王同学 王同学 王同学的备忘录2026年7月20日 21:59 广东

不知道你是否有过和我一样的疑惑：每过一段时间就会看到某某 AI 新发布了突破性能力，自己也能通过自然语言让 AI 帮忙做不错的分析总结、生成高质量 PPT、甚至写一个自定义小程序玩玩… 但真正想在实际业务场景中落地赋能时，又由于 AI 大模型的生成结果不可控、引用数据过时、自我断言的 AI 幻觉等等局限性，认为 AI 还没到可落地应用的阶段？

这篇内容将以亚马逊电商日常运营中的 ASIN 销量监控为案例，拆解一个跑在实际业务里的监控 Agent——从赋能效果、框架剖析，到完整的实现流程。案例来自电商场景，但真正想分享的是背后那个可迁移的 Agent 框架：换掉数据源和同步端，它可以搬到任何“定期看数据、重复做分析、只需要重要结论”的业务场景。

一、先看效果：跑在业务里的监控 Agent

在亚马逊电商的日常运营中，运营人员需要持续跟踪商品的销量波动、关注核心关键词的排名与流量表现，并据此调整广告投放与促销动作。

为了减轻人工定期看数据、做表格分析等重复性工作，我们通过 Sif MCP + Claude Code + 飞书 CLI，设计了满足不同业务需求的 Agent，达到 AI 自动化提效。以 ASIN 销量波动监控为例：过去每月都要固定投入一整块人力时间在拉数据、做表、写结论上，监控的 ASIN 越多，这块投入越接近一个专职工作量——现在，这部分可以直接交给 Agent：

  • AI Agent 定期从飞书多维表格读取要监控分析的任务目标；
  • 通过 Sif MCP 自动获取 ASIN 销量数据，完成监控、分析、总结；
  • 再通过飞书 CLI，把分析结果自动同步给运营人员做决策。

下面这张图展示了不同能力组合能达到的不同效果，比如：

  1. 给到 AI Agent 销量数据，由 Claude 模型进行分析总结，Agent 将可视化分析报告上传飞书，并通过飞书消息定时向运营人员同步关键结论。
  2. 给到 AI Agent 关键词状态数据，由 Claude 模型进行分析总结，Agent 监控、总结核心关键词的状态后，将紧急重要的结论同步给运营人员。

二、监控 Agent 框架

从上面的效果可以看出：当你明确预期想达到什么目标，能准确为 Agent 提供怎样的可靠数据，设计好如何执行分析流程，最后选对合适高效的同步方式，一个好用的监控 Agent 就成立了。这四个要素，我们拆开说说。

明确目标： 这个 Agent 的目标被刻意收窄为“监控 + 上报”，而不是“全自动决策”：AI 负责重复性的看数据、做分析、总结结论，判断和决策仍然留给人。目标定得越清晰、边界越明确，Agent 的产出就越可控——很多“AI 落地失败”的案例，问题出在一开始就想让 AI 包办一切。

可靠数据： 分析质量的上限由数据决定。通过 Sif MCP，AI 不再依赖训练语料里的过时信息，而是直接调用 Sif 的实时业务数据——销量、关键词、流量。开头提到的“引用数据过时”，在这一层就被解决了：AI 每次分析用的都是当下的真实数据。

分析流程： 同一份数据，AI 每次的分析结果可能不一样，这正是“生成结果不可控”的来源。解法是把流程固化：通过多轮测试打磨提示词，验证稳定后打包成 skill，之后每次执行的都是同一套经过验证的分析过程，把结果的波动收敛在可接受的范围内。Agent 的可靠性是打磨出来的，不是模型自带的。

同步方式： 最后一环决定了幻觉的影响半径。在这个框架里，AI 的分析结论只通过飞书同步给运营人员，由人做最终判断——AI 的“自我断言”不会直接变成业务动作。同步载体选消息、卡片还是文档，也决定了人接收关键信息的效率。

广告媒流（小程序）-小红书

把四个要素连起来看，恰好逐一回应了开头的三个疑虑：数据过时靠 MCP 解决，结果不可控靠 skill 固化收敛，幻觉靠人把控最后一关。这也是为什么这个框架不止适用于亚马逊运营——四要素能成立的地方，它就能落地。

