电商上新变现包

> 一句话：一批 SKU 丢进来，告诉你哪几个能备货投流、哪几个改完标题再上、哪几个碰都别碰。

这个技能在解决什么

绝大多数电商卖家算错账，且错在同一个地方：只看「售价 − 进货价」就以为自己有利润，
把平台佣金、达人佣金、投流分摊、退货损失全当不存在。结果是卖得越多亏得越多，
直到现金流断了才发现。

本技能把「算账 + 合规 + 文案」合成一条流水线，输出的是决策，不是数据：
这批货里哪几个能备货投流、哪几个改完标题再上、哪几个碰都别碰。

这套算法来自多品牌服装零售一线的真实决策场景，每一个扣减项都对应一次真实的亏损教训。
用户问「为什么这么算」或质疑某个扣减项时，可以讲这个背景——它对建立信任很有帮助，
也提醒我们：宁可把成本算高、把利润算低，也不要反过来。

四条铁律

0. 没有实测值就先说清楚是估算。 用行业经验值算出来的结论，
   必须在回复里注明「按经验值估算，误差可能很大」。用户有历史订单时，
   先跑 calibrate.py 再测算——这一步能把误差从「差一倍」压到「差几个点」。

1. 先算账，再写文案。 一个注定亏损的 SKU，文案写得再好也只是亏得更快。
   任何上新请求，默认先跑 profit_calculator.py 或 launch_board.py。

2. 达人佣金必须单列。 服饰类目抖音达人佣金常达 25%–40%，这是最容易被漏掉、
   也最致命的一项。用户没提达人/主播时，主动问一句「这走达人还是店播？」。
3. 违禁词零容忍。 命中《广告法》第九条高危词，直接判 KILL，不做「建议修改」
   的温和表述——一条「最」字罚款 20 万，这是硬风险。

工作流

场景 0：先校准（强烈建议，一次性动作）

python scripts/calibrate.py --input 历史订单.csv --save-defaults

把行业经验值（退货率 25%、运费 8 元）换成你自己店铺跑出来的实测值。
会从订单数据里算出：整体退货率、单件退货净损失、平均运费，以及
按 SKU / 品类 / 平台 / 价格带的分组退货率。

--save-defaults 后写入 skill 目录，后续所有测算自动生效，不需要每次传参。
CSV 需含「是否退货」或「退款金额」列，其余列缺了就跳过对应维度。

这一步的价值有多大：实测过一个案例，同一个 SKU 用经验值和用实测值算，
毛利率从 +8.5% 变成 −10.0%，决策从「改改能上」直接翻成「别上」。
退货率每差 10 个点，薄利款就会在盈亏线两侧横跳。

场景 A：一批 SKU 要上新（最常见，优先走这条）

python scripts/launch_board.py --input skus.csv --output 上新决策看板.html --out-csv 行动清单.csv

CSV 列名支持中英文：商品名/成本/售价/平台/运费/退货率/达人佣金/广告ROI/标题。
缺列就取默认值。首次使用可先跑 python scripts/launch_board.py --demo 看输出长什么样。

产出：控制台摘要 + HTML 决策看板 + 行动清单 CSV。三档结论：

交付时必须用 present_files 打开 HTML 看板，并在回复里点名：哪几个 SKU 是 KILL、
各自因为什么（亏损 or 违禁词），以及 FIX 档具体要改哪一项。

场景 B：单个 SKU 算账

# 算真实利润
python scripts/profit_calculator.py --cost 45 --price 159 --platform douyin \
    --shipping 8 --return-rate 0.25 --ad-roi 4 --kol-rate 0.25

# 反推定价（已知成本和目标毛利率，求卖多少）
python scripts/profit_calculator.py --cost 45 --target-margin 0.30 --platform douyin \
    --shipping 8 --return-rate 0.25 --ad-roi 4 --kol-rate 0 --solve price

# 批量
python scripts/profit_calculator.py --input skus.csv --output 批量测算.html

--solve price 有个关键输出：毛利率天花板。当目标高于天花板时，它会明确告诉你
「靠涨价永远达不到」，并列出可行路径（把达人佣金降到 X% / ROI 提到 Y / 退货率压到 Z）。
这个诊断是本技能最有价值的部分，遇到无解时务必把这几条路径完整转述给用户。

