独立站的 AI 化不是"接一个 ChatGPT 到客服窗口"，而是回答一个具体问题：一件商品从被选中到被买家看见，要穿过选品、供应链、素材、建站上架、技术 SEO、GEO、财务、运维安全 8 个环节，每个环节里哪些活可以不用人干？ 这篇文章按这条真实经营链路逐环拆开，写清楚每一环能自动化到什么程度、卡点在哪、以及哪些活我们刻意不交给 AI。所有数字来自恒林恒峻·Nouhaus 正在生产环境运行的系统或代码仓库实测（数据截止 2026-07-27），实测与估算严格分开标注——跨境这行不缺画大饼的方案，缺的是可核对的口径。
这篇讲的是"每一环怎么做"。如果你想看的是"一家公司用 12 个月怎么从买工具走到自建组织"这条时间线，那部分在《一家跨境家具公司的 12 个月 AI 自研之路》。
为什么按"环节"拆，而不是按"工具"拆？
市面上的方案大多按系统分类：选品工具、SEO 工具、生图工具、ERP。这个分法的问题在跨境独立站上格外明显——每两个工具之间都留着一次人工搬运。
选品工具的结论进不了供应链系统，素材工具生成的图进不了上架流程，SEO 工具的报告和实际改站是两回事。你买了八个工具，得到的是八个孤岛加七次搬运。而 DTC 的真相是：一件商品上架要穿过 5 个部门——工厂样品 → 产品部分析 → 市场部定档 → 拍摄设计 → 上架 → 数据跟进。部门墙之间的等待就是利润的流失。
所以下面按经营链路分环，每一环只问一个问题：这里哪些活可以不用人干？
环节 1：选品——从"提了没人跟"到全流程工单化
选品最容易死在"需求提了没人跟"。跨部门口头传递，卡在哪一环没人知道，等想起来市场窗口已经过了。
能交给 AI 的：一句话发起类目调研，自动完成价格带分布、评分分布、品牌集中度（CR4 / CR8 / HHI）、进入机会矩阵，出版级研报直发飞书。竞品情报侧覆盖 Amazon BuyBox 提取、以图搜品、BSR 榜单采集、真浏览器实况抓取四类公开数据采集。
必须系统化而不是 AI 化的：需求本身的流转。7 个流程状态（寻源 → 报价中 → 改款中 → 议价中 → 打样中 → 已下单 / 已取消）支持双向回退；待办归属用三态正交标记（待提出人回复 / 待对接人回复 / 无），责任永不悬空；节点停留 ≥3 天自动预警，另有超期与 24h 内到期两级提醒，命中即推飞书。
这一环的关键认知：AI 生成结论，人做决策，系统保证不掉球。 三者缺一，选品就还是靠催。
环节 2：供应链——库存不用人巡，动销自己说话
家具品类库存重、周转慢、跨 7 个仓库。靠人做 Excel 盘点，等算完数据已经过时；补货全凭经验，多了压资金，少了断货。
这一环确定性全自动，几乎不用 AI：
- 日均销量（7 / 14 / 30 / 90 天四窗口）、可售天数、动销率、周转率、库存盈亏、现货周转月数——每日 07:30 无人值守跑完
- 补货动作给五档建议：无需操作 / 国内仓出运 / 工厂下单 / 下单并出运 / 促销去化，直接说该干哪件事，不是给一张表让人自己看
- 建议量三项拆分（总量 / 国内出运量 / 工厂下单量）并附可解释的补货理由文本；同系列有冗余则抑制本 SKU 补货，避免重复压货
- 领星 ERP + Shopify + Wayfair + WFS + Coupang 库存每 4 小时同步一次，覆盖 7 仓 5 国
- 结果按"品牌 × 国家"自动在飞书多维表格建表写入并推送责任人
代码侧口径：22 个定时任务、23 个数据同步器、11 项动销指标、5.7 万行代码。
为什么这一环不用 AI：补货算错的代价是真金白银，而这些计算全部有确定的公式。确定性的事交给确定性的系统——这是我们对 AI 边界最重要的一条判断。
环节 3：素材——出图从"抽卡"变成资产生产
