用 AI 写亚马逊 Listing：控制幻觉、省 token 与两种提示词方法

Helium 10 电商 AI 训练营的两位讲师把「让 AI 写 Listing」拆成三件事：它知道什么、跑起来花多少、你怎么问。文中给出四种压制幻觉的做法、四种省 token 的做法，以及一套五层提示词框架和「设标杆」改写方法，附水壶类目的实操案例。

先理解模型在做什么

• 大语言模型本质是预测下一个词的系统，输出质量取决于输入质量，你的任务是帮它预测出适合你场景的词组合。
• 模型见过大量相似样本的问题能答对，但某个具体关键词的搜索量这类小众事实它多半没见过，硬答就是幻觉。
• 幻觉的特点是「非常自信地说错」，语气和说对时一模一样，所以错误会悄悄进入 Listing、报表和定价决策。

四种压制幻觉的做法

• 用数据打底：搜索量、竞品细节这类垂直事实，先找到数据或通过 Helium 10 MCP 接入，再让 AI 基于数据工作，不要让它凭记忆编。
• 在提示词里明确允许它说不知道：如果某个数字不在你给的数据里，就不要编造。可以把这句写进 Claude 的常驻规则，省得每次新开对话重复。
• 让 AI 自查：在提示词里加一个检查步骤，让它交付前先复核一遍。
• 自己再核一遍：凡是影响花钱决策的内容，都要人工过目，没有比这更省事的捷径。

token 为什么会烧得这么快

• token 是聊天模型计费的单位，用得越深、越日常，成本越明显。讲师 Leo 曾在一个会话里连续聊，上下文窗口膨胀，月度额度两小时就用光。
• 每发一条消息，哪怕只是「你说得对」，模型都会把整段会话重新读一遍再回答，所以长对话越往后每条越贵。
• 控制上下文：不要一次塞进 3000 条评论加整套品牌规范，先想清楚这次会话需要什么。
• 对话变长就开新窗口，让 Claude 先总结上一轮要点再带过去；按任务选模型，改个标题不必上最贵的模型；不用的 MCP 及时关掉，常驻的 MCP 会占掉大量上下文，多个同时开启还会让 AI 在检索时到处抓取、结果失真。

五层提示词框架

• 结构是：角色开场、背景、任务、限制条件、输出格式、示例。
• 示例来自讲师的实战：角色设为有十年 B2B SaaS 增长经验的资深营销经理，背景是为一款面向自由设计师的 AI 计时工具做上线，任务是写三封新用户试用欢迎邮件。
• 限制条件是每封不超过 150 词、语气友好，格式要求有清晰主题行、正文用小标题分隔，最后附上一封以前写过的邮件当范例。
• Claude 直接返回了三封可用的邮件；每一层写得越细，输出越不会跑出你划的边界。

设标杆法：拿类目第一名当靶子

• 跳过角色和背景，直接给 AI 一个成品：「这是我类目里表现最好的 Listing，这就是标杆，我要超过它」，让它反推需要什么。
• 实操案例：把亚马逊上卖得最好的水壶的标题、卖点、五点描述、描述贴进去，再加上 Helium 10 里按搜索量和转化率排序的类目关键词，并设定规则——标题 75 字符以内、每条 bullet 200 字符以内、不能做的宣称也写进规则。
• 再开一个无痕窗口当「裁判」，把标杆 Listing（标注类目第一、销量 28000 件）和草稿并列，要求只指出一个最烧钱的差距、说明为什么烧钱、以及具体怎么补。
• 两个细节保证反馈有用：不说草稿是自己写的，裁判才 impartial；只要一个差距，列十条会把最重要的那条埋掉。
• 这次裁判越过文案，发现草稿缺了标杆产品上的伞绳提手——一个还没采购的配件，建议是先补齐产品再改 Listing，因为两者本来就不是公平对比。图片对比也可以用同样的流程。