Claude Skill

listing-optimizer

主图 A/B 组与转化复盘。商品图 + 卖点 → 多组对照主图 + 每组的差异假设 + 复盘模板。当用户说「A/B 测试」「主图优化」「提点击率」「哪版更好」「换个版本试试」时使用。

LLM Mart · 0 points · 2 views 0 listing impressions 0 install-command copies
Download dlazy-ai-ecommerce-skills-skills_listing-optimizer-c022f20.zip · 27 KB

Install

skills CLI npx skills add https://github.com/dlazy-ai/ecommerce-skills/tree/main/skills/listing-optimizer
Claude Code claude plugin marketplace add https://llmmart.ai/marketplace.json && claude plugin install dlazy-ai-ecommerce-skills@llmmart
Git git clone https://github.com/dlazy-ai/ecommerce-skills.git

The skills CLI installs just this skill, for any of its supported agents. Claude Code installs the whole dlazy-ai/ecommerce-skills collection as a plugin from our marketplace. Git is the plain clone.

Skill manifest

listing-optimizer — 主图 A/B 与复盘

其他技能交付的是图,这个技能交付的是一次可复盘的实验。

区别在于:随便多生成几张不叫 A/B。A/B 要求每组之间只有一个变量不同, 并且事先写下你预期哪组会赢、为什么。否则跑完也不知道是什么在起作用。


一、能力边界

能做 说明
单变量对照组 一次只改一个维度,其余保持一致
假设记录 每组附「预期效果 + 理由」,跑完能复盘
合规校验 每张自动过 platform-compliance,避免因驳回污染数据
复盘模板 产出可填数据的对照表
不能做 说明
接平台数据 不连后台,点击率转化率要你自己填回来
判断统计显著性 样本量不够时别下结论,见「常见问题」

二、可测的变量

一次实验只动一个:

变量 A(对照) B(实验) 假设
背景 纯白 生活场景 场景图代入感强,点击率更高
景别 全身 半身特写 小屏上特写更清楚
有无模特 平铺图 模特上身 服装类上身图更有说服力
文案 无文字 左上角卖点标 文字提升信息密度(注意平台是否允许)
模特 亚洲面孔 欧美面孔 跟目标市场匹配
色调 冷白 暖调 暖调在家居类更讨喜

别一次改三个。 三个变量一起动,赢了也不知道是哪个赢的。


三、工具调用

生成对照组 —— 两条命令只差一处 prompt:

# A 组:纯白背景(对照)
node scripts/gen.mjs --task listing-optimizer --brand examples/brand.yaml \
  --prompt 'E-commerce main image of the olive cable-knit sweater on a model. Pure seamless white background, RGB 255,255,255. Full body, product fills 88% of the frame. No text, no watermark.' \
  --images docs/flat-lay/garment-flatlay.jpg docs/flat-lay/pose-reference.jpg \
  --batch 3 --save out/ab/A-white.jpg

# B 组:生活场景(只改这一处)
node scripts/gen.mjs --task listing-optimizer --brand examples/brand.yaml \
  --prompt 'E-commerce main image of the olive cable-knit sweater on a model. Warm minimal apartment interior, soft window light. Full body, product fills 88% of the frame. No text, no watermark.' \
  --images docs/flat-lay/garment-flatlay.jpg docs/flat-lay/pose-reference.jpg \
  --batch 3 --save out/ab/B-lifestyle.jpg

每组出 --batch 3 挑一张最好的,避免拿单次生成的运气当结论。

合规校验(被驳回的图会污染实验数据):

python3 scripts/check_listing.py out/ab/*.jpg --platform amazon

四、复盘模板

生成时就把这张表建好,投放后填数据:

## 实验:主图背景 白底 vs 生活场景
- SKU:A001 军绿麻花针织衫
- 平台 / 坑位:Amazon 主图
- 起止:2026-09-01 ~ 2026-09-14
- 变量:背景(其余保持一致:同模特、同景别、同色调、无文字)

| 组 | 图 | 假设 | 曝光 | 点击 | 点击率 | 加购 | 转化率 |
| --- | --- | --- | --- | --- | --- | --- | --- |
| A 对照 | A-white.jpg | 白底信息干净,符合平台预期 | | | | | |
| B 实验 | B-lifestyle.jpg | 场景图代入感强,点击率更高 | | | | | |

