Audlis Docs

Appearance

1. 文档目的 ​

本文用于说明 Audlis 当前所有 AI 能力的定位、边界、输入数据、输出结果和相互关系。

这份文档回答的不是“接了哪些模型”，而是：

  • 系统里有哪些 AI 功能
  • 它们分别服务什么业务场景
  • 输入和输出落在哪些数据层
  • 哪些能力属于系统内，哪些不属于

2. AI 在 Audlis 中的角色 ​

在 Audlis 中，AI 不是独立产品，而是系统内多个工作流的加速层。

它主要服务四类目标：

  • 提高商品编辑效率
  • 提高媒体和营销素材生产效率
  • 降低客服和售前沟通成本
  • 提高营销内容生产与落地页实验能力

因此，AI 在这里的定位是：

受控的内容生成与辅助决策能力

而不是：

自动替代运营、客服、投放和售后人员的黑盒系统

3. 当前 AI 能力地图 ​

Audlis 当前 AI 能力可以分为 4 条主线：

3.1 商品编辑 AI ​

  • Basic AI Studio
  • Details AI Studio

3.2 Media Lab ​

  • 图片美化
  • 图生视频
  • 文生视频
  • 首尾帧视频

3.3 AI 客服 ​

  • 商品问答
  • 订单和物流解释
  • 售后与政策说明
  • 转人工

3.4 Marketing Studio ​

  • Copy Lab
  • Asset Lab
  • Campaign Pack
  • Marketing Library
  • Generation History

