AI 赋能电商全链路

AI 不是未来，是现在——从推荐到定价，AI 正在重塑电商的每个环节。

更重要的是：AI 工具大幅降低了做电商的门槛。过去需要设计师、文案、程序员才能完成的事，现在一个人借助 AI 就能搞定。

今天你就能用的 AI 工具清单

产品文案与描述

实操示例 — 用 Claude 写产品描述：

提示词：
我在卖一款轻量折叠登山杖，面向 25-40 岁喜欢轻量化徒步的人。
主要卖点：重量仅 245g、4段折叠收纳、碳纤维材质、承重 120kg。
竞品通常在 ¥200 左右，我定价 ¥299。
请帮我写一段 150 字以内的产品描述，语气轻松有感染力，强调解决痛点。

花 1 分钟写好提示词，Claude 10 秒钟给你一段比大多数人花 1 小时写的更好的文案。

产品图片与视觉

实操用法 — 用 Pebblely 制作产品场景图： 1. 上传产品白底图 2. 输入想要的场景（"户外山路" / "咖啡桌上" / "简洁白色书桌"） 3. 生成多个版本，选最好的下载

过去需要摄影师拍摄的场景图，现在 ¥0 成本搞定。

客服自动化

AI 客服的正确姿势： - 让 AI 处理 70–80% 的常见问题（物流查询、退货政策、使用方法） - 复杂情绪化问题（投诉、退款纠纷）交给人工 - 不要让买家感觉在和机器人说话（保持品牌语气）

SEO 与内容营销

免费 SEO 内容策略： 1. 用 Google 自动补全找长尾关键词（搜索你的产品关键词，看下拉词） 2. 用 Claude 写围绕这些关键词的博客文章 3. 发布到你的 Shopify 博客 4. 持续积累，6–12 个月后开始带来免费流量

广告素材与短视频

最实用的短视频公式（无需真人出镜）：

开头 3 秒：展示痛点（"你是不是也有这个问题？"）
中间 10 秒：产品解决方案演示
结尾 3 秒：价格 + CTA（"现在下单免运费"）

AI 工作流：一个人完成传统需要 3 人的工作

每个环节 AI 能省下的时间：

实操：用 AI 写出高转换产品标题

原始信息：

产品：防晒护手霜
主要成分：SPF 50 防晒 + 玻尿酸保湿
目标人群：25-40 岁女性
竞品价格：¥39–¥79
我的定价：¥59

提示词：

帮我写 5 个电商产品标题，要求：
- 包含核心关键词「防晒护手霜」
- 突出 SPF 50 和玻尿酸两个卖点
- 语气轻松，不过于广告化
- 每个标题不超过 30 个字

Claude 可能给出的标题： 1. SPF 50 防晒护手霜｜玻尿酸保湿，开车也能美白双手 2. 防晒 + 保湿二合一｜SPF 50 玻尿酸护手霜，每天涂出细嫩手 3. 夏日防晒护手霜 SPF 50｜玻尿酸锁水，告别粗糙晒斑

选你觉得最好的那一个，或者把几个的优点合并。

用 AI 不能代替你的事

AI 是工具，但以下判断必须由你来做：

本章执行清单

• [ ] 注册 Claude 或 ChatGPT 账号，开始用 AI 写产品描述
• [ ] 用 Remove.bg 给所有产品图抠白底
• [ ] 用 Pebblely 为 1–2 个主力产品生成 3 张场景图
• [ ] 用 Tidio 在网站安装 AI 聊天机器人（设置 FAQ 回答）
• [ ] 每周花 1 小时，用 AI 生成 1 篇博客文章发布到 Shopify
• [ ] 测试：用 AI 写 3 个产品标题，A/B 测试哪个转化率更高