家具场景图、A+ 图、Banner 是刚需，外包一组要等 3–5 天。用通用 AI 工具生图纯属抽卡：不懂平台规范、不认品牌调性、好经验只留在个人电脑里。
能交给 AI 的：10 个 AI Agent 六阶段协同（意图识别 → 策略 → 约束 → 构建 → 参数 → 反馈），不是单次文生图；41 个家具专用配方（按摩椅 / 沙发 / 办公椅 / 餐椅各 3 套，韩国市场扩展 21 套，广告投放 3 套）；8 个 AI 修图工具（抠图、换背景、扩图、超分、风格转换、画质增强、局部重绘、智能消除）；15 款可切换模型。
这一环最容易被跳过、但一定要做的一件事：AI 成本可观测。每次调用记录 Trace、用途、Token 进出、耗时、错误分类与美元成本（6 位小数），按模型配单价并提供成本汇总接口。AI 成本必须可观测，否则没人知道钱花在哪——这是从"玩具"变成"生产工具"的分水岭。
环节 4：建站上架——自研 App + 主题级深度改写
独立站改版排期长：提需求、等外包、等验证、等上线，一个 Banner 两周。而市面 App 装得越多，站越慢、越不可控。
代码侧的家底：10 个自研 Shopify App 共 25.9 万行全部自有可控；4 套主题工程 1,184 个 Liquid 文件 / 29.1 万行，含自研 section（类目产品页签、产品对比）；Theme App Extension 提供 11 个 Liquid block。
AI 在这一环干的是改码，但放行权必须在人手上。 电商工程师数字员工的六步工作流，最后两步是硬约束：选店 → 改码 → 推预览主题 → PC 1440×900 + 移动 390×844 双视口截图自检 → 交预览链接 → 运营在对话里确认后才推 live。六条 Forbidden 红线中的第一条就是"未确认执行 live"。
一条踩出来的技术洞察值得单独记：公开预览链接对未登录浏览器会丢参数跳主域——自检必须走本地服务，否则"截到的是线上而非预览"，你以为验证过了，其实什么都没验证。另外同店 live 推送全局串行（最大实例数 1），杜绝并发覆盖。
环节 5：技术 SEO——29 条规则加词到页的闭环
SEO 外包报价半年 10.8–36.8 万（实际收到的报价单区间），交付一堆 PDF 报告。拆开看，其中一半的钱买的是"可以写成代码、反复执行"的确定性工作。
站点审计 29 条规则：技术类 11（HTTP 错误 / SSL / canonical 缺失与跨域 / hreflang / 重定向链 / 混合内容 / noindex / viewport / lang / OG）、结构类 5（H1 缺失与重复 / 面包屑 / Schema / 标题跳级）、内容类 6（标题与描述长度 / alt 缺失 / 内容过薄）、GEO 专属 5 条、站点级 2 条（跨页重复 H1、同类相食）。健康度按三档严重度加权计分（错误 ×5 / 警告 ×2 / 提示 ×0.5）。
词到页闭环才是这一环真正值钱的部分：承接词（GSC 实际接住的词，含排名 / 曝光 / 点击 / CTR）+ 机会词（自动拓新词）→ 分配到 Title / H1 / 正文 / FAQ 的具体位置。决策有明确口径：排名 11–20 = 快赢；高曝光低点击 = 改标题；同词多页承接 = 同类相食。
配套还有内链权重工程（出链落库 → PageRank 计算，阻尼 0.85、50 次迭代 → 归一化 0–100 → 识别孤岛 / 权威 / 枢纽 / 普通四种角色）和收录加速（sitemap 递归解析 + IndexNow 推送 + GSC URL Inspection 抽样核验）。
实测规模：纳管 122 个页面、9,907 条内链关系、909 个关键词、3,226 条审计问题；非品牌词进 Google 前 10 的 281 个、前 30 的 571 个。
