AI 三分钟写完商品描述，为什么一条都不能直接上架？

AI 用三分钟写完了商品描述，而我接下来花的大部分时间，都在决定那些看似普通的数字到底是什么意思。

如果你做过电商商品上架，大概率见过这样的 Excel：

同一个容量，有人写 500毫升，有人写 500ML，还有人写 0.5L；颜色一栏混着“黑色”“曜石黑”“经典黑”；材质写着“食品级”，却没有说明究竟是 PP、Tritan，还是不锈钢。

更麻烦的是，关键信息并不一定待在正确的列里。容量可能藏在商品名中，尺寸可能写进备注，型号里的数字又可能被误认为规格。

把这些资料交给 AI，它很快就能生成一批语句通顺、卖点完整的商品描述。第一眼看上去，项目似乎已经完成了大半。

直到资料进入上架系统：

• 必填材质为空；
• 容量字段不是数值；
• 颜色不在平台枚举范围内；
• 尺寸顺序不统一；
• 商品标题写“儿童可用”，原始资料却没有任何依据；
• 仍有待确认问题，状态却被标记成“可发布”。

这时才会发现：写完商品文案，与完成商品资料，是两件完全不同的事。

自然语言允许模糊表达，“大容量”“食品级”“轻巧便携”读起来都没问题；结构化数据却不接受这种模糊。一个单位、枚举值或必填项出错，就可能让整批商品无法导入。

第一关不是写文案，而是定义“什么叫正确”

很多团队使用 AI 清洗商品资料时，第一步就是上传整张表，然后说：“帮我整理成标准商品数据。”

这个提示词看似省事，实际上等于把业务规则交给模型临场决定。

模型不知道你的平台要求颜色写“黑色”还是“曜石黑”，不知道尺寸应按“长×宽×高”还是“宽×高×深”排列，也不知道“食品级材质”能否作为材质字段入库。

正确顺序应该反过来：先建立字段字典，再让 AI 按规则处理。

字段字典至少要定义六件事

字段字典不是一张“字段名称对照表”，而是一份数据合同。它需要明确：

1. 字段叫什么；

2. 接受什么数据类型；

3. 使用什么单位；

4. 允许哪些枚举值；

5. 遇到空值如何处理；

6. 哪些字段绝对不能推测。

AI 最适合完成的是字段识别、格式转换、同义词归一和异常标记，而不是替业务人员决定事实。

好的数据清洗不是让 AI 尽可能填满表格，而是让它准确区分“可以转换”和“不能确认”。

用结构化输出限制模型的自由发挥

进阶做法是使用 JSON Schema 或固定 JSON 结构，要求模型同时输出标准值、原始值、置信度和待确认问题。

下面这段提示词可以直接作为起点：

你是商品资料标准化助手。

只根据输入资料整理字段，不得补充输入中不存在的商品事实。
无法确认时将字段设为 null，并在 questions 中说明需要确认的内容。
所有规格必须按照字段字典输出，同时保留原始值和标准化后的值。

处理要求：
1. 单位按字段字典统一；
2. 枚举值只能从允许范围中选择；
3. 不得根据商品名称推测材质、适用人群、认证、成分或功率；
4. 发现不同字段存在冲突时，不要自行选择答案，应写入 questions；
5. 每个标准化字段均返回 confidence；
6. 只输出合法 JSON，不要添加解释性文字。

理想结果不是一段漂亮文案，而是一条可追踪的记录：

{
"sku": "A1024",
"normalized": {
"product_name": "便携式保温杯",
"capacity_ml": 500,
"material": null,
"color": "黑色"
},
"source_values": {
"capacity": "0.5L",
"material": "食品级材质",
"color": "曜石黑"
},
"questions": [
{
"field": "material",
"question": "请确认杯体具体材质，例如 304 不锈钢或 316 不锈钢。",
"priority": "high"
}
],
"confidence": {
"capacity_ml": 0.99,
"material": 0.0,
"color": 0.92
}
}

