参赛项目名称
电商线框策略工作台｜Ecommerce Wireframe Strategist
团队 / 作者
ChecheChat
GitHub：[@ChecheChat](https://github.com/ChecheChat)
我做了什么
我制作了一套面向电商运营与设计师的纯文本分析 Skill，用于解决电商设计在线框形成前缺少系统判断，以及设计上线后数据难以进入下一轮的问题。
在实际工作中，运营或设计师制作主图、详情页、活动页之前，需要先理解商品、研究市场与竞品、提炼卖点、判断品牌调性，并确定页面的信息顺序。这些工作通常分散在聊天记录、表格和个人经验中，容易出现需求不完整、结论缺少依据、运营与设计理解不一致等问题。
本项目将这套隐性的判断过程整理为五个连续阶段：
- 资料台：整理商品、任务、品牌及调研材料，检查缺失和冲突信息。
- 调研台：分析用户提供的市场、竞品、评论和历史资料。
- 策略台：确定目标人群、核心卖点、支撑证据和差异化表达。
- 线框台：生成单张图片的阅读顺序，或详情页、落地页的内容结构。
- 复盘台：根据人工录入的点击、转化和运营反馈，生成下一版线框假设。
Skill 不负责生成最终图片，也不连接电商或投放平台 API。它专注于设计前后的决策质量，让调研有依据、线框有目标、反馈能够真正进入下一轮。
为了减少 AI 凭常识补充结论，工作流将所有重要判断区分为“事实、共识、推断、机会、待验证”，并要求核心策略能够追溯到用户提供的材料。
使用的工具
- OpenWork / 百炼 CLI
- 百炼能力 / 模型：阿里云百炼 qwen3.7-plus 多模态模型
- Skill 名称：ecommerce-wireframe-strategist
- 其他：Markdown、YAML、GitHub、Mermaid、结构化工作流模板
效果展示
项目最终形成了一套可以重复使用的电商视觉线框决策流程。
用户只需要手动提供商品信息、设计任务、品牌规则、市场资料、竞品资料、用户评价及历史数据，Skill 就会按阶段生成：
- 项目资料完整性检查；
- 市场与竞品调研分析报告；
- 商品表达策略；
- 电商视觉线框策略单；
- 上线数据复盘报告；
- 下一版本的最小测试方案。
线框策略不会只给出笼统的“高级感、年轻化”等风格词，而是明确每个模块的目的、主信息、支撑证据、内容元素和验收标准。
例如：
模块 1｜建立用户相关性
用户需要理解：这个商品与我的问题有关
主信息：目标人群 + 核心问题
验收标准：第一阅读层能够独立表达对象与利益
模块 2｜说明商品价值
用户需要相信：商品能够解决上述问题
主信息：核心卖点
支撑内容：参数、成分、资质或真实反馈
上线后，用户可以继续录入版本变化、表现数据和运营观察。Skill 会区分已经观察到的事实、可能的解释和暂时无法判断的问题，并为下一轮建议一至两个最小测试变量，避免每次把整套方案全部推翻。
项目链接（可选）
GitHub 仓库：
https://github.com/ChecheChat/ecommerce-wireframe-strategist
踩坑记录（可选）
1. 不能在资料不完整时直接生成线框
最初容易把工作流理解成“输入商品信息，立即输出页面结构”。但如果缺少本轮经营目标、核心卖点证据或品牌边界，生成的线框看似完整，实际无法用于设计。
因此增加了“资料台”和阶段门禁。Agent 会先输出已知信息、缺失信息、冲突信息和待验证假设，再判断是否适合进入下一阶段。
2. 竞品常用的表达不等于已经验证有效
多个竞品都采用某种卖点或页面结构，只能说明它是行业常见做法，不能直接证明它有效。
因此调研阶段会分别识别行业共识、同质化表达、可测试机会和潜在风险，避免把竞品分析变成简单照搬。
3. 线框不能只是固定模块模板
如果所有商品都机械套用“痛点—卖点—成分—效果—促销”，就无法反映不同商品和用户的真实决策过程。
现在每个线框模块都必须回答“这一段承担什么用户决策任务”，无法服务本轮目标的模块会被删除。
