用 Claude Code 徒手开发小红书 AI 选品网站：从手动记录到自动化监控的实战之路

各位生财圈友好，我是来自杭州的圈友书豪，专注小红书电商。

受生财的影响，我把 AI 逐渐融入了所有的生意，以及生意中的每个业务链路。2026 年，有个很明显的感受：老板不全面拥抱 AI，未来离下牌桌就不远了。

作为生财早期成员，我还有幸获得了亦仁老师的微天使投资支持，这份认可一直激励着我在创业路上不断突破，也推动我持续探索电商新模式。

过去 3 年，我用 AI 辅助运营了 30 家小红书店铺，通过内容带货实现了千万级营收。但电商人都明白，依赖混剪内容带货始终存在不确定性——平台政策调整、流量算法变化，任何一个因素都可能打乱节奏。

做虚拟商品久了，我越来越清楚一件事：能不能赚到钱，拼的不是谁更勤快，而是谁的眼光更准。 身边不少同行天天熬夜发帖，账号数据却一直不温不火——说白了，产品没踩对点，再怎么卷也是白费力气。

以前找选品方向，靠的是感觉和经验，试错成本极高。现在我把这件事交给 AI 来做：用 AI 分析平台数据、识别趋势、判断风口，选品决策从"拍脑袋"变成"看数据"，准确率有了质的提升。

所以这次，我打算拿一个我们去年打出来的爆品方向举例——互动测评类数字产品。去年这个方向在平台上热度飙升，我们自己也投入了大量资源去跑，最终跑通了。

下面我会剖析它走红背后的逻辑，以及如何用 AI 捕捉类似的风口，希望能帮各位在选品环节少踩坑。

从 2025 年上半年开始，我们系统性布局测试工具这个细分品类，到现在已经能稳定贡献 月入 2 万+ 的利润。

更关键的是，在实操过程中，我们摸索出了一套用 AI（Claude Code）批量生成测试工具的方法——把原本需要几千元外包成本的单个测试工具，压缩到几块钱、10 分钟完成。选品用 AI 判断，内容用 AI 生成，工具用 AI 开发，整条链路全面 AI 化之后，效率和利润都上了一个台阶。

这篇文章会把我们踩过的坑、验证过的方法、以及完整的制作流程全部分享出来。

如果你正在做小红书虚拟电商，或者对这个赛道感兴趣，希望这篇内容能给你一些真实的参考。AI 时代，业务理解 × AI 工具，才是真正的竞争力。

什么是 Claude Code？

简单说，就是一个 AI 编程助手，你用自然语言描述需求，它帮你实现功能。

关键优势：

• • 不需要你懂编程
• • 可以快速实现想法
• • 自动处理技术细节

为什么 Claude Code 适合非技术人员？

传统方式 vs AI 辅助方式

核心差异：

• • 传统方式：你需要"学会编程"
• • AI 辅助：你只需要"学会提需求"

我的开发思路：四大核心功能

在开始之前，我先梳理了自己的选品流程，提炼出 四大核心需求：

需求 1：自动化销量监控

痛点： 每天手动记录销量，费时费力需求： 系统每天自动抓取数据，生成销量曲线

需求 2：AI 智能评分

痛点： 判断标准模糊，容易被个例误导需求： 根据多账号、多维度数据，给每个品打分（0-10 分），数据更客观

需求 3：赛道细分管理

痛点： 商品杂乱无章，找不到擅长的赛道需求： 按"实物/虚拟"分类，标注货源信息

需求 4：关键词搜索

痛点： 只看到个别成功案例，无法判断品类整体表现需求： 输入关键词，显示所有相关账号的销量对比

这四个功能，构成了一个完整的"选品闭环"：

1. 1. 发现：通过关键词搜索，发现潜力品
2. 2. 验证：通过 AI 评分，判断是否值得入场
3. 3. 追踪：通过自动监控，持续追踪销量变化
4. 4. 管理：通过赛道分类，沉淀自己的选品库

功能1：自动化销量监控——如何用数据曲线判断入场时机

为什么销量监控是选品的基础？

很多人选品时，只看"当前销量"：

• • 这个品现在卖 1000 单/月，不错！
• • 那个品现在卖 500 单/月，一般般。

但这是最大的误区。

真正重要的不是"现在卖多少"，而是"趋势是什么"。

不同的销量曲线，不同的决策

曲线 1：上升期

判断： 正在爆发，立刻入场

曲线 2：平稳期

判断：增量不大，这种品可以再观察观察

我们的销量监控系统做了什么？

功能 1：每天自动记录数据

以前：

• • 每天看看别人的账号的销量数据
• • 逐个点开 20 个商品链接
• • 手动记录销量、粉丝数、价格
• • 复制粘贴到飞书表格
• • 耗时：数小时

现在：

• • 系统每天 0 点自动抓取数据
• • 自动记录到系统
• • 早上打开网页，数据已经更新好了
• • 耗时：0 分钟

功能 2：自动生成销量曲线图

以前在飞书表格里手动记录品的销量，现在我们都不需要了，直接看销量监控曲线图就可以，方便快捷

如何用销量监控避免"幸存者偏差"