一条白帽红线：Schema 可生成 Product / BreadcrumbList / Organization / Offer 四类并含防双实体机制（主题已输出则跳过），但无数据源的 Review 类拒绝生成——不伪造评分。
环节 6：GEO——把品牌送进 AI 的答案里
买家开始直接问 AI"哪款人体工学椅值得买"，而不是翻搜索结果页。这个新入口没有标准打法，而市面 GEO 工具的数据多来自爬 AI 网页界面——不稳定，也不可信。
我们的做法是只采信平台官方引用元数据：Gemini 联网检索的 grounding 元数据、OpenAI 的 url_citation 标注。接不到官方数据的指标，界面直接标"未接入"。Gemini 返回的是重定向壳链接，系统解出真实源站；解不开就退回标题，再不行跳过不猜。
方法论有学术依据：评估提示词内建普林斯顿 GEO 研究（KDD 2024）的结论——加统计数据 +32%、加引述 +41%、加引用来源 +30%，且开头 150–200 字权重最大。这也是本文和本站所有文章都把结论写在开头的原因，不是文风偏好。
规模与成本：8 个能力页签、2 个监测引擎、4 维就绪度评估（答案可提取性 / 权威可引用 / 实体清晰度 / 对话式覆盖）、15 个数据连接器、19 个功能模块 / 254 个接口方法。单轮 AI 引用监测成本 $0.08——这是代码实测口径，不是估算。
环节 7：财务——刻意不用 AI 的那一环
跨境财务的真相埋在几十张 Excel 里：多平台、多国家、多币种、多仓库。等月底手工合出报表，经营决策已经晚了一个月。
这部分我们刻意不用 AI——财务要的是可复算、可审计。同样一批数据跑两遍必须得到同样的结果，且每个数字都要能追到来源。
- 标准化 P&L：44 个标准科目 × 当月 / 累计 / 全年，年度全景支持 44 科目 × 12 月 × 实际·预算·同期
- 多维汇总：平台 / 品牌 / 国家 / 平台×品牌 / 店铺五维切片，明细下钻到 SKU 级 60+ 列
- 高级分析三件套：杜邦分析（电商版净利率拆解瀑布）、盈亏平衡（保本销量售价 + 敏感性矩阵）、BCG 矩阵（销售 × 毛利率四象限）
- 全成本利润测算：海运 / 马士基 / 尾程出库 / 仓储 / 附加费 / 关税分档 / 平台佣金 / 返点，约 15 个计算模块；飞书群里发
/calc带 14 个参数就能完成一次全成本测算，无需登录系统
覆盖 18 家店铺、23 个仓库、314 个 SKU 成本、7 种币种。用 AI 做这一环是错配，不是能力不够。
环节 8：运维安全——独立站的地基
独立站不像平台店铺——服务器挂了、证书过期了、被刷单机器人打了，全是自己的事。这些活的共同点是：平时不出事，出事就是大事。
- 零侵入架构：本机 SSH 出站管理 7 台服务器，服务器上不装任何 Agent
- 安全审计 17 项检查（SSH 登录失败审计 / fail2ban 状态与封禁数 / 端口暴露比对 / 系统更新与重启需求 / 用户与 sudo 权限 / SSH 配置），三级状态判定
- WAF：5 个域名区、8 条自定义规则、50+ 恶意 ASN 黑名单、25 个合法 Bot 白名单（搜索引擎 / 购物广告 / 支付物流 / 监控四类）、8 项恶意流量识别（满足 3 项才判定）
- 刷卡机器人专项：针对结算页三条路径的频率阈值（购物车 / 结账 / 加购），云服务商 ASN 走质询而非直接拦截——不误伤真实买家
- 备份容灾三级：5 类数据资产（含 203 GB 对象存储）→ 每日 03:00 三套脚本 → 韩国 S3 + 美西 OSS 双远程 → 本地 7 天 / 云端 30 天自动清理
