一套可执行的亚马逊广告投放优化方法论，打包成 Agent Skill（
SKILL.md）。 不做泛泛的策略描述 —— 所有结论都必须落到「改什么、改成多少、为什么」。
把亚马逊广告优化从"凭经验拍脑袋"变成可复算、可追溯、可审计的流程：
拉数 → 诊断 → 决策 → 执行 → 复盘
它不是一个爬虫或自动化工具，而是一套决策层能力：接在数据层（官方 Ads API / 后台报表导出）之上，产出具体的动作清单（改哪个词、改到多少、依据是什么）。
适合谁：亚马逊运营 / 广告优化师 / 代运营团队 / 想系统化学广告的卖家。 不适合谁：想要"一键自动调价机器人"的人 —— 本项目默认只出方案，不落盘。
所有出价决策锚定在盈亏平衡 ACoS 上，并且给出可复算的算式：
盈亏平衡 ACoS = 单位广告前贡献 ÷ 售价
可接受 CPC = 售价 × 转化率 × 目标 ACoS
动态点击阈值 = 1 ÷ 转化率
node scripts/ads_opt.mjs calc \
--price 39.99 --cost 8 --fba 7.5 --first-leg 3 \
--commission-rate 15 --return-rate 5 --target-margin 15 --cvr 8输出（实测）：
广告前单位贡献 USD 13.49
盈亏平衡 ACoS 33.74% (ROAS 2.96)
目标 ACoS 18.74% (目标单件净利 USD 6.00)
可接受 CPC USD 0.60 <- 目标 ACoS 18.74% × CVR 8.00% × 售价
CPC 上限(不亏) USD 1.08
没有这个数，任何「出价该涨还是该降」都是拍脑袋。
# 搜索词报告 → P0/P1/P2 分级动作
node scripts/ads_opt.mjs diagnose --file examples/sample-search-term-report.csv \
--target-acos 25 --break-even-acos 40
# 广告位报告 → 按位置给建议
node scripts/ads_opt.mjs diagnose --file examples/sample-placement-report.csv \
--mode placement --target-acos 25
# SQP 份额报告 → 定位漏斗短板在哪一环
node scripts/ads_opt.mjs sqp --file examples/sample-sqp-report.csv
# 官方自动补全扩词（免登录，12 个站点）
node scripts/ads_opt.mjs keywords --seed "portable blender" --site us这是本项目最不同于其他"经验贴整理"的地方 —— 每个非官方阈值都有出处与证据强度标注：
references/verification.md 记录了 6 轮交叉验证：11 个独立开源实现 + 32 个中文公开来源 + 2 个官方来源，
标注了每条理论的证据源、原文依据、是否达标（≥5 佐证）、以及哪些只是经验起点。
验证过程中推翻了自己 3 处写法（这正是做验证的意义）：
| 被推翻的原写法 | 为什么错 | 改后 |
|---|---|---|
| Product Pages ACoS 低 → 提高 PP 加价 | 独立实现明确否定：There is no "Product Pages boost" in any sensible ruleset | 按 ACoS 相对盈亏平衡线的倍数判定，PP 只有收紧档 |
| 收割判据 = 订单 ≥2 且 ACoS ≤ 目标 | ACoS 差但稳定转化的词，恰恰最需要独立活动来调出价 | 改为转化速率制，ACoS 只用于定出价 |
| 时段低迷 → 暂停投放 | 暂停会破坏连续性、降低广告权重与质量得分 | 改为降预算与出价，不暂停 |
权威优先级：Amazon 官方指南 / API 文档 > 官方 Academy 课程 > 海外主流来源 > 国内公开媒体。
本项目的盈亏平衡 ACoS 与目标 ACoS 框架与官方口径一致（官方 acos-advertising-cost-of-sales 明确有 Break-even ACOS 与 target ACOS 两节），我们只是把扣项做得更细（多扣头程与退货损耗）。
把整个目录放到你的 Agent 技能目录即可（SKILL.md 必须保留在根目录）：
# Claude Code / Codex / OpenClaw 等通用 Agent Skills 目录
git clone https://github.com/Wany-i/amazon-ads-optimization.git \
~/.agents/skills/amazon-ads-optimization
# Windows PowerShell
git clone https://github.com/Wany-i/amazon-ads-optimization.git `
"$env:USERPROFILE\.agents\skills\amazon-ads-optimization"重启 Agent 或新开会话即可被发现。
不需要 Agent 也能用。建议阅读顺序：
SKILL.md → 主流程（5 分钟了解全貌）
references/metrics.md → 公式与口径
references/diagnosis.md → 诊断规则表（最常用）
references/playbooks.md → 8 个场景手册
references/actions.md → 动作库与安全边界
- Node.js ≥ 18（仅
scripts/ads_opt.mjs需要；纯 Markdown 部分无依赖） - 无第三方依赖，无 API Key
amazon-ads-optimization/
├── SKILL.md # Agent Skill 入口（主流程）
