我开发了一个 龙虾Skill，让亚马逊的五点描述从 54 分提升到了 98 分

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：

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. 1. 抓取 Amazon 页面，对当前 Bullets 按 5 个维度打分（Haiku 负责——快、省）
2. 2. 找出得分最低的维度
3. 3. 针对这个维度改进一条 Bullet（Sonnet 负责——准、深）
4. 4. 重新打分
5. 5. 比原来好 → 保留；比原来差 → 自动回滚
6. 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。