作者：Affiliate Wayne

把亚马逊博主经验，蒸馏成AI广告诊断工具

火箭叔49页PPT完整拆解

2026年10月29日 · AMZ123深圳大会

火箭叔《看博主→变工具》分享整理

22份亚马逊课程。

10T网盘，已经塞进去7.8T。

买的时候，都觉得自己以后会看。

结果，一条没看完。

火箭叔在这次分享的开头，先把自己的“囤课账单”摆了出来。

这件事，很多跨境人应该都不陌生。

课程买了。

资料存了。

群里的干货收藏了。

但真到广告出问题的时候，还是不知道该先看哪张表、该调什么、该调多少。

资料越来越多，决策却没有变得更容易。

所以，这次分享真正要解决的，不是“怎么让AI帮我总结视频”。

而是：

怎么把别人讲过的经验，变成需要时能查、能核、能辅助判断的工具。

对照完整的49页PPT再看，这套方法比现场纪要里呈现的更完整。

它不只是“采集—转写—生成建议”。

中间还有结构化、补词、真实数据接入，以及最后最重要的一步：

校准。

以下按这条主线，完整拆开讲。

01｜囤资料不是学习，能在工作里调用才算资产

火箭叔讲了自己的学习路径。

最早，买课、听课，靠脑子记。

后来，带纸和笔。

再后来，现场录音，用千问、讯飞、飞书妙记等工具转成文字，回去重新学。

这里有一个变化：

以前，学习的结果在脑子里。

现在，学习的结果可以留在文件里。

但留成文件，还不够。

一个几万字的文档，如果需要的时候找不到，对工作帮助依然有限。

真正的变化，是把“我看过”，变成“我能找到，而且知道怎么用”。

他提到，2023年他就尝试过用Ollama+AnythingLLM搭本地知识库。

40岁0基础大叔用Ollama+AnythingLLM搭建跨境电商私有知识库

当时，一个文件向量化要等几十分钟，体验不好，最后放弃了。

这个念头却一直没散：

能不能把这些课程里的经验，整理成一个随时可用的系统？

到了这次分享，他展示的已经不是单纯的资料库，而是一条从内容到业务建议的流水线。

这里说的“蒸馏”，也要先讲清楚。

不是把某个博主训练进一个新模型。

不是做完一个Skill，就拥有了对方的判断力。

而是把资料整理成：

可检索的原文、带条件的规则、固定的处理步骤，以及可核查的输出。

他提到了NotebookLM的账号与容量限制

“基础使用必须付费”或“通用上限只有几千字”。

这不影响分享的核心价值。

工具选哪一个，可以变；把知识留成可检索资产的思路，不变。

02｜全场骨架不是五步，而是六步

完整的流程是：

采集 → 转写 → 结构化 → 补词 → 接真实数据 → 落地。

这里面，前四步和后两步，要分开看。

前四步，主要处理外部经验：

博主说了什么？

哪些内容有用？

能整理成什么规则？

还缺哪些类目关键词和外部信息？

第五步开始，才进入你自己的业务：

你的广告报表，

你的产品，

你的经营阶段，

你的优化目标。

这条分界线很重要。

因为：

没有你的数据的建议，只是别人的经验。

你可以拿到一个很完整的课程知识库。

也可以让AI把几十位老师的方法总结得头头是道。

但没有具体店铺数据，它仍然无法判断，你今天应该优先处理哪一个问题。

反过来，只有自己的报表，也不等于已经有诊断能力。

报表给现象，

经验提供分析路径。

两者接起来，才有可能形成诊断。

03｜第一步：采集，先确认拿到的是正文

这一步最容易出现一种“假成功”。

AI告诉你：

抓到了，

整理好了，

还生成了一份Skill。

你打开一看，有标题、有点赞、有评论，甚至有一段像模像样的总结。

问题是：

博主真正讲的内容，一句都没拿到。

