供应商发来一份 Excel，里面有 600 行商品、十几种颜色写法、图片链接散在备注列里，价格单位也不统一。最危险的处理方式，是把整张表丢给 AI，然后要求“整理成可以上架的格式”。它可能会把缺失的尺寸猜出来，把“套装”当成单品，甚至替你补齐不存在的卖点。商品上新这件事，AI 的价值不是编数据，而是让人更快发现脏数据、做格式转换，并把需要人工确认的地方单独挑出来。
这篇教程提供一条适合电商运营、小品牌和采购团队的流程：把供应商 Excel 处理成可导入商品库的结构化表。它可以用 ChatGPT 或 Claude 协助分析和生成规则，但最终导入前仍由表格和人工抽检把关。
先定义“可导入”长什么样
不同商城或 ERP 的导入模板不一样，但字段逻辑很接近。不要一边清洗一边决定字段，否则每次供应商换一份表就要从头来。先建立一张自己的标准模板，并写清楚每列的来源和规则。
- spu：同一商品主体的内部编号；
- sku：可实际销售的规格编号，必须唯一；
- title：商品标题，不把供应商代码、夸张形容词和无关关键词混进去；
- variant_color / variant_size：颜色、尺码等销售规格；
- cost / retail_price / currency：成本、零售价、币种，分列保存；
- stock：库存数或库存状态，不能把“现货”直接当数字；
- image_url：可访问的主图地址，多个链接用固定分隔方式；
- description_source：供应商原始描述，保留作追溯；
- review_status：ready、missing-data、duplicate、manual-review。
标准模板里最好再加两列：source_row 记录原表行号，change_note 记录为什么改了名称、价格或规格。出问题时，团队不用重新比对整份文件。
第一步不是让 AI 改表，而是先做数据体检
复制一小段有代表性的样本——例如 30 到 50 行，不要直接上传包含采购价、联系人和结算信息的完整原表。让 AI 先列出问题类型，而不是输出一张“修好”的新表。可以这样问：
下面是一份供应商商品表的样本。请只做数据质量检查，不要补造任何字段。按以下类别列出问题，并给出每类出现的行号和原值：1）可能重复的 SKU 或标题；2）价格、币种、库存格式不一致；3）颜色、尺码、材质等规格混在同一单元格；4）缺少主图、描述或关键规格；5）疑似把套装、赠品或变体当成独立商品；6）不适合直接导入的文本。最后给出一个清洗规则清单，不要修改原数据。
这一步的作用是找模式。比如“黑色”“黑”“BK”也许都代表同一个颜色；“一件”“1pc”“单件”可能是同一种包装单位。你确认这些规则后，再由公式、脚本或 AI 批处理。规则由人决定，批量执行才交给工具。
把清洗规则写成能复用的字典
最常用的字典有三类：规格映射、单位换算和禁用词。它们不一定要复杂，一张单独的工作表就够。
- 颜色映射：BK、Black、黑色 → 黑色；Ivory、米白、象牙白 → 米白。
- 尺寸映射：0.5m、50CM、50 厘米 → 50 cm。保留原始值，规范值另存一列。
- 包装映射：2pcs、2 件装、双支装 → pack_quantity = 2；不要把它塞进颜色或标题。
- 标题禁用词：“爆款”“全网最低”“百分百正品”等不可验证或不适合渠道的表述。
先在 Excel 或 Google Sheets 中用查找、替换、XLOOKUP 等方式跑规则。需要让 AI 参与时，让它输出“建议映射”和置信理由，而不是直接覆盖原值。一个好用的提示词是：
根据以下颜色原始值和我提供的标准颜色表，输出 CSV：original_color、suggested_color、confidence、reason。只有能明确匹配的值才给 suggested_color；不确定时留空并将 confidence 设为 low。不要创造新的标准颜色。标准颜色表：黑色、白色、米白、红色、蓝色、绿色、灰色。原始值：{{颜色列}}
低置信度的行统一进入 manual-review。把“AI 不确定”当成一个有价值的结果，比让它强行选一个看起来顺眼的答案安全得多。
SKU 和变体，最容易被错误合并
一件 T 恤的 S、M、L 码通常属于同一个 SPU、多个 SKU；一份“护肤套装”和其中单支精华却不应因为标题相似而合并。整理前先回答两个问题：顾客下单时能否选择这个差异？库存是否需要分别扣减？两个答案只要有一个是“是”，就应保留独立 SKU。
可以让 AI 辅助做“候选分组”，但不让它直接修改主键：
将以下商品行分成“可能属于同一 SPU”和“必须保持独立”的候选组。判断依据只能是标题、品牌、核心材质、用途和可选规格。输出 group_id、sku、reason、needs_human_review。若出现套装、配件、补充装、不同容量或不同使用场景，默认 needs_human_review 为 true。不要生成或替换 SKU。
运营人员抽查每一个候选组，确认后再生成 SPU。SKU 生成规则也要固定，例如 品牌-款号-颜色码-尺寸码；不要让不同批次各自发明格式，否则库存和售后很快无法匹配。
商品标题和描述：只能基于已确认字段写
标题要服务搜索和浏览，但不能变成关键词堆砌。比较稳的结构是：品牌/品类 + 核心材质或用途 + 关键规格。例如“无品牌 黑色不锈钢保温杯 500 ml”，比“新品高端大容量办公室学生便携保温水杯”更清楚，也更便于后续维护。
让 AI 生成标题前，明确哪些字段是事实、哪些为空。下面的约束可以直接复用：
根据已确认字段生成 3 个中文商品标题候选，每个不超过 55 个汉字。只可使用 category、material、capacity、color、compatible_model、brand 中非空字段；不得写“最佳、顶级、官方、医用、环保、适合所有人”等没有证据的词。若关键字段缺失，返回“需要补充：字段名”，不要猜测。随后用两句列出使用了哪些原始字段。
描述同理。把供应商的原始描述保存在 description_source，把 AI 整理出的卖点放在 description_draft。涉及功效、安全、认证、适配型号和交付时效的句子，必须能回到原始资料或官方文件核对。
导入前做四项抽检，比再换一个模型有用
- 唯一性：SKU 是否重复；同一图片链接是否误挂在完全不同的商品上。
- 完整性：ready 状态的行是否都有价格、币种、库存、主图和必要规格。
- 一致性：同一个 SPU 下的变体字段是否一致；颜色和尺寸是否都来自映射表。
- 人工回查：随机抽 20 行，对照 source_row 检查标题、价格、包装数量和图片是否被错误改变。
不要在第一次就导入 600 行。先用 10 到 20 个 SKU 导入测试店铺或草稿环境，检查前台变体、库存扣减、图片排序和移动端标题显示。测试通过后，再导入全量，并保留本次导入文件的版本号。
一份可以交接的上新清单
- 原始供应商文件是否只读保存，并记录收到日期？
- 标准字段、映射字典和 SKU 规则是否有负责人？
- 所有 AI 输出是否保留原始字段和 change_note？
- 低置信度、缺图、价格异常和套装商品是否进入人工队列？
- 是否已在小批量导入中核对商品页、变体和库存？
当团队把这些规则保存下来，下一次收到不同格式的供应商表时，AI 不再只是“帮你改一改 Excel”，而是能按既定字典指出问题、生成候选和缩短重复操作。可追溯的规则、保留的原值和小批量测试，才是商品上新自动化真正省时间的原因。