清楚、执行稳定，就能给日常运营省很多时间。

说到底，AI 不是替我们把亚马逊变简单，而是把那些重复、繁琐、容易漏掉的工作先接住。运营自己要做的，还是理解业务、制定规则、检查结果，并且在真实数据里不断修正。

今天这期先整理到这里。后面如果能拿到更多脱敏案例，再把广告优化规则和排名监控这块拆得更细一点。

后记

十分同学，我觉得是比较优秀的一位同学。说到他的名字“十分”，当然不能说每件事都已经做到了满分。但以他目前一年半的经验来看，无论是对运营的理解，还是把理解落到实际业绩上的表现，在这个阶段，我愿意给他十分。

• END -