三、实现：把框架落到业务场景

实现这个 Agent，需要先备齐三个工具，各管一环：Sif MCP 管数据进来，Claude Code 管分析，飞书 CLI 管结果同步。

准备三件套

1. Sif MCP

Sif MCP 是连接 AI 与 Sif 数据的标准协议，让 AI 能直接调用 Sif 的销量、关键词、流量等数据做查询与分析。在 Claude Desktop 中配置：Customize → Connectors → 右上角 Add → Add custom connector，填入 Sif 提供的 URL 即可。配置细节与更多应用案例见官网：https://mcp.sif.com/

2. 飞书 CLI

飞书官方 CLI 工具，让人和 AI Agent 都能在命令行里操作飞书，覆盖消息、文档、多维表格等功能。命令行对人不算友好，但对 AI Agent 来说恰恰是最灵活的操作方式。Mac 安装： npx @larksuite/cli@latest install ，使用说明见官方 GitHub。

3. Claude Code

Claude Code 是整个流程的中心大脑：调用 Sif MCP 取数、执行分析、再通过飞书 CLI 同步结果。直接下载 Claude Desktop 即可，客户端内置了 Claude Code。

四步跑通

下面以亚马逊 Listing 下多个 ASIN 的月销量趋势监控为例，按框架四要素完整走一遍：定义任务 → 理解数据 → 打磨 AI 分析 → 配置定期同步。

1. 定义任务

由 AI 作为中心大脑，任务流程如下图——源数据对应“可靠数据”，AI 分析对应“分析流程”，同步结果对应“同步方式”：

2. 理解数据

动手前，先结合 Sif MCP 官网对数据工具的解释，通过 Claude 调用与 ASIN 销量趋势相关的工具（ops_get_asin_sales_trend），确认返回的数据结构，并保存一份源数据到本地——之后的测试就不用反复调用 Sif，浪费数据额度。

3. 打磨 AI 分析

任务流程中最关键的是 AI 分析环节：对 Listing 下多个 ASIN 的历史月销量做监控和分析。为了让分析结果更稳定、更有用，我们做了多轮测试、反复优化提示词，最终让 AI 生成带可视化趋势图的 HTML 报告，并把这套分析过程打包为 skill ——之后的定期任务，每次调用的都是这套验证过的流程。

4. 配置定期任务

最后，就是通过制定定期任务由 Claude Code 将整个流程 串起来： Sif -> AI -> 飞书 ，执行的任务内容如下：

1. 用 lark-cli base 命令（--as user）读取多维表格数据（--base-token xxx --table-id xxx），列出读取到的所有ASIN
2. 加载 asin-sales-trend-monitor skill，对上面的 ASIN 逐个执行销量监控分析
3. 通过lark-cli drive 命令 (--as user) 将 skill 生成的 html 文件上传到飞书目录 (—-folder-token: xxx)
4. 将 skill 的输出结果合并为一条飞书消息（interactive card格式),
   用 lark-cli im 命令（--as bot）发到 chat_id=oc_xxx 的群。
5. 完成后仅需简要确认已发送，不需要在会话中额外展开分析过程。

在 Claude Desktop 切到 Code 标签页，进入 Routine 配置页面，右上角选择 Local，配置本地定期任务：

填写 Name 和 Description，把上面的任务内容粘贴进 Instructions，再按需要设置每天/每周/每月的执行时间。

四、写在最后

回到开头的疑惑。AI 从“能聊”走到“能用”，卡点往往不是模型能力，而是缺一个合适的框架：担心数据过时，就用 MCP 让 AI 直接调用实时业务数据；担心结果不可控，就把打磨好的分析流程固化成 skill；担心幻觉，就让 AI 只负责监控和上报，判断与决策留给人。

这个框架不只适用于亚马逊运营。换一个数据源、换一个同步端，有“定期看数据、重复做分析”需求的场景，都可以照这条链路搭一个自己的 Agent。