你已经掌握了电商完整知识体系。 从选品到 AI 赋能，每一步都有清单和方法。现在，去把第一个产品卖出去吧。

技术参考：推荐系统与动态定价原型

AI 电商应用全景

智能推荐系统

"""
电商推荐引擎
"""
from dataclasses import dataclass
from collections import defaultdict
@dataclass
class Product:
id: str
name: str
category: str
price: float
tags: list[str]
@dataclass
class UserBehavior:
user_id: str
viewed: list[str]       # 浏览过的商品 ID
purchased: list[str]    # 购买过的商品 ID
cart: list[str]         # 购物车商品 ID
class RecommendationEngine:
"""推荐引擎"""
def __init__(self, products: list[Product]):
self.products = {p.id: p for p in products}
def content_based(
self, user: UserBehavior, top_n: int = 5
) -> list[dict]:
"""基于内容的推荐（标签相似度）"""
# 收集用户偏好标签
user_tags = defaultdict(int)
for pid in user.viewed + user.purchased:
if pid in self.products:
for tag in self.products[pid].tags:
user_tags[tag] += 1
# 对未交互商品评分
interacted = set(user.viewed + user.purchased + user.cart)
scored = []
for pid, product in self.products.items():
if pid in interacted:
continue
score = sum(user_tags.get(t, 0) for t in product.tags)
if score > 0:
scored.append({
"商品": product.name,
"类目": product.category,
"价格": f"¥{product.price:.0f}",
"匹配分": score,
})
scored.sort(key=lambda x: x["匹配分"], reverse=True)
return scored[:top_n]
def collaborative(
self,
target_user: UserBehavior,
all_users: list[UserBehavior],
top_n: int = 5,
) -> list[str]:
"""协同过滤（简化版）"""
target_set = set(target_user.purchased)
similar_items = defaultdict(int)
for other in all_users:
if other.user_id == target_user.user_id:
continue
other_set = set(other.purchased)
overlap = target_set & other_set
if len(overlap) >= 1:
# 相似用户买了但目标用户没买的
new_items = other_set - target_set
for item in new_items:
similar_items[item] += len(overlap)
ranked = sorted(
similar_items.items(), key=lambda x: x[1], reverse=True
)
return [
self.products[pid].name
for pid, _ in ranked[:top_n]
if pid in self.products
]
def cross_sell(
self, cart_items: list[str]
) -> list[dict]:
"""交叉销售推荐"""
# 基于购物车类目推荐配件
cart_categories = set()
for pid in cart_items:
if pid in self.products:
cart_categories.add(self.products[pid].category)
combos = {
"手机": ["手机壳", "充电器", "耳机"],
"笔记本": ["鼠标", "键盘", "包"],
"衣服": ["裤子", "鞋子", "配饰"],
"咖啡豆": ["滤杯", "磨豆机", "杯子"],
}
suggestions = []
for cat in cart_categories:
if cat in combos:
suggestions.extend(combos[cat])
return [{"推荐配件": s} for s in suggestions]
# 演示
products = [
Product("P1", "iPhone 手机壳", "手机壳", 49, ["手机", "配件", "保护"]),
Product("P2", "无线充电器", "充电器", 99, ["手机", "配件", "充电"]),
Product("P3", "蓝牙耳机", "耳机", 299, ["手机", "音频", "无线"]),
Product("P4", "机械键盘", "键盘", 399, ["电脑", "外设", "办公"]),
Product("P5", "咖啡磨豆机", "磨豆机", 199, ["咖啡", "厨房", "工具"]),
]
user = UserBehavior(
user_id="U001",
viewed=["P1", "P2"],
purchased=["P1"],
cart=["P2"],
)
engine = RecommendationEngine(products)
print("=== 基于内容推荐 ===")
for r in engine.content_based(user):
print(f"  {r['商品']} ({r['价格']}) — 匹配分: {r['匹配分']}")

动态定价

"""
动态定价策略
"""
from dataclasses import dataclass
@dataclass
class PricingContext:
base_price: float
stock_level: int        # 库存量
demand_index: float     # 需求指数 (0-2, 1为正常)
competitor_price: float # 竞品价格
days_since_launch: int  # 上架天数
class DynamicPricing:
"""动态定价引擎"""
@staticmethod
def calculate(ctx: PricingContext) -> dict:
"""计算动态价格"""
adjustments = []
multiplier = 1.0
# 库存因素
if ctx.stock_level < 10:
multiplier *= 1.10  # 稀缺加价
adjustments.append("低库存 +10%")
elif ctx.stock_level > 500:
multiplier *= 0.92  # 清仓降价
adjustments.append("高库存 -8%")
# 需求因素
if ctx.demand_index > 1.5:
multiplier *= 1.08
adjustments.append("高需求 +8%")
elif ctx.demand_index < 0.5:
multiplier *= 0.90
adjustments.append("低需求 -10%")
# 竞品因素
price_ratio = ctx.base_price / ctx.competitor_price
if price_ratio > 1.15:
multiplier *= 0.95
adjustments.append("高于竞品 -5%")
# 生命周期
if ctx.days_since_launch > 180:
multiplier *= 0.95
adjustments.append("老品降价 -5%")
# 价格边界 (不低于成本的1.2倍，不高于原价的1.3倍)
final = ctx.base_price * multiplier
floor = ctx.base_price * 0.7
ceiling = ctx.base_price * 1.3
final = max(floor, min(ceiling, final))
return {
"原价": f"¥{ctx.base_price:.0f}",
"动态价": f"¥{final:.0f}",
"调整幅度": f"{(multiplier - 1) * 100:+.1f}%",
"调整因素": adjustments or ["无调整"],
"竞品价": f"¥{ctx.competitor_price:.0f}",
}
# 演示
scenarios = [
PricingContext(299, 5, 1.8, 319, 30),
PricingContext(299, 800, 0.3, 279, 200),
PricingContext(299, 100, 1.0, 289, 60),
]
labels = ["热销稀缺", "滞销积压", "正常状态"]
for label, ctx in zip(labels, scenarios):
result = DynamicPricing.calculate(ctx)
print(f"\n{label}:")
for k, v in result.items():
print(f"  {k}: {v}")

AI 电商应用总览

全书总结

本书覆盖了电商运营的完整生命周期：