listing-optimizer

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，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。