人机链路五步法

标准：用一句话写清链路从哪里开始、到哪里结束。起点要是一个真实业务触发，终点要是一个可验收交付物。

示例：起点：运营选择一个类目，例如先用 Dogs 做小样本试跑，并说明这轮想验证什么。终点：团队拿到一个能被现实检验的结果：要么有 1 个候选商品进入供应链复核，要么清楚知道为什么没有进入下一步。系统记录可以显示 amazon_count=10、match_count=0，但工具要追问的是：这个 0 对业务意味着什么，下一轮应该改规则、换类目，还是补供应链信息。

标准：按节点写清人、AI、自动化分别负责什么。人负责判断和责任，AI 负责搜索、整理、推理和生成候选，自动化负责抓取、同步、归档等稳定动作。

示例：节点 1：运营负责人选择类目和规则阈值，说明这轮为什么值得跑。节点 2：AI 和自动化负责发现 Amazon 商品、整理价格、评分、评论数和排名。节点 3：系统尝试匹配 1688 货源并估算利润。节点 4：供应链负责人复核货源、起订量、发货地和供应商可信度。节点 5：业务负责人根据利润、风险和供应可得性，决定进入样品验证、放弃，或调整规则再跑一轮。

标准：写清 AI 的输出必须包含哪些字段、哪些数据要有来源、哪些结论必须人工复核。验收标准要能让另一个人照着检查。

示例：验收不是看页面有没有返回结果，而是看结果能不能支持下一步业务动作。一个候选商品至少要说清 Amazon 价格和需求信号、1688 货源是否可买、预估利润是否成立、起订量是否可接受、风险是否需要人工拦截。若 match_count=0，也不能只写“没有机会”，要让运营和供应链能判断失败原因：搜索词不对、货源缺失、利润太薄、起订量过高，还是风险边界触发。

标准：写清试跑结束后留下哪些可复用资产。资产应能减少下一次启动成本，而不是只保存结果表。

示例：沉淀 5 类资产：类目选择理由、规则阈值、候选商品复核记录、供应链反馈、失败原因分类。等某个类目能稳定产生可复核候选后，再沉淀样品验证前会议模板，而不是一开始就把重点放在技术字段上。

标准：写清这条链路属于哪个团队和流程，尽量精确到跨角色协作边界。

示例：针对亚马逊套利选品侦察器（Amazon Arbitrage Scout）的全品类跨平台价差发现流程，重点不是技术模块本身，而是运营、AI、供应链和业务负责人如何把一次系统扫描变成一次可复盘的选品判断。

标准：分别记录事实、评分、分歧和决策。事实描述当前链路，评分判断链路准备度，分歧暴露角色冲突，决策写下本轮试跑约定。

示例：组织事实：项目已经能完成 Amazon 商品发现，最近样本每轮 amazon_count=10，但 match_count=0，说明链路还没有通过现实检验。评分：可试跑 4 分，输入输出清晰 3 分，可回滚 5 分，人机分工 3 分，资产沉淀 2 分。分歧：继续扩大扫描范围，还是先让一个类目产生可复核候选。决策：先选一个类目做小闭环，让运营和供应链共同确认“为什么进不了下一步”。

标准：至少写一个效率信号、一个质量信号和一个资产信号，便于下一次复跑时比较。

示例：效率信号：同一类目能稳定产出一批候选商品。质量信号：至少 1 个候选能被供应链复核，并得到“可买 / 不可买”的明确结论。资产信号：每次失败都留下业务原因分类，下一轮能据此调整类目、规则、搜索词、利润阈值或风险边界。