AI 在这一环的边界很清楚：脚本只采集不决策，AI 分析后"三思验证"再提改动，修复命令必须人工确认才执行。另有 8 条绝对禁止命令、10 类需人工确认操作、删除一律改用移动到备份目录、改配置强制先备份带时间戳副本。
数字员工：把 8 个环节串成一条链
上面 8 个环节如果各自为战，就还是"一堆工具"。真正让它们连起来的，是一支有编制的数字员工团队：14 名在编分属 6 个部门、59 个技能包、2.2 万行岗位手册、81 篇知识库文档。
员工不换系统，在飞书说一句话就是派活；上一环的产出一落库，数字员工主动把结果推给下一环的责任人：
- 样品信息自动入库建档，规格成本一次录入全链路复用
- 产品部分析一完成，总管主动把结论推给市场部责任人——不等吩咐，主动传交接棒
- 定档即生成下单与拍摄任务，责任人同步收到飞书卡片
- 素材完成直接进入上架流程，电商工程师数字员工接手改站
- 上架即入动销监测与 GEO 表现跟踪，闭环回到选品
- 承诺不蒸发：多人多天的事先落账本，平台逐人私信、自动催办、到点交报告——聊天窗口关了，事还在追
截至 2026-07-27，已累计产生 1,193 个任务产物目录、685 个交付文件、108 MB 交付物，全部直接送达飞书。数字员工到底是什么、和 RPA 与 Copilot 的分界在哪，《AI 数字员工是什么》讲得更完整。
同样的活，人工 vs 系统
系统侧为代码中的真实配置（任务超时上限、执行频率、实测成本），人工侧为按常规作业强度的合理估算，已注明依据，不与实测数据混淆。
| 场景 | 人工/外包 | 系统 | 估算依据 |
|---|---|---|---|
| 全站技术 SEO 审计（122 页 × 29 规则） | ≈ 10 小时 | 30 分钟 · 每日自动 | 人工逐页检查按 5 分钟/页 |
| 动销与补货测算（7 仓 × 11 指标） | ≈ 4 小时/次 | 每日 07:30 无人值守 | 人工导出多仓数据后 Excel 建模按半天 |
| 电商图片套件（主图 + A+） | 3–5 天 | ≈ 2 分钟 | 外包常规交付周期；系统侧为平台标注时长 |
| 类目市场调研报告 | 2–3 天 | 数十分钟 · 一句话发起 | 人工收集数据并成稿按 2–3 工作日 |
| SEO/GEO 体系建设 | 10.8–36.8 万/半年 | 一次投入 · 长期资产 | 外包侧为实际收到的报价单区间 |
| AI 引用监测（8 提问词 × 多引擎） | — | $0.08 / 轮 | 代码实测成本口径，非估算 |
想自己走这条路，先看清楚工作量
全部五大自研体系合计 123 万行生产代码（精确值 1,227,041 行）、12 个月内 1,593 次自研提交、44 个无人值守定时任务、256 张数据表。
这个数字的意义不是炫耀，是给你一个估算自己工作量的锚点。真正吃掉时间的不是"接一个 agent"，而是接完之后剩下的：多租户隔离、凭据不落地、记忆的归属切分与改口机制、常驻实例的开通升级健康上报备份回滚、席位与额度计量。这些都不是模型问题，是工程问题。
artux 就是这部分工作的产品化：一企业一实例、数据不出网、飞书里派活、经验沉淀在组织。今天真正跑得稳的能力逐项列在能力清单，价格与席位口径在定价页。
FAQ
这些数字是怎么统计的？
分三种口径并分开标注：实测取自生产系统与开发库快照（2026-07 期间），代码取自代码仓库统计（不含测试代码、依赖包与构建产物），估算为合理推算并注明依据。人工侧的耗时全部是估算，系统侧全部是真实配置或实测。两者不混算。
不是家具品类，这套还适用吗？
链路是通用的——8 个环节对任何做独立站的 DTC 品牌都成立。不通用的是参数与规矩：家具的库存重、周转慢、备货目标 180 天，快消品完全不是这个数；家具的场景图配方对服饰也没意义。所以真正要迁移的是链路结构，要重配的是每一环的阈值和规则。
一定要