幸存者偏差的典型场景： 你看到一个低粉账号卖爆了，立刻觉得"这个品有机会"。

但你没看到的是：

• • 有 50 个低粉账号也在卖这个品，但都没爆
• • 这个爆款账号可能有特殊优势

我的解决方案： 用关键词搜索，找出所有卖这个品的账号，看整体表现。

举例： 搜索"水杯"，找到很多 个对标账号：

可以一目了然的看到各个账号的水杯情况，这样，我就能看到"整体表现"，而不是"个别成功案例"。

小结：销量监控的价值

核心价值：

1. 1. 节省时间：每天节省数小时
2. 2. 提升准确性：避免手动记录出错
3. 3. 及时发现异常：第一时间发现销量波动
4. 4. 数据驱动决策：用历史数据分析趋势

销量监控是选品的基础，后续的 AI 评分、赛道管理、关键词搜索，都依赖于这个功能。

像测试工具这个赛道，当时监控到整体都在向上走。

这不是某一个账号的数据好，而是我们监控的几乎所有测试类账号，销量曲线都是稳定上涨的。

我把几个典型账号的数据拉出来给大家看：

📈 多账号销量走势对比（2025年1月21日-25日）

你看到规律了吗？

不是一个账号在涨，是整个赛道都在涨。

这说明什么？说明测试工具的市场需求是真实存在的，而且还在持续增长。这不是靠某个爆款撑起来的虚假繁荣，而是整个市场都在扩大。

💡 在一个增量市场里，你不是在抢别人的蛋糕，而是在一个不断变大的蛋糕里分一块。

功能2：AI 智能评分——如何用量化指标判断商品潜力

为什么需要 AI 评分？

很多人选品时，判断标准很模糊：

• • "这个品看起来不错"
• • "我觉得这个会火"
• • "别人都在卖，我也试试"

但问题是：

1. 1. 感觉不可复制：这次选对了，下次不一定对
2. 2. 容易被误导：只看到成功案例，忽略失败案例
3. 3. 无法对比：A 品和 B 品哪个更值得做？

我需要的是：一个量化的评分系统，给每个品打分（0-10 分）。

我的评分体系：多个维度

AI分析报告提示词

我在做小红书商品测品分析，请根据我提供的商品数据生成一份 HTML 格式的《小红书商品测品分析报告》。

一、分析目标

结合以下维度综合判断商品是否适合去打，并给出测品优先级和综合评分：

• • 商品上架时间
• • 商品销量
• • 销量增长趋势
• • 增长幅度最快的时间区间
• • 增长幅度最慢的时间区间
• • 平均每天增量
• • 粉丝量
• • 商品评价
• • 百赞爆款笔记时间
• • 商品笔记发布频率
• • 混剪素材数量