拿同一批10条视频，做了两种处理方式的对比。

方法A：读列表

拿到的是标题、时长、点赞和热评。

这批标题及热评合计

469字

。

但口播正文是

0字

。

它能告诉你，这个账号最近讲哪些话题、常用哪些标签。

却不能告诉你：

他怎么解释问题，

在什么前提下给建议，

遇到例外时怎么处理。

方法B：取完整原料，再转写

同一批视频，进一步获取音视频原料，做本地转写。

最终得到：

646秒

音频

201段

转写文本

3337字

口播正文

再从正文里提炼出

11条带来源的规则

。

把两种文本量作了比较：

469字 → 3337字，约7.1倍。

这批样本里，两种处理方式拿到的文本量不同。

更关键的差别，是第二种方式可以回到原话，第一种不行。

一个像目录，一个才有机会还原方法。

别一上来就追求全量

分享案例是

@C姐说品牌

。

展示的主页有482个作品，实际先取10条样本。

最终落成10个MP4和10个WAV文件。

这里值得学的，不是“我一次能抓多少”。

而是先验证四件事：

找的是不是正确账号，

拿到的是不是目标作品，

排序里有没有置顶旧内容，

文件是否真的包含要分析的口播。

记录的几个坑，也很具体：

媒体地址结构会变，

返回的主页顺序，不一定是发布时间顺序，

音视频分轨的标识，可能并不相同。

一次能跑通，不代表下一批还能直接照搬。

所以，先做小样本验收，再扩大范围。

另外，公开可看不等于可以任意下载、批量处理、转售或分发。实际操作要使用有相应授权的内容，遵守平台规则；不读取或导出他人凭据，也不能拿“技术能做到”替代授权判断。

04｜第二步：转写，重点不是有稿子，而是能搜索、能回查

视频转成文字，为什么有价值？

不是因为多了一篇可以阅读的稿子。

而是因为它开始能够被检索。

你可以搜一个术语，

找到对应段落，

回到具体时间码，

再检查博主当时到底说了什么。

所以，这一步比较理想的交付物，不只是一个TXT文件。

而是：

原始音视频＋带时间码的转写稿＋来源信息。

MD，也就是Markdown，可以作为一种便于保存和检索的格式，但不是唯一选择。

字少，不一定是转写失败

他列出了10条视频各自的转写量。

最多的一条，有772字。

最少的一条，只有4字。

其中两条随手拍片段，合计只有30字。

这个细节很有用。

因为很多人做自动化，只检查有没有输出。

再进一层，会检查字数够不够。

但字数少，也有两种情况：

一种是没抓对、没转好。

另一种是原视频本来就没多少口播。

异常指标负责提醒，人还要回看原料。

不能用“字数少”直接判定失败，也不能看到文件存在，就默认成功。

专有名词和数字，要重点校验

专门展示了转写错误。

“私模”可能变成“湿膜”“丝膜”。

“亿级”可能变成“一级”。

“客单价”会被识别错。

平台名、工具名也可能变形。

这些错误，不只是影响阅读。

它们可能改变后续规则的意思。

如果把错的原料直接做成工具，工具就会稳定地重复这个错误。

比较稳妥的做法是：

原始转写稿留档，另外形成校对版本。

关键术语、金额、比例、时间和动作方向，回查音视频确认。

别为了文案顺滑，把原始证据覆盖掉。

显卡是加速器，不是通用的十倍承诺

具体的测试口径。

一组CPU测试中，646秒音频耗时769秒，约0.84倍实时。

另一处列出3060显卡的历史测试，约8.3倍实时。

05｜第三步：结构化，才是“看过”和“能用”的分水岭

把视频总结成一篇读后感，很容易。

但读后感，不是操作规则。

比如：

“广告要精细化运营。”

“要关注关键词表现。”

“要根据阶段调整竞价。”