3.5 AI 友好性优化 (GEO) ​

  • 语义化 JSON-LD 注入
  • 动态 llms.txt 生成
  • AI 搜索引擎推荐优化

4. 商品编辑 AI ​

4.1 能力定位 ​

商品编辑 AI 面向后台商品编辑器，用于辅助运营更快整理商品信息。

它的作用不是“自动上架”，而是：

  • 清洗供应商原始描述
  • 生成更可读的标题
  • 整理 tagline
  • 输出更符合转化逻辑的详情内容

4.2 输入数据 ​

主要输入包括：

  • 商品标题
  • 商品描述
  • source_data
  • 规格和图库

4.3 输出结果 ​

输出通常直接回到商品编辑表单中，例如：

  • name
  • tagline
  • description

4.4 使用边界 ​

商品编辑 AI 只负责“生成候选内容”，不自动代替人类判断：

  • 不应捏造商品参数
  • 不应伪造物流承诺
  • 不应直接发布未经审核的内容

5. Media Lab ​

5.1 能力定位 ​

Media Lab 面向商品层素材处理，目标是：

  • 美化商品图
  • 生成宣传短视频
  • 保留原图基线
  • 为商品编辑与营销准备可用素材

5.2 原图基线原则 ​

Media Lab 的一个核心设计原则是：

  • 原图必须长期保留
  • 修图和生成结果不能覆盖原图基线

因此系统把：

  • source_data 视为原始基线
  • draftAssets 视为生成草稿
  • images 视为对外展示图库

5.3 视频能力 ​

当前支持：

  • Text → Video
  • Image → Video
  • First + Last Frame

并可在需要时结合：

  • 商品原图
  • 上传图片
  • 参考图

5.4 与 Marketing 的关系 ​

Media Lab 更偏商品编辑器内部工具。
Marketing Asset Lab 则是面向“渠道化营销生产”的全局工作区。

二者能力相近，但服务目标不同：

  • Media Lab：服务商品编辑
  • Marketing Asset Lab：服务广告与落地页内容生产

6. AI 客服 ​

6.1 能力定位 ​

AI 客服的定位是：

  • 回答商品问题
  • 解释订单和物流
  • 解释售后和政策
  • 在无法解决时转人工

它不是自动决策引擎，不负责：

  • 直接退款
  • 直接改价
  • 直接补发

6.2 输入数据 ​

AI 客服依赖：

  • 商品数据
  • 订单数据
  • tracking events
  • 售后政策
  • 隐私和合规边界

6.3 输出结果 ​

主要输出：

  • 对用户的回复
  • 会话记录
  • 转人工记录

并在后台 AI Concierge 中可见。

6.4 风险控制 ​

AI 客服必须遵守以下边界：

  • 不接收敏感支付信息
  • 不编造政策
  • 不做高风险承诺
  • 无法确认时转人工

7. Marketing Studio ​

7.1 总体定位 ​

Marketing Studio 是当前系统内最完整的 AI 增长工作区。

它的定位不是“自动投广告”，而是：

  • 生成文案
  • 生成图片 / 视频
  • 组装渠道包
  • 管理已批准资产
  • 让前台商品页消费营销版本

7.2 Copy Lab ​

负责生成：

  • 标题
  • tagline
  • benefits
  • SEO copy
  • 广告文案

并支持：

  • 筛选
  • 审批
  • 归档
  • 应用到商品字段

7.3 Asset Lab ​

负责生成：

  • 主图
  • 广告图
  • 竖版视频
  • 渠道化素材

并支持：

  • 图片生成
  • 视频生成
  • Unsplash 参考图库
  • 批准、归档、应用到商品图库

7.4 Campaign Pack ​

负责把：

  • 文案
  • 图片
  • 视频

组装为某个渠道的使用包，例如：

  • Meta
  • TikTok
  • Email
  • Landing

7.5 Marketing Landing ​

渠道包应用后，会把部分结果回写到商品的营销配置中，例如：

  • primaryImage
  • primaryVideo
  • heroTitle
  • heroTagline
  • channel

前台商品详情页在特定渠道访问时，会消费这些数据。

8. AI 数据流 ​

Audlis 当前 AI 数据流大致如下：

  1. 用户或运营在前台 / 后台触发 AI 动作
  2. 服务端 API 组装 prompt 和输入
  3. 调用外部 AI 提供商
  4. 把结果写入 D1
  5. 商品页、后台工作台、客服或营销模块消费结果

这意味着 AI 不只是一次性响应，而是进入系统资产层。

9. 当前模型与服务角色 ​

从系统职责上看，当前 AI 相关外部服务大致分为：

9.1 文案模型 ​

用于：

  • 商品编辑
  • 营销文案
  • SEO
  • 客服回复

9.2 图片模型 ​

用于：

  • 修图
  • 广告图
  • 商品视觉优化

9.3 视频模型 ​

用于：

  • 商品宣传视频
  • 竖版素材
  • 首尾帧视频

9.4 参考图库 ​

例如 Unsplash，用于：

  • 氛围参考
  • 构图参考

而不是直接替代商品素材。

10. 系统内外边界 ​

AI 在 Audlis 中的边界必须清楚：

10.1 应放系统内的 ​

  • 商品编辑 AI
  • Media Lab
  • AI 客服
  • Marketing Studio
  • 落地页营销内容消费

原因是这些能力都强依赖站内数据。

10.2 不应放系统内的 ​

  • 自动广告投放
  • 自动预算优化
  • 自动社媒分发
  • 复杂跨渠道归因平台

这些应由系统外工具承接。

11. 当前 AI 设计的关键原则 ​

11.1 AI 生成的是候选资产，不是最终事实 ​

不论是文案、图片还是视频，都应有：

  • draft
  • approved
  • archived
  • applied

这样的状态流转。

11.2 原始商品数据必须可回看 ​

否则 AI 越改越偏，运营最终失去基线。

11.3 AI 输出必须进入资产层 ​

只有进入：

  • 商品字段
  • 营销资产表
  • 渠道包
  • 会话记录

系统才能真正复用这些结果。

11.4 AI 不能替代高风险决策 ​

尤其是：

  • 退款
  • 改价
  • 售后承诺
  • 法务与隐私判断

12. 当前 AI 能力的成熟度判断 ​

从成熟度看，Audlis 的 AI 能力已经跨过了“演示功能”阶段：

  • 商品编辑 AI：已可用于日常运营
  • Media Lab：已可服务商品编辑
  • AI 客服：已具备受控 MVP
  • Marketing Studio：已具备从生成到前台消费的闭环雏形

但仍有明显后续空间：

  • 更完整的实验与归因
  • 更强的审批与回滚
  • 更细的模型选择与失败监控
  • 更成熟的通知和生命周期联动

13. 一句话总结 ​

Audlis 当前的 AI 能力不是零散外挂，而是已经嵌入商品、客服、媒体、营销和前台消费链路中的一组系统能力。

它真正的价值不在于“接了几个模型”，而在于：

AI 生成的内容已经成为系统中的可保存、可审批、可复用、可消费的正式资产。

8. AI 友好性优化 (GEO) ​

8.1 能力定位 ​

GEO (Generative Engine Optimization) 是为了让外部 AI 引擎（如 ChatGPT, Perplexity, Claude）能够更准确地抓取、理解并推荐 Audlis 品牌和商品。

8.2 核心技术组件 ​

  • JSON-LD 语义注入：在全站和商品页注入结构化数据，确立品牌和商品的“实体身份”，消除 AI 抓取时的歧义。
  • 动态 llms.txt：为 LLM 专门设计的纯文本知识入口，极大降低 AI 模型的阅读和索引成本。
  • 事实锚定：利用 source_data 确保 AI 生成的内容与底层规格事实一致，防止向用户推荐错误信息。

8.3 业务价值 ​

  • 提高推荐权重：在 AI 搜索结果中获得更高的引用率。
  • 防止幻觉：确保 AI 助手提及的价格、库存和规格是 100% 准确的。
  • 品牌背书：确立 Audlis 在 AI 知识图谱中的“精选策展”品牌定位。

Synergy Books · SYS-BOOK Series

Copyright © 2026 yunyi yan