VOC Listing 优化器

它解决什么问题

拿到一批评价之后，卖家通常只做两件事：通读一遍凭感觉记几条反馈，或者打开文档从自己的词库里重新造句。这两套语言体系很少交汇——买家说“套在车座上不晃”，卖家写“universal fit with reinforced anti-slip base”，看似都在描述稳定性，转化率却差了一个数量级。VOC Listing Optimizer 要补的正是这个缺口：不做主观润色，而是把买家真实用过的词、真实遇到的使用场景，系统性搬进 Listing。

核心能力与工作流程

“用户嘴里说过的话，比卖家自创的术语，转化率高 30-50%”

这句话是整个技能的设计锚点。它按四个阶段串行执行：

Phase 1：数据清洗与完整性检查。 对评价做低 star 兜底扫描，任何 1–3 星评价都会被标记为“必须优先分析”——微吐槽是改 Listing 的关键弹药。同时检测语言一致性，混合语言会提醒用户明确目标站点。

Phase 2：7 层 VOC 挖掘。 每层对应 references/ 目录下一个独立 sub-prompt 文件，从 Layer 1 的用户用词开始，依次走购买动机、使用场景、隐藏卖点、竞品对比、微吐槽、情感金句。其中两层值得单独强调：

• layer4_hidden_selling.md：买家会用一个动作或一句“没想到”带出 Listing 从未写过的卖点，是官方标注的最高 ROI 层。
• layer6_complaints.md：即使评价全是 5 星，也会尝试挖“如果……就更好了”，产出反向引导的 Q&A 素材。

Phase 3：洞察合成。 把 7 层结果收敛成 4 个高层洞察，作为下一步生成文案的结构依据。

Phase 4：按模板输出改写包。 严格按 templates/ 目录下的五个模板依次生成：3 个标题版本、5 条 Bullet Points、5 条 Q&A、5 行后台搜索词、3–5 个 A+ Content 模块建议。

输出中的硬约束

这些规则不是建议，是生成失败的判据：

• 用户语言植入率 ≥ 30%：生成的 Bullet 必须包含至少三成来自 Layer 1 的真实用户原话，不达标直接重写。
• 隐藏卖点必须上台面：Layer 4 的 Top 3 中，至少 1 个进标题，至少 2 个进 Bullets。
• 微吐槽必须进 Q&A：Layer 6 挖出的每条不满都要有对应问答，这是压低退货率的落点。
• 标题不超过 200 字符（日本站 50），禁用词直接命中 references/forbidden_words.md；不编造评价原文，找不到证据就标注跳过；不出现具体竞品品牌名。

适用边界

不适合三类场景：没有评价数据时不做通用 Listing 诊断；选品调研不在范围内，属于 search-term-mining 的范畴；广告 ACOS 问题属于 ppc-doctor 的范畴。输入低于 3 条评价会被拒绝执行，图片或链接形式的评价需要先复制成文本。

多站点方面，非英文站点走“先英文 VOC 分析、再翻译到目标语言”的路径，不走机翻直出。详细的执行案例见 examples/[brand]_case_study.md，其他平台适配参考 adapters/ 目录。