PHASE 1 : DATA FOUNDATION
先把日常低效的重复工作自动化
很多跨境团队的低效，不是因为不会运营，而是数据分散在 ERP、卖家精灵、广告后台、库存表和人工日报里。第一阶段不急着谈“智能决策”，而是先用脚本和表格自动化，把日常数据整理、ABA 关键词市场调研和报告输出这些重复工作稳定下来。
-
日常数据与 ABA 关键词市场调研 数据来源以 ERP 系统、卖家精灵、广告报表、库存表、选品表等业务工具为主，不依赖登录店铺后台，也不把高频爬取亚马逊网站作为核心方案。脚本除了整理店铺日常数据，还能自动调研最新 ABA 数据中的潜力关键词市场，并输出分析报告；多个脚本并行时，一天可形成约 300 份关键词市场报告。
-
飞书多维表格作为团队数据中枢 把清洗后的关键词、产品、库存、广告、利润、运营日志写入飞书多维表格，通过关联字段把分散数据串起来。老板、运营、供应链看到的是同一套实时更新的数据。
-
先解决团队协同和异常提醒 通过飞书视图、公式、筛选和自动化，把断货风险、广告异常、关键词排名变化、利润波动等问题直接暴露出来。这个阶段的价值是节省时间、减少漏看、让沟通有依据。
scripts/amazon-automation.mjs
collectAmazonStats
Script researches ABA keyword markets and organizes reports
PHASE 2 : AI ASSISTED OPS
让 AI 先成为运营分析助手
数据稳定之后，再把飞书里的结构化数据推送给大模型。这个阶段不急着让 AI 直接操作店铺，而是让它做报告、找异常、给方案，帮助运营人员更快看懂问题、验证思路、沉淀规则。
-
自动生成运营日报、周报、月报 把关键词表现、广告花费、库存变化、利润数据、竞品变化整理给大模型，由 AI 生成日报、周报、月报初稿。运营人员只需要复核和补充判断，不再从零开始写报告。
-
把运营经验写成参数和规则 在飞书中预设毛利底线、库存天数、广告预算占比、转化率阈值、关键词观察周期等规则。AI 给建议时必须参考这些约束，而不是只生成看起来正确、但不适合公司实际情况的空泛方案。
-
用实际结果反向修正规则 AI 方案执行后，把销量、利润、广告、排名变化继续回写到飞书中。通过一段时间复盘，逐步判断哪些规则有效、哪些参数需要调整，最后形成更贴近公司产品和类目的运营方法。
Feishu_Base_Automation
Bitable_Record_Detail_View
PHASE 3 : CONTROLLED AGENT
经过验证后再引入 Agent 执行
成熟阶段不是一开始就让 Agent 接管店铺，而是在前两个阶段积累了稳定数据、有效规则和足够复盘结果之后，先选择单店铺、单类目或少量产品做小规模测试。只有得到正向结果后，才逐步复制到其他店铺或更多产品线；高风险动作保留人工审批和操作留痕。
-
从小规模、低风险动作开始测试 优先让 Agent 处理日报生成、异常标记、任务派发、数据补全、草稿生成等低风险工作，并先在少量产品或单个店铺中验证。涉及价格、广告预算、库存、Listing 修改等关键动作时，先生成建议和待确认操作。
-
建立本地知识库和合规边界 把平台规则、公司 SOP、历史运营复盘、工具使用说明、类目注意事项放入本地知识库。Agent 执行前先检索这些资料，避免只根据模型常识做出不符合平台或公司要求的动作。
-
把执行结果沉淀为可复用经验 每次建议、执行、复盘都留下记录：为什么这样做、结果如何、下次是否调整。长期看，系统沉淀的不只是数据，而是公司自己的选品、广告、库存和定价经验。
Terminal
Hermes_Agent_Runtime