这些话可能都对。

但运营拿过去，下一步仍然不知道做什么。

他给出的结构化方向，是把内容整理成：

看什么 → 调什么 → 调到多少。

同时保留来源。

例如，他展示的规则形态包括：

整体竞价下调，每次不超过10%。

单词试探位置，调整幅度为0.05。

后面再挂上资料页码。

这里要注意：

这些是课件里的规则示例，不是给所有账户的统一操作指令。

如果原资料没有具体幅度，就不能为了让建议看起来“落地”，自行编一个数字。

如果有数字，也要把它成立的条件一起留下。

真正要留下来的，不只是一句话

一条可复用规则，至少要回答：

当时看什么指标，

满足什么条件，

针对什么对象，

建议什么动作，

有没有数值或区间，

出处在哪里，

哪些场景不能直接套用。

他展示的原料体量是：

四套课件＋39集、约9小时的视频课，整理成约2000行规则手册。

这不是说压缩得越短越好。

而是要把散落在不同内容里的判断路径，整理成可以查找和调用的结构。

总结是给人读的，规则是给系统调用的。

但规则再清楚，也不能把经验判断误写成确定性真理。

06｜演示里提炼出来的，不只有广告技巧

还有一段，值得单独展开。

同一批视频，最终提炼出的内容涉及组织架构和品牌经营。

这恰好说明：

可复用的是处理流程，不是所有内容都必须变成广告规则。

第一组：组织架构，什么时候该动

主线是：

当协调成本开始侵蚀利润，就应该重新检查组织安排。

然后比较不同组织模式的适用条件与代价。

职能制有集中资源的优势，也可能出现部门墙。

事业部制更强调独立经营和盈亏责任，但会带来资源重复与利益冲突。

他还分享了一个企业案例：年销47亿元、约300人，并用约1500万元人均产值说明组织效率。

第二组：品牌化，怎么建立差异

另一组内容涉及：

收缩产品线，

投入私模，

提高客单价，

维护定价。

这里有一条必须守住的线：

来源内容属于组织经营，就归入组织经营。

来源内容属于产品战略，就保留为产品战略。

不能为了让“广告诊断工具”显得知识丰富，把所有经验塞进同一套投放规则。

拿到了信息，还要判断它属于什么问题。

07｜第四步：补词，内容管方法，工具补数据

这一环节很短，却是六步流程里容易漏掉的一步。

博主能教你怎么思考。

但他不可能在课程里，把你所在类目的关键词全部讲完。

所以，需要另一类信息源：

关键词工具，

竞品情报，

类目数据，

合规、授权的数据接口。

他提到了卖家精灵、西柚找词等接入方式

内容源提供方法，工具源补充数据缺口。

这里不能混淆两件事。

第三方工具给出的竞品流量、关键词和销量估计，不等于竞品真实后台。

MCP是一种工具接入方式，也不意味着数据天然准确、默认免费，或者不需要权限。

别指望一个信息源，回答完所有问题。

经验资料、外部情报、自己的报表，需要分别标明来源和口径。

08｜第五步：接真实数据，报表进来才算诊断

真正明确的，是两条纪律：

缺哪份，就说缺哪份。

不能拿行业平均值，冒充你自己的真实数据。

这个区别非常重要。

行业平均值可以用于参考、比较和提出假设。

但它不是你账户里实际发生的事。

例如，工具想判断某个关键词是否应该降价，却缺少相应的转化数据。

这时，更专业的输出不是：

“建议下降10%。”

而是：

目前缺少哪部分数据，

因此不能判断哪一件事，

补齐之后，再进入哪个分析步骤。

诊断不是必须每次都给答案。

知道什么时候证据不够，也是诊断能力的一部分。

本地处理，也要检查真实数据流

他还介绍了三台机器的分工。

主机负责派活、验收和回收结果。

一台P106从机承担转写等任务。

另一台P100机器跑本地视频生成，属于另一条工作线。

值得借鉴的是任务分工，不是照抄硬件采购清单。

强调“本地跑、不外传”，这是他提出的部署边界。

09｜第六步：落地，不是把建议写得更肯定，而是让它能被验收

第一版工具为什么被运营退回来？

因为只有方向。

“该降竞价了。”

“这个词需要优化。”

“应该调整结构。”

说得好像没错。

但没有对象、幅度和依据，执行的人仍然要重新分析一遍。

第二版改的，不只是表达方式。

而是交付形态。

从一段意见，变成一条可以对表检查的建议。

他给了一个具体例子：

建议卡示例｜非统一投放指令

建议

把广告活动A的竞价从

0.85美元降到0.80美元

。

依据

近30天该活动TOS曝光占比62%。

适用条件

对应来源的类目、经营阶段，以及是否处于大促。

观察期

7天，关注曝光量与点击量。

风险

调整过大可能丢失位置，因此示例只降0.05美元。

可信度

B，表示有机制支撑，但调整幅度仍待实测校准。

这张表最有价值的，不是0.05美元。

而是：

你可以问它，为什么是这个数。

但也必须说清楚，TOS曝光占比62%本身，并不能单独证明应该降价。

还要核对指标定义、投放目标、利润、转化和其他条件。

B级也只是这套工具展示的内部标签，不是经过统计验证的成功概率。

一条建议，至少应该交代这些事

数值，

出处，

适用条件，

观察期，

风险，

可信程度。

以及：当前还缺什么证据。

数值不是为了显得专业，而是为了让建议能被核查。

数字找不到依据，运营就应该有权打回来。

10｜全场最重要的边界：能追溯，不等于能套用

标了出处，只解决“这个数从哪里来”。

解决不了“这个数适不适合我”。

黑五与平常，竞争环境不同。

3C与家居，成本结构不同。

新品与成熟品，目标也可能不同。

一个来源里成立的阈值，换到另一个场景，可能不成立。

因此，他提出两条规则。

第一条：数值不许自创

来源有，就标清楚，并把适用条件一起写上。

来源没有，就说明：

“暂无可依据的经验值。”