4. 不能把转化问题全部归因于设计
转化结果还可能受到价格、商品竞争力、流量人群、库存、促销机制和页面承接等因素影响。
因此复盘 Agent 必须同时提供至少一个非设计层面的解释，并指出还需要哪些信息才能进一步判断。
5. 单次数据反馈不能直接证明因果
一个版本表现提升，并不能证明所有修改都有效。一次同时修改过多内容，也会导致下一轮无法复用经验。
因此每轮只建议测试一至两个主要变量，同时记录修改项、保持项、预期影响和实际结果，让反馈逐步沉淀为可以复用的设计经验。
参赛项目名称
电商线框策略工作台｜Ecommerce Wireframe Strategist
团队 / 作者
ChecheChat
GitHub：[@ChecheChat](https://github.com/ChecheChat)
我做了什么
我制作了一套面向电商运营与设计师的纯文本分析 Skill，用于解决电商设计在线框形成前缺少系统判断，以及设计上线后数据难以进入下一轮的问题。
在实际工作中，运营或设计师制作主图、详情页、活动页之前，需要先理解商品、研究市场与竞品、提炼卖点、判断品牌调性，并确定页面的信息顺序。这些工作通常分散在聊天记录、表格和个人经验中，容易出现需求不完整、结论缺少依据、运营与设计理解不一致等问题。
本项目将这套隐性的判断过程整理为五个连续阶段：
Skill 不负责生成最终图片，也不连接电商或投放平台 API。它专注于设计前后的决策质量，让调研有依据、线框有目标、反馈能够真正进入下一轮。
为了减少 AI 凭常识补充结论，工作流将所有重要判断区分为“事实、共识、推断、机会、待验证”，并要求核心策略能够追溯到用户提供的材料。
使用的工具
效果展示
项目最终形成了一套可以重复使用的电商视觉线框决策流程。
用户只需要手动提供商品信息、设计任务、品牌规则、市场资料、竞品资料、用户评价及历史数据，Skill 就会按阶段生成：
线框策略不会只给出笼统的“高级感、年轻化”等风格词，而是明确每个模块的目的、主信息、支撑证据、内容元素和验收标准。
例如：
上线后，用户可以继续录入版本变化、表现数据和运营观察。Skill 会区分已经观察到的事实、可能的解释和暂时无法判断的问题，并为下一轮建议一至两个最小测试变量，避免每次把整套方案全部推翻。
项目链接（可选）
GitHub 仓库：
https://github.com/ChecheChat/ecommerce-wireframe-strategist
踩坑记录（可选）
1. 不能在资料不完整时直接生成线框
最初容易把工作流理解成“输入商品信息，立即输出页面结构”。但如果缺少本轮经营目标、核心卖点证据或品牌边界，生成的线框看似完整，实际无法用于设计。
因此增加了“资料台”和阶段门禁。Agent 会先输出已知信息、缺失信息、冲突信息和待验证假设，再判断是否适合进入下一阶段。
2. 竞品常用的表达不等于已经验证有效
多个竞品都采用某种卖点或页面结构，只能说明它是行业常见做法，不能直接证明它有效。
因此调研阶段会分别识别行业共识、同质化表达、可测试机会和潜在风险，避免把竞品分析变成简单照搬。
3. 线框不能只是固定模块模板
如果所有商品都机械套用“痛点—卖点—成分—效果—促销”，就无法反映不同商品和用户的真实决策过程。
现在每个线框模块都必须回答“这一段承担什么用户决策任务”，无法服务本轮目标的模块会被删除。
4. 不能把转化问题全部归因于设计
转化结果还可能受到价格、商品竞争力、流量人群、库存、促销机制和页面承接等因素影响。
因此复盘 Agent 必须同时提供至少一个非设计层面的解释，并指出还需要哪些信息才能进一步判断。
5. 单次数据反馈不能直接证明因果
一个版本表现提升，并不能证明所有修改都有效。一次同时修改过多内容，也会导致下一轮无法复用经验。
因此每轮只建议测试一至两个主要变量，同时记录修改项、保持项、预期影响和实际结果，让反馈逐步沉淀为可以复用的设计经验。