这里的关键不是 0.99 看起来多么可靠。置信度是模型给出的辅助判断，不是事实证明，不能替代来源核验。

三类数据，必须采用三种处理方式

商品资料中的缺失项不能一概交给 AI“补齐”。更稳妥的做法，是先将它们分成三类。

第一类：可以确定性转换

这类信息虽然写法不同，但语义明确，转换规则也没有歧义。

#### 案例一：容量单位统一

SKU：A1024
容量：0.5L

{
"source_value": "0.5L",
"normalized_value": 500,
"unit": "ml",
"status": "normalized"
}

需要注意的是，数据库中最好把数值与单位分开存储。否则 500 ml 仍然是字符串，不利于筛选、排序和区间查询。

第二类：必须向供应商确认

#### 案例二：“食品级”不是具体材质

SKU：B2071
材质：食品级材质

{
"material": "PP"
}

模型可能根据常见商品经验猜测 PP，但原始资料并没有提供这个事实。

{
"material": null,
"source_value": "食品级材质",
"questions": [
{
"field": "material",
"question": "请确认商品主体的具体材质，如 PP、Tritan、304 不锈钢等；如不同部件材质不同，请分别提供。",
"priority": "high"
}
]
}

商品材质、认证、适用人群、功率、成分等字段，往往涉及安全、合规和消费者决策，禁止无依据生成。即便 AI 猜对了，也没有可审计的来源。

第三类：业务允许暂时为空

有些非必填字段不会阻断上架，例如部分平台上的包装尺寸、次要营销标签或补充说明。

这类字段可以保留为 null，但必须根据平台规则设置状态，不能把“允许为空”和“已经确认”混为一谈。

AI 更重要的能力，是生成可追踪的追问清单

传统处理方式中，运营人员往往要逐行翻 Excel，再把问题散落到微信、邮件和群聊里。供应商回复后，又要人工寻找对应 SKU。

AI 可以把这些问题集中整理成追问表：

每个补充答案还应记录：

• 回复来源；
• 回复人员；
• 原始回复内容；
• 确认时间；
• 对应 SKU；
• 修改前后的字段值。

这样做的价值在于，问题不再是“表里还有几个空格”，而是变成了谁需要回答、回答什么、影响哪些商品、是否已经关闭的任务列表。

AI 最容易犯的错：把“像规格的数字”当成规格

#### 案例三：型号数字被误识别为容量

商品名称：X500 便携榨汁杯
型号：X500
容量：未提供

{
"capacity_ml": 500
}

这条结果看起来非常合理，但没有任何资料证明 X500 中的 500 代表容量。

{
"capacity_ml": null,
"source_value": null,
"questions": [
{
"field": "capacity_ml",
"question": "现有资料仅包含型号 X500，无法确认数字是否代表容量，请提供额定容量。",
"priority": "high"
}
]
}

类似误判还包括：

• 从“儿童水杯”推导适用年龄；
• 从“户外电源 1000”推导额定功率；
• 从“医护级”推导具体认证；
• 从商品图片颜色推导标准色；
• 根据同系列其他 SKU 补充当前 SKU 的参数。

这些信息可能“很像真的”，但商品数据治理判断的不是合理性，而是是否有证据。

JSON 合法，只代表它能被解析

模型输出以后，还需要通过程序规则校验。最基础的逻辑可以这样写：

def validate_product(item):
errors = []

if not item.get("sku"):
errors.append("缺少 SKU")

capacity = item.get("normalized", {}).get("capacity_ml")
if capacity is not None and capacity <= 0:
errors.append("容量必须大于 0")

material = item.get("normalized", {}).get("material")
if material is None:
errors.append("材质待供应商确认")

if item.get("questions") and item.get("status") == "ready_to_publish":
errors.append("存在未解决问题，不允许标记为可上架")

return errors

真实项目还应继续加入：

• 字段类型校验；
• 单位换算校验；
• 枚举范围校验；
• SKU 唯一性校验；
• 标题与规格冲突检查；
• 禁用词和敏感宣传词检查；
• 图片、详情页与结构化参数的一致性检查；
• 目标平台的长度、格式和必填规则。