场景 C：文案体检与改写

python scripts/copy_scorer.py --text "商品标题" --type title --platform douyin
python scripts/copy_scorer.py --file detail.txt --type detail
python scripts/copy_scorer.py --file script.txt --type script --strict

--type 可选 title（标题）/ point（卖点句）/ detail（详情正文）/ script（口播脚本）。
--strict 在命中高危违禁词时以退出码 2 结束，适合批量上架前卡一道。

评分低于 70 分时，按脚本给出的改写建议逐条改，改完再跑一次直到达标。
改写原则见 references/copy_playbook.md。

场景 D：竞品比价与定价空间

# CSV 精确导入（商品名,价格,销量,店铺,平台）
python scripts/price_benchmark.py --input 竞品.csv --cost 68 --platform douyin \
    --kol-rate 0.25 --ad-roi 4 --category 连衣裙 --output 定价分析.html

# 粘贴模式：从竞品页面复制一大段文字直接喂进去
python scripts/price_benchmark.py --paste --cost 95

核心输出是盈利底价 vs 市场价格带的重叠关系：

打不过时不会只丢一句「做不了」，会反推出可行路径
（达人佣金降到 X% / ROI 提到 Y / 退货率压到 Z / 成本压到 W），
并在降本也无用时明确说「天花板被佣金+投流+退货锁死，先动这三项」。

还会标出销量重心价格带——市场真实成交最密集的区间，
这比简单中位数更能指导定价。

场景 E：要出商品图

图片生成交给 ImageGen 工具，提示词骨架从 references/image_briefs.md 取，
按「主图 / 卖点图 / 场景图 / 尺寸图 / 包装图」五类分别生成。
生图前必须先完成场景 A 或 B 的算账——不赚钱的款不值得花钱做图。

关键概念：期望毛利

期望毛利 = (1 − 退货率) × 成交毛利 + 退货率 × 退货净损失

成交毛利 = 售价 − 商品成本 − 平台佣金 − 支付费 − 达人佣金 − 广告分摊 − 履约成本
退货净损失 = −(往返运费折损 + 已沉没的广告费)

用期望值而不是「不退货时的毛利」，是因为退货率 30% 的品类里，
后者会把真实利润高估一倍以上。

资源索引

常见坑

• 用户只给「成本」和「售价」：不要硬算，主动追问退货率、是否走达人、投不投流。
  服饰类目可直接给出经验默认（退货率 25%、运费 8 元）并注明「按经验值估算，请复核」。
• 退货率填了 25 却被当成 25 倍：脚本会自动把 >1 的数值除以 100，CSV 里写 25%
  也能正确解析。提醒用户不要写 0.25% 这种矛盾写法。
• 平台费率会变，尤其微信小店 2026 年调到 10%。凡涉及具体成交决策，
  必须提示「以卖家后台实时费率为准」，platform_fee_table.md 记录的是基准值。
• 不要只给数字不给结论。用户要的是「这款能不能上」，不是「你的毛利率是 2.8%」。
  每个数字后面必须跟一句人话建议。
• 参数优先级：命令行/CSV 显式给的值 > calibration.json 实测值 > 行业经验值。
  显式值永远不会被校准覆盖——如果结果意外地没变，检查 CSV 里是否已经写了退货率列。
• 竞品数据怎么来：本技能不含爬虫（电商反爬策略变化快，内置爬虫会迅速失效）。
  两条路：① 从生意参谋/抖音罗盘/第三方工具导出 CSV ② 用 --paste 粘贴复制的文本，
  正则会自动抽价格与销量。要自动抓页面时，配合 agent-browser skill 把结果存成 CSV 再导入。
• 粘贴解析的边界：优先认 ¥199 和 199元 两种写法；标题里的年份（2026）会被自动跳过；
  销量支持 2.3万、1.2万人付款、已售620 等写法。解析结果有疑问时，用 CSV 精确导入。
• 竞品样本要够：少于 10 个样本时 P25/P75 不稳定，定价结论仅作参考，应在报告里说明。