这里也要区分：

报表直接提供的数字。

按明确公式计算出来的数字。

外部资料中的经验参数。

以及工具自行提出的待测试假设。

这几类数，不能混成一类。

第二条：口径打架，就并列

同一个问题，不同博主可能给出不同方法。

同一个博主，不同时期也可能改变建议。

这时，不要让AI为了输出一段流畅答案，把它们揉在一起。

更不要把几个冲突数值平均一下，就当成更稳妥的答案。

应该把各自的时间、来源、目标和适用条件列出来。

再由懂业务的人判断。

来源冲突，是需要解释的信息，不是需要藏起来的瑕疵。

甚至“有出处”本身，也需要验证。

引用可能挂错页。

原话可能被截断。

条件可能在上一段。

所以，准确的说法不是“有出处就不会编”。

而是：

有出处，才有机会回查；回查之后，才能继续判断。

11｜真正稀缺的，不是会分析，而是有人持续校准

有一句很直接：

“能分析”不稀缺。

能接数据、做统计、调用大模型、输出一份报告，这件事的门槛正在降低。

差距在哪里？

谁在长期维护。

谁在记录建议执行后的结果。

谁在把失败反馈，改回规则里。

他给出的闭环是：

台账 → 复盘 → 改参数 → 再跑。

这也是整套流程不能缺少的一环。

没有这个环节，工具只是把外部经验重新包装了一遍。

有了持续反馈，才可能逐步知道：

哪些规则在自己的业务里有用?

哪些只适用于特定阶段?

哪些动作需要更保守?

哪些指标看似相关，却不能支持原来的判断。

不过，也不能把一次投放变化，都归因于某次调价。

季节、竞争、库存、价格、预算和归因延迟，都可能影响结果。

持续校准，不只是多跑几次。

还要尽量减少同时变化的变量，保留过程记录。

工具为什么交出去了，团队还是用不好？

他把现实障碍归纳为三类。

不懂AI，不知道怎么提问、怎么纠偏。

不懂亚马逊，看不出建议哪里不合理。

懂业务但不熟悉AI，更愿意依赖已有经验，需要工具先证明价值。

所以，最后还是落到人。

要有懂业务的人，愿意花时间验证、修改和维护它。

这里的“调教”，主要是改资料、规则、检索和输出要求，不等于在训练模型。

它更像第二双眼睛：

帮你交叉检查。

提醒你可能漏掉的关联。

把建议写清楚。

但不能替你承担决策。

12｜顺带拆一下：这份PPT，也是同一套人机协作逻辑

最后还有一个彩蛋。

同一份内容，交给不同工具，各做一遍。

课件展示了Marp、PptxGenJS、Slidev，以及dark-tech风格方案。

同样是“六步流水线”。

有的像极简文档。

有的做成可编辑卡片。

有的更像深色科技界面。

工具都能给出结果。

最后选哪一个，仍然是人的判断。

火箭叔说，风格、留白、字号和节奏，都是他调的，工具只给骨架。

这里和前面的广告诊断，其实是一回事。

AI可以给选项。

可以提高处理速度。

可以减少重复劳动。

但不能自动知道：

哪一种最适合你的对象？

哪一个数字值得信？

哪一个动作现在不该做？

可复用的是工作流程，不是把最后的判断也一并外包。

最后，把这场分享落成一个最小行动

如果明天就开始，不需要先囤几十套课程，也不需要先买三台机器。

我会先做一小轮。

选一组有相应使用授权、适合当前业务的内容。

先处理10条。

拿到正文。

保留来源和时间码。

检查专有名词与数字。

挑出少量真正能用的规则。

补上适用条件。

再接入足够回答当前问题的真实数据。

最后，输出一张运营可以验收的建议卡。

不追求一次把广告账户全部接管。

先回答一个边界清楚的问题。

例如：

当前信息够不够判断这个活动的异常？

如果够，建议依据是什么？

如果不够，还缺哪一份数据？

动作执行以后，什么时候复查？

火箭叔最后留了一句：

先开枪，后瞄准，干中学，边干边学边迭代。

放在这套方法里，我更愿意把它理解成：

小范围试，低风险跑，随时能回查，也随时能停。

不是拿真实预算替不确定的建议交学费。

写在最后

听完现场，再把49页PPT完整看一遍，我觉得这场分享最值得带走的，不是某个工具名。

也不是“我能把一个博主做成Skill”。

而是四个变化：

从存资料，到攒原料。

从写总结，到整理规则。

从给观点，到接受验收。

从做出一版，到持续校准。

博主经验，可以帮你少走弯路。

真实数据，决定你面对的是什么问题。

运营判断，决定这条建议到底该不该执行。

还有这两句话：

人还是得发挥人该发挥的价值。

工具给的是选项，选哪个是人。

能追溯，不等于能套用。

能生成，不等于能交付。

工具给方向，人为决策负责。

火箭叔练了套吸星大法把任意公开博主的本事，一天变成我的skill，完全本地部署，公开全套技术栈

这才是“看博主，又称为吸星大法，变工具”真正完整的那条路。

资料与核对说明

本文依据49页完整版PPT、10月29日AI智能纪要及现场整理稿交叉整理。PPT展示了课程整理、采集转写和建议输出案例。