上架验收，需要三道质量闸门

单独依赖人工，效率太低；单独依赖 AI，又缺少确定性。更可靠的方式是分层验收。

第一层：程序检查格式

程序适合处理确定性规则：

• 必填项是否为空；
• JSON 是否合法；
• 数值是否大于零；
• 单位是否统一；
• 枚举值是否合法；
• 未解决问题是否阻断发布。

第二层：AI 检查语义

AI 更适合发现跨字段问题：

• 标题写 500 ml，参数却是 600 ml；
• 商品名写“不锈钢保温杯”，材质字段却是 Tritan；
• 描述声称“适合婴幼儿”，来源资料没有适用人群；
• 主图是白色，颜色字段却标为黑色；
• 同一条记录中出现互相矛盾的尺寸。

第三层：人工确认事实与销售表达

人工重点处理：

• 高风险字段是否有可靠来源；
• 供应商回复是否明确；
• AI 是否改变了事实含义；
• 卖点表达是否过度；
• 商品描述是否符合品牌语气；
• 平台特殊规则是否满足。

一条记录语句通顺，不代表准确；JSON 能解析，不代表字段可用；规格看似完整，也不代表符合平台要求。

可直接使用的验收清单

• [ ] SKU 存在且唯一
• [ ] 所有平台必填字段已填写
• [ ] 数值与单位分离并完成统一
• [ ] 颜色、材质等枚举值符合字段字典
• [ ] 尺寸顺序明确，单位一致
• [ ] 高风险事实有明确来源
• [ ] 不存在未关闭的高优先级问题
• [ ] 标题、属性、详情页和图片相互一致
• [ ] 不包含无依据的功效、认证及绝对化宣传
• [ ] 满足目标平台的字段长度与格式要求

项目复盘，不要只看“生成了多少条”

为了遵守数据真实性原则，本文不虚构一组漂亮的完整率或通过率。如果准备复用这套流程，建议从一批 50—200 个脱敏 SKU 开始，并从原始表、模型调用日志、供应商追问记录和上架系统中导出以下指标：

建议在文章或项目报告中配套保留以下脱敏截图：

1. 原始 Excel 的混乱状态；

2. 字段字典和标准枚举表；

3. AI 第一次“看起来很好、实际不能上架”的输出；

4. 自动生成的缺失项追问清单；

5. 校验脚本或上架系统返回的错误；

6. 最终通过验收的结构化记录；

7. 清洗前后的真实指标对比图。

一套真正能落地的商品资料流程

回到整个项目，可靠的顺序应该是：

原始资料盘点 → 字段字典 → AI 标准化 → 缺失项追问 → 规则校验 → 人工验收 → 批量上架

AI 没有替代供应商确认，也没有替代业务判断和最终验收。它真正改变的是工作形态：过去需要人工逐行寻找的问题，现在可以批量识别；过去散落在聊天记录里的追问，现在可以集中管理；过去依靠经验完成的检查，现在可以沉淀成规则。

如果你也有一批 Excel、供应商文档或历史商品资料，可以先挑选 5—10 条样本，把本文的字段字典、提示词和 JSON 格式放到 api.884819.xyz 接入模型测试。

不要一开始就跑整批数据，先完成三个小测试：

1. 单位能否稳定统一；

2. 缺失项能否主动生成问题，而不是擅自补全；

3. 相同输入重复运行时，字段结构是否保持稳定。

通过这三关，再接入自动校验和批量上架流程。8848AI 平台使用用户名和密码即可注册，不需要邮箱验证；内置 AI 对话功能，注册后可以直接使用。国产模型如 Deepseek、千问等完全免费，没有月租和订阅，其他模型按量付费。

这次最让我警惕的，并不是模型写错了什么，而是同一份商品资料换一个模型、甚至重新调用一次，字段结构与缺失项判断都可能发生变化。

下一篇，我们不再比较谁的文案更漂亮，而是拿同一批资料测试不同模型：只比较结构化输出稳定性、幻觉风险、调用成本和首次验收通过率。

下一篇建议题目：《同一批商品资料交给不同 AI：我不比文案好不好，只比谁的结构化输出更稳定》

#AI教程 #商品数据治理 #电商运营 #结构化输出 #Prompt技巧 #人工智能 #8848AI