**结论**:
**下一步**:

「假设」必须在跑之前写。 事后编理由是复盘最常见的自欺。


五、执行流程

  1. 问清楚要优化什么指标。点击率和转化率的优化方向经常相反—— 猎奇主图能提点击率,但会拉低转化率并推高退货。
  2. 选一个变量。用户想改三样时,告诉他排队做三轮。
  3. 写假设,让用户确认。
  4. 生成 + 合规校验。
  5. 给出复盘模板,明确说清数据要用户自己填回来。
  6. 样本量不够别下结论。见下。

六、常见问题

现象 原因 怎么办
两组差异很小 变量选得太弱(比如只调了一点色温) 换更有区分度的变量
数据看着 B 赢但不确定 曝光量太小 每组至少几千次曝光再看;差异小于 10% 时更要谨慎
点击率涨了转化率掉了 主图过度承诺 主图要准确,别为点击率牺牲一致性
组间不止一个变量不同 prompt 改动没控制住 两条 prompt diff 一遍,确认只差一处

Tips

  • 一次一个变量,一轮两周。急着一周出结论通常是自欺。
  • 先测大变量。有没有模特、白底还是场景,这类差异远大于色温微调。
  • 赢的那版存进 brand-kit,让它成为之后的默认,实验成果才会沉淀。
Files (ecommerce-skills)
  • examples
    • brand.yaml 1.6 KB
      Loading…
  • references
    • platform-specs.md 2.1 KB
      Loading…
    • provider-cli.md 4.7 KB
      Loading…
  • scripts
    • lib
      • miniyaml.mjs 2.8 KB · in bundle
      • providers.mjs 11.9 KB · in bundle
      • tasks.json 3.1 KB
        Loading…
    • brand.mjs 4.4 KB · in bundle
    • check_listing.py 15.6 KB
      Loading…
    • gen.mjs 9.3 KB · in bundle
  • skill.md 5 KB
    ---
    name: listing-optimizer
    description: 主图 A/B 组与转化复盘。商品图 + 卖点 → 多组对照主图 + 每组的差异假设 + 复盘模板。当用户说「A/B 测试」「主图优化」「提点击率」「哪版更好」「换个版本试试」时使用。
    ---
    
    # listing-optimizer — 主图 A/B 与复盘
    
    其他技能交付的是**图**,这个技能交付的是**一次可复盘的实验**。
    
    区别在于:随便多生成几张不叫 A/B。A/B 要求每组之间**只有一个变量不同**,
    并且事先写下你预期哪组会赢、为什么。否则跑完也不知道是什么在起作用。
    
    ---
    
    ## 一、能力边界
    
    | 能做 | 说明 |
    | --- | --- |
    | 单变量对照组 | 一次只改一个维度,其余保持一致 |
    | 假设记录 | 每组附「预期效果 + 理由」,跑完能复盘 |
    | 合规校验 | 每张自动过 [platform-compliance](../platform-compliance/skill.md),避免因驳回污染数据 |
    | 复盘模板 | 产出可填数据的对照表 |
    
    | 不能做 | 说明 |
    | --- | --- |
    | 接平台数据 | 不连后台,点击率转化率要你自己填回来 |
    | 判断统计显著性 | 样本量不够时别下结论,见「常见问题」 |
    
    ---
    
    ## 二、可测的变量
    
    一次实验只动一个:
    
    | 变量 | A(对照) | B(实验) | 假设 |
    | --- | --- | --- | --- |
    | 背景 | 纯白 | 生活场景 | 场景图代入感强,点击率更高 |
    | 景别 | 全身 | 半身特写 | 小屏上特写更清楚 |
    | 有无模特 | 平铺图 | 模特上身 | 服装类上身图更有说服力 |
    | 文案 | 无文字 | 左上角卖点标 | 文字提升信息密度(注意平台是否允许) |
    | 模特 | 亚洲面孔 | 欧美面孔 | 跟目标市场匹配 |
    | 色调 | 冷白 | 暖调 | 暖调在家居类更讨喜 |
    