├── references/
│ ├── metrics.md # 指标口径与核心公式
│ ├── diagnosis.md # 9 层诊断规则表（含份额层）
│ ├── sqp-framework.md # SQP 份额漏斗分析框架
│ ├── playbooks.md # 8 个场景手册
│ ├── actions.md # 动作库 / 限速 / 回滚
│ ├── reporting.md # 日报 / 周报 / 月度模板
│ ├── peak-event-review.md # 大促专项复盘
│ ├── data-integration.md # 取数通道与 CSV 列名约定
│ ├── official-resources.md # 官方教程与理论清单
│ ├── sources-map.md # 渠道地图与可达性实测
│ ├── market-scan.md # 已有开源方案对照
│ ├── verification.md # ★ 六轮理论验证与证据矩阵
│ └── vendor/
│ └── amazon-ppc-campaign.md # 已审查采纳的上游方法论
├── scripts/
│ └── ads_opt.mjs # calc / diagnose / sqp / keywords
├── examples/ # 样例报表（可直接跑）
├── README.md · README.en.md
├── CONTRIBUTING.md · CHANGELOG.md · SECURITY.md · NOTICE.md
└── LICENSE
顺序固定 —— 上层问题会掩盖下层，跳层调优等于在错误的地基上装修。
第 0 层 份额漏斗（SQP） ← 先定位短板在 曝光/点击/加购/购买 哪一环
第 1 层 店铺 / 账户 TACoS 趋势、广告占比、是否蚕食自然位
第 2 层 广告活动 预算是否烧穿、ACoS vs 目标、曝光份额
第 3 层 广告组 / 关键词 结构是否混杂、匹配方式是否打架
第 4 层 搜索词 收割 / 否定 / 迁移
第 5 层 广告位 TOS / Rest of Search / Product Pages
第 6 层 时段 预算节奏与竞价
第 7 层 大促期指标解读 CTR↓ + CVR↑ 是正常现象，不是效率下降
第 8 层 新增需求分析 新词 vs 历史词的增量信号
第 0 层的意义：防止把「转化问题」当成「出价问题」而不断加价 —— 这是投放优化里最贵的错误。
份额落差在哪一环，钱就不该花在广告上，而该花在那一环。
本项目把下面这些当成硬约束写进了 Skill：
| 纪律 | 说明 |
|---|---|
| 默认只出方案，不落盘 | 查数、诊断、生成方案可直接做；改出价/预算/状态必须逐条确认 |
| 批量变更 ≤ 总量的 20% | 限速规则，防止把账户调坏 |
| 必须记录改前值 | 拿不到改前值的批量工具不要用（无法回滚） |
| 学习期不动 | 新建或大改后 < 3 天（保守默认 7 天）不调出价与结构 |
| 库存不足不加投 | 可售天数 < 30 天停止所有加投类动作 |
| 大促当天不做结构判断 | 大促数据不可与日常比 |
| 不抓平台页面取数 | 只走官方 API 与后台报表导出 |
Q：一定要有品牌备案吗？ 只有**第 0 层（SQP 份额漏斗）**需要品牌备案。没有备案可以跳过第 0 层，直接从第 1 层开始诊断，但要意识到"转化问题 vs 投放问题"的区分能力会下降。
Q：没有 API 授权能用吗？
可以。从广告后台导出搜索词报告 / 广告位报告为 CSV，直接喂给 diagnose 子命令即可。列名约定见 references/data-integration.md。
Q：脚本会自动改我的广告吗？ 不会。 脚本只做本地算术和两个公开只读接口调用，不包含任何写操作。
Q：这些阈值适合我的类目吗？
阈值是起点不是教条。文档中已明确标注哪些是多源验证、哪些只是经验起点（见 references/verification.md）。请用自己类目的数据校准。
Q：为什么不直接给一个"最优 ACoS"？ 因为官方立场也是「每个品牌目标不同，第一步应先算盈亏平衡 ACoS」—— 同一句"目标 30%"对 55% 毛利的产品是胜利，对 20% 毛利的产品是灾难。
欢迎补充带证据的内容。请先读 CONTRIBUTING.md。
特别欢迎这两类贡献：
- 为
references/verification.md中标记为「经验起点 / 单一来源」的条目补充证据源 - 补充你所在类目的阈值校准数据（请脱敏）
见 CHANGELOG.md。
- 本项目原创内容：MIT
- 第三方来源与授权说明：见 NOTICE.md
- 安全政策：SECURITY.md
本项目与 Amazon.com, Inc. 无隶属或背书关系。Amazon 及相关商标归其所有者所有。
建议先读 00-阅读指引，了解证据强度四档、事实与推断的区分以及常用术语。
规则层文档
- 01-背景：说明项目为什么存在，以及手工优化与自动化在风险和知识结构上的差异。
- 02-需求与边界：定义目标、非目标、硬约束、验收标准和不可逆操作红线。
- 03-已有方案调研：对照官方能力、商业工具、开源实现和中文资料，明确现有缺口与自研边界。
- 04-方法论设计：给出 9 层诊断、核心公式、阈值判据和动作建议的规则层设计。
- 05-理论验证：记录多轮交叉验证、证据强度、被推翻的写法以及仍需补证的结论。
学习资料
- 亚马逊投放学习资料：按知识与实操主题整理的系统学习资料和来源索引。
- 亚马逊投放速成_面向自动化：面向自动化实现的速成路径，强调概念、数据口径和执行边界。
- 亚马逊投放学习计划_4周：可直接执行的四周学习与练习安排。
- 信息源聚合评估_2026-09-21：对候选信息源、聚合工具及其许可和可用性进行评估。
实现与集成部分见 Wany-i/jev-ads-analysis 仓库。