用 Hypotenuse AI 批量产出电商产品描述(并躲开 Amazon 封号陷阱)
目录
那是 10 月的一个周二，做电商的朋友给我看他那个"自动化"的上新：一个周末上了 600 个 SKU（Stock Keeping Unit，库存单位）。他挺得意的。三周后，Amazon 下架了其中 240 个，理由是"重复内容"（Duplicate Content），账号健康度一封邮件从绿变红。
工具他选对了。流程用错了。失败跟 AI 没关系，跟他喂给 AI 的东西有关系。
这篇文章就是我那天早上想甩给他的——一套完整的工作流：用 Hypotenuse AI（一个专门做电商内容的 AI 平台）一个批次产出 500+ 条独特、品牌一致的产品描述，从数据输入、查重检测，到平台合规规则全都内置好，不会重蹈他那种覆辙。
为什么批量化产品描述比看起来难
每个做电商的人最终都会撞上同一面墙：商品增长的速度，永远超过文案能跟上的速度。10 个产品，手写就行。100 个，请个外包。1000 个，需要流程。5000 个，需要 AI。
但电商场景下的"规模化 AI"和博客场景下的不一样。博客文章只面对一个裁判：读者。产品描述面对三个裁判同时打分：平台的样式规范、平台的重复检测算法、真实的买家。三者漏掉一个，你面对的就是降权、屏蔽——最坏情况，账号被封。
最后那一条就是我朋友踩到的。内容本身不差。是太像了。 Amazon 的 ASIN（Amazon Standard Identification Number，亚马逊标准商品编号）创建系统会标记跨商品链接的近重复内容，一个用相同模板指纹批出来的内容，简直就是送上门的靶子。
整个流程长什么样
五步，按顺序来。漏一步，全盘崩。
- 搭一个结构化数据输入（Google Sheets 或 CSV）—— 一个商品一行
- 在 Hypotenuse 里训练一个品牌调性（一个品牌训一次，不是每个商品训一次）
- 在 Hypotenuse 的"产品描述"批量模式下跑批
- 对输出做余弦相似度查重
- 上传前，过一遍各平台的合规规则
我一步步讲。
第一步：数据输入模板（核心中的核心）
大部分失败都从这一步开始，网上大部分模板也是错的。直觉上你就喂给 AI 一个商品名加一句话描述。远远不够。
你的表格至少要有这些列：
| 列名 | 为什么重要 | 示例 |
|---|---|---|
sku |
后续所有环节的关联键 | SHOE-RUN-001 |
product_name |
描述的主体 | "Men's Trail Running Shoe" |
category |
强制模型用对词汇 | Footwear > Running |
target_audience |
决定语气、痛点、用词 | "越野跑者，30-50 岁，中等配速" |
key_features |
描述里必须包含的 3-5 个属性 | "Vibram 鞋底，8mm 落差，280g" |
banned_claims |
描述里绝对不能出现的话 | "best, #1, guaranteed, medical cure" |
tone |
对应你的品牌调性预设 | "Confident, technical, no fluff" |
word_count |
该 SKU 的硬上限（Amazon 卖点上限 500 字符） | 80 |
seo_keywords |
逗号分隔，可选 | "trail running shoe, vibram, lightweight" |
brand |
让你能按品牌切分输出 | "AeroStride" |
九列填满的一行，远好过两列填满的一行。模型干重活，但前提是你喂足料。我在一个有 1200 个户外 SKU 的客户那边跑过这个——当我们把 3 列的表升级成上面这套，需要人工修改的描述比例从 38% 降到了 11%。这是我亲手踩过的坑。
第二步：训练品牌调性（只做一次）
Hypotenuse 有个"Brand Voice"（品牌调性）功能，你喂给它 5-10 篇你最好的现有描述，它会提取一个风格指纹（Style Fingerprint）。一个品牌训一次，存好，跑批量的时候顶部选中。
这就是"品牌一致性"那一步。没这一步，每一批听起来都像不同外包写的——因为内部确实差不多。训完之后，你 500 条描述读起来就像出自一个懂你品牌调性的文案。
小贴士：别拿官网首页的 Hero 文案当训练数据。用漏斗中段的描述——真正在做转化工作的那些。真正的调性在那里。
第三步：Hypotenuse 批量跑
在 Hypotenuse 里：Product Descriptions → Bulk → Upload CSV。把表里每一列映射到对应字段。两个关键设置：