    **别一次改三个。** 三个变量一起动,赢了也不知道是哪个赢的。
    
    ---
    
    ## 三、工具调用
    
    生成对照组 —— 两条命令只差一处 prompt:
    
    ```bash
    # A 组:纯白背景(对照)
    node scripts/gen.mjs --task listing-optimizer --brand examples/brand.yaml \
      --prompt 'E-commerce main image of the olive cable-knit sweater on a model. Pure seamless white background, RGB 255,255,255. Full body, product fills 88% of the frame. No text, no watermark.' \
      --images docs/flat-lay/garment-flatlay.jpg docs/flat-lay/pose-reference.jpg \
      --batch 3 --save out/ab/A-white.jpg
    
    # B 组:生活场景(只改这一处)
    node scripts/gen.mjs --task listing-optimizer --brand examples/brand.yaml \
      --prompt 'E-commerce main image of the olive cable-knit sweater on a model. Warm minimal apartment interior, soft window light. Full body, product fills 88% of the frame. No text, no watermark.' \
      --images docs/flat-lay/garment-flatlay.jpg docs/flat-lay/pose-reference.jpg \
      --batch 3 --save out/ab/B-lifestyle.jpg
    ```
    
    每组出 `--batch 3` 挑一张最好的,避免拿单次生成的运气当结论。
    
    合规校验(被驳回的图会污染实验数据):
    
    ```bash
    python3 scripts/check_listing.py out/ab/*.jpg --platform amazon
    ```
    
    ---
    
    ## 四、复盘模板
    
    生成时就把这张表建好,投放后填数据:
    
    ```markdown
    ## 实验:主图背景 白底 vs 生活场景
    - SKU:A001 军绿麻花针织衫
    - 平台 / 坑位:Amazon 主图
    - 起止:2026-09-01 ~ 2026-09-14
    - 变量:背景(其余保持一致:同模特、同景别、同色调、无文字)
    
    | 组 | 图 | 假设 | 曝光 | 点击 | 点击率 | 加购 | 转化率 |
    | --- | --- | --- | --- | --- | --- | --- | --- |
    | A 对照 | A-white.jpg | 白底信息干净,符合平台预期 | | | | | |
    | B 实验 | B-lifestyle.jpg | 场景图代入感强,点击率更高 | | | | | |
    
    **结论**:
    **下一步**:
    ```
    
    **「假设」必须在跑之前写。** 事后编理由是复盘最常见的自欺。
    
    ---
    
    ## 五、执行流程
    
    1. **问清楚要优化什么指标**。点击率和转化率的优化方向经常相反——
       猎奇主图能提点击率,但会拉低转化率并推高退货。
    2. **选一个变量**。用户想改三样时,告诉他排队做三轮。
    3. **写假设**,让用户确认。
    4. **生成 + 合规校验**。
    5. **给出复盘模板**,明确说清数据要用户自己填回来。
    6. **样本量不够别下结论**。见下。
    
    ---
    
    ## 六、常见问题
    
    | 现象 | 原因 | 怎么办 |
    | --- | --- | --- |
    | 两组差异很小 | 变量选得太弱(比如只调了一点色温) | 换更有区分度的变量 |
    | 数据看着 B 赢但不确定 | 曝光量太小 | 每组至少几千次曝光再看;差异小于 10% 时更要谨慎 |
    | 点击率涨了转化率掉了 | 主图过度承诺 | 主图要准确,别为点击率牺牲一致性 |
    | 组间不止一个变量不同 | prompt 改动没控制住 | 两条 prompt diff 一遍,确认只差一处 |
    
    ---
    
    ## Tips
    
    - **一次一个变量,一轮两周**。急着一周出结论通常是自欺。
    - **先测大变量**。有没有模特、白底还是场景,这类差异远大于色温微调。
    - **赢的那版存进 [brand-kit](../brand-kit/skill.md)**,让它成为之后的默认,实验成果才会沉淀。
    

Comments (0)

Sign in to join the conversation.

No comments yet.

Reviews (0)

No reviews yet.