二、核心判断标准

1. 1. 上架时间

用于判断商品是新品还是老品，并结合销量和粉丝量分析商品趋势。

新品如果短期销量增长快，说明潜力较好。

老品如果销量仍在稳定增长，说明生命周期较强。

1. 2. 商品销量

商品销量需要结合上架时间、粉丝量和增长趋势综合判断。

如果每天能稳定增加几十单，甚至 100 单左右，说明是不错的品。

1. 3. 粉丝量

小红书账号粉丝量越低越好，尤其是低粉账号还能卖出高销量，说明商品对新号友好。

判断标准：

• • 3000 粉丝以下：低粉账号，优先关注
• • 低粉高销量：说明具备低粉爆款潜质，新号也可能做起来

注意：不要简单认为粉丝越多销量越好，反而要重点分析低粉高销量的情况。

1. 4. 商品评价

• • 4.6-5.0：优质商品
• • 4.2-4.6：一般商品

1. 5. 百赞爆款笔记

百赞爆款笔记越近越好，说明商品当前热度越高。

判断优先级：

• • 7 天内最好
• • 15 天内较好
• • 30 天内一般

1. 6. 频繁发商品笔记

商品笔记发布越频繁，说明商品热度越好，也说明达人或账号愿意持续推这个品。

如果没人频繁发，可能说明出单能力不足。

1. 7. 混剪素材

混剪素材越多越好，说明后续起号、剪辑、铺内容更方便，可以节省原创拍摄时间。

1. 8. 其他描述

根据用户备注内容酌情分析，结合整体数据判断商品机会点和风险点。

三、销量增长分析要求

请重点分析销量增长增量，包括：

• • 当前销量
• • 每日销量变化
• • 总增长量
• • 是否存在稳定增长
• • 是否存在爆发式增长

如果连续销量数据缺失，请明确提示：无法准确判断销量趋势，需要补充连续销量数据。

四、输出结构要求

请使用 HTML 格式返回分析报告，。

必须包含以下模块：

<h3>一、基础数据概览</h3>

用列表形式展示所有关键数据。

缺失数据标注为：待补充。

<h3>二、核心数据判断</h3>

逐项分析每个维度的表现，并给出判断。

<h3>三、销量增长趋势分析</h3>

分析销量增长情况、最快增长区间、最慢增长区间、平均每天增量和趋势稳定性。

<h3>四、低粉爆款潜质分析</h3>

重点分析粉丝量与销量之间的关系，判断该商品是否适合新号去打。

<h3>五、上架时间分析</h3>

判断商品是新品还是老品，并结合销量趋势判断机会。

<h3>六、商品评价与内容热度分析</h3>

分析商品评价、百赞爆款笔记、发笔记频率、混剪素材等内容侧指标。

<h3>七、风险点分析</h3>

列出该商品存在的风险，例如销量增长慢、粉丝依赖强、评价低、素材少、热度过期等。

<h3>八、综合评分与测品建议</h3>

给出：

• • 综合评分：1-10 分，只能是整数，不要小数
• • 测品优先级：高 / 中 / 低
• • 是否建议去打
• • 推荐操作建议

六、最终结论要求

最后必须给出明确结论：

• • 该商品是否值得测
• • 适合什么类型账号去打
• • 是否具备低粉爆款潜质
• • 综合评分，例如：8/10
• • 测品优先级，例如：高优先级

"""

这样通过AI输入这些入参，就能得出这个品的综合分析报告，极大的节约了选品方面的效率问题

功能3：赛道细分管理——如何找到自己擅长的赛道

在没有赛道分类的情况下，团队选品面临几个普遍痛点：

• • 商品列表混排，找目标品类要翻遍全部数据，耗时耗力
• • 不同成员重复分析同一个品，资源浪费
• • 虚拟品和实物品混在一起，方向容易选错
• • 每次开会都要重新对齐"今天看哪类品"，沟通成本高

赛道标签解决的核心问题，是让团队把时间花在判断上，而不是花在定位上。

1. 大幅压缩筛品时间

点击一个标签，该赛道的品立即聚合显示，无需手动翻找。单次选品会议可节省 30 分钟以上的无效时间。

2. 团队分工清晰，消除重复劳动

赛道标签是天然的分工边界：

• • A 负责考研赛道
• • B 负责居家日用
• • C 负责宠物

每人认领不同赛道，不重叠、不遗漏。

3. 同赛道横向对比，判断更准

筛出同一赛道的品后，可以直接比较同类商品的粉丝量、价格、销量分布，判断哪个品更有竞争力。跨赛道对比数据是无效的，标签让你始终在同一维度上做决策。

4. 聚焦赛道，持续积累选品专业度

长期专注某一赛道，团队成员会对该品类的价格带、爆款规律、竞品格局形成深度认知。这种经验积累会带来复利效应，判断越来越准。

赛道标签不只是一个筛选功能，它是团队选品的协作框架。用好它，每个人都知道自己该看什么、该比什么、该交什么结果。

当你积累了 50+ 个商品后，会发现：

• • 商品太多，找不到想要的
• • 不知道哪些商品有货源
• • 不知道哪些商品是自己擅长的赛道
• • 团队协作时，分工不清晰

标签系统就是解决这些问题的。

标签系统是赛道管理的核心工具，直接影响选品效率和管理效率。

功能4：关键词搜索——如何避免"幸存者偏差"

很多人选品时，只看到个别成功案例：

• • 看到一个低粉账号卖爆了，立刻觉得"这个品有机会"
• • 看到一个新品类火了，立刻觉得"我也要做"
• • 有 100 个人也在做这个品类，但大部分都失败了

这就是"幸存者偏差"：只看到成功案例，忽略失败案例。

我们需要的是：看整体表现，而不是个例。

功能5：货源管理

在货源链接功能上线之前，团队的日常工作中存在一个高频但隐性的效率黑洞——货源沟通。

新成员拿到一个选中的品，第一句话："这个品的货源在哪？" 老成员翻聊天记录、找网盘、找收藏夹，花了 10 分钟，发了一个链接。 第二天另一个人问同样的问题，重复一遍。