- Temperature（控制 AI 输出创意/随机程度的参数——越低越稳定，越高越多变）：0.7。不要 0.3（太重复，这就是我朋友被封号的原因），不要 1.0（太创意，开始瞎编产品特性）。0.7 是"持续不一样"的甜区。
- Per-row override（单行覆盖）：尊重
word_count列。某行写 80 词，输出就该是 80 词，不要 150。
跑起来。500 个 SKU 预计 5-15 分钟。输出下载是一个新加了 description 列的 CSV。别急着打开——先做第四步。
第四步：余弦相似度查重检测
这是你朋友跳过的那一步。也是你和 Amazon 封号之间唯一的距离。
余弦相似度（Cosine Similarity）是衡量两段文本相似度的方法——一个 0 到 1 之间的数（0 表示完全不同，1 表示完全相同）。电商描述的危险区是 0.85 以上。
检测代码（Python + scikit-learn，或者在 Google Sheet 里写个简单的余弦公式）：
pythonfrom sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import pandas as pd
df = pd.read_csv("output.csv")
vectors = TfidfVectorizer(ngram_range=(1,2)).fit_transform(df["description"])
sim_matrix = cosine_similarity(vectors)
# 标记相似度 > 0.85 的配对
for i in range(len(df)):
for j in range(i+1, len(df)):
if sim_matrix[i][j] > 0.85:
print(f"DUPE: {df.iloc[i]['sku']} <-> {df.iloc[j]['sku']} = {sim_matrix[i][j]:.2f}")对每一对被标记的，我会重生成优先级低的那一个（key_features 较少的那条），用 tone 覆盖项把方向推离它的邻居。两轮下来，整批基本能压到 0.80 以下。
不写代码的话，Hypotenuse 有个"Similarity Checker"（相似度检测）插件，要额外加钱。值得加。
第五步：平台合规过滤
这是大部分 AI 生成的描述"死掉"的地方。每个平台都有自己的规则，规则之间还不重合。
Amazon：
- Product description：最多 2,000 字符，纯文本（不能用 HTML）
- Bullet points（卖点）：正好 5 条，每条最多 500 字符
- 禁用促销话术："best seller"、"#1"、"sale"、"limited time"
- 不能有 URL、邮箱、电话号码
- 不能有无法证实的声明（医疗、FDA、环保认证）
- 卖点里的属性必须和实际商品类目匹配
Shopify：
- 宽松得多。Body 字段没字符数限制，可以用 HTML
- 但：别堆 SEO 关键词。Google 的"有用内容更新"会惩罚这种
- 避免重复的 H1、缺失的 alt 文本
Etsy：
- 描述最多 10,000 字符，但前 160 字符会显示在搜索摘要里
- 描述里不能有外链（Etsy 会惩罚站外导流）
- Tags：最多 13 个，全小写，不能是短语
批量强制这些规则最简单的方法：写一个后处理脚本（Python 或 Google Apps Script），套用各平台的正则规则，违规就标记失败。Hypotenuse 的"Compliance"预设能做一部分，但 Amazon 的规则每个季度都变，所以任何全量上传之前，我都会先抽 20 条做人工核对。
这个陷阱，说清楚
Amazon 封号陷阱，惩罚的不是"用 AI"，惩罚的是"没做查重检测和合规过滤就用 AI"。Amazon 的政策写得清楚：跨 ASIN 的相同或近相同内容就是违规，不管谁写的。平台分不出——也不在乎——重复来自人类文案还是模型。
如果你跑完了上面五步，你不在危险区。漏掉第四步，你就是在拿账号健康度赌。
真正赚到的是什么
一个下午，500 条独特、品牌一致、平台合规的产品描述——这不是假设。是一个搭好流程的周二的日常。瓶颈从来不是工具。是对工具的纪律感。
我信得过的、能做这种活儿的营销人，不是那些 AI 订阅最贵的人。是把输入表格当产品规格、把输出当交付物来做 QA（Quality Assurance，质量验收）的人——而不是把它当"生成出来"的东西。