这种情况每天都在发生，带来三个具体损耗：

• • 重复传递：同一个货源链接在群里、私信里反复发送，没有沉淀
• • 依赖个人：货源只存在某个人的脑子或收藏夹里，那个人不在线就卡住
• • 新人成本高：新成员无法自助获取货源，必须问人，打断别人的工作节奏
• • 链接失效无感知：货源链接过期或失效，没有统一的地方记录和更新，发现问题滞后

货源链接功能在商品列表中为每条商品增加一个专属的货源入口，将货源信息从"人传人"变成"系统存储"。

谁找到货源，谁填进去；谁需要货源，自己来查。 系统是团队共同的货源仓库，不依赖任何一个人。

根据商品类型的不同，货源链接有明确的填写规范：

虚拟商品 → 百度网盘链接

实物商品 → 1688 货源链接

货源链接功能把"人与人之间的沟通"变成了"人与系统之间的查询"。 填好它，团队里任何人、任何时候，都能在 30 秒内找到任意一个品的货源。

货源链接的价值不在于功能本身，而在于团队是否养成了"找到货源就填进去"的习惯。这个习惯一旦养成，选品效率会有质的提升。

总结

AI 一定是服务于业务的。我们对业务理解越深，就越能指导 AI 做更多的事。 工具是手段，业务认知才是真正的壁垒。

工具要为人服务

以前：我适应工具

• • 市面工具功能固定，只能按它的逻辑来
• • 数据格式固定，无法导出到自己的系统
• • 功能不够用，也只能忍着

现在：工具适应我

• • 功能完全定制，符合自己的选品逻辑
• • 数据格式自己定义，随时可以导出
• • 想加什么功能就加什么功能

这才是真正的"工具自由"。

数据驱动决策

以前：凭感觉选品

• • 成功率 30%，试错成本高

现在：用数据选品

• • 看销量曲线判断趋势
• • 看 AI 评分判断潜力
• • 看竞品数据判断竞争格局
• • 成功率显著提升，试错成本大幅降低

有了数据，才能做出科学决策。

专注比分散更重要

以前：什么火做什么

• • 今天做美妆，明天做家居
• • 没有积累，没有优势
• • 效率低，成功率低

现在：专注 1-2 个赛道

• • 深耕固定品类，积累经验
• • 形成赛道认知优势
• • 效率高，判断越来越准

专注才能做出成绩。AI 可以帮你提速，但方向还是要靠自己判断。

AI 让每个人都能成为"产品开发者"

以前：不会编程，只能用别人的工具

• • 价格贵，也只能接受
• • 想要定制，门槛极高

现在：不会编程，也能开发自己的工具

• • 用 Claude Code，3-5 天开发完成
• • 成本低，功能强，完全定制
• • 业务逻辑自己掌握，AI 负责实现

在 AI 时代，懂业务的人，比懂技术的人更有优势。

AI 技术的迭代速度，远超大多数人的预期

过去几年，AI 的进化节奏是：

• • 每隔 2-3 个月，就会有一次地震级的技术革新
• • 每一次革新，都会让"能做到的事"的边界大幅扩展
• • 每一次革新，都会淘汰一批没有跟上的人，也会成就一批先行者

这个速度不会放缓，只会加快。

等 AI "成熟稳定了再用"，是最大的误区。 因为它永远不会停止变化，而你等待的每一天，都是别人在积累经验的一天。

从现在起，大家都可以用上AI，我建议从这几个方面入手

把 AI 工具用起来，不管用得好不好 不要等学会了再用，要在用的过程中学会。哪怕每天只用它做一件小事，3 个月后你对 AI 的理解会远超大多数人。

把自己的业务逻辑整理清楚 AI 的能力上限，取决于你给它的指令质量。你对业务理解越深、描述越清晰，AI 能帮你做的事就越多。业务认知是最稀缺的资产，AI 只是放大器。

从解决一个真实痛点开始 不要贪大求全，找到当前工作中最影响效率的一个环节，用 AI 工具解决它。成功一次，你就会知道下一步该做什么。

AI 不会替代你，但会用 AI 的人会替代不会用的人。

业务理解是你的，AI 是工具。 你对业务理解越深，AI 能帮你做的事就越多。 这个时代，最大的优势不是懂技术，而是懂业务 × 会用 AI。

现在就是最好的上车时机。

写于 AI 工具高速迭代的今天。两三个月后，这个领域又会发生什么，没有人知道。但有一点可以确定：早开始的人，永远比晚开始的人多一段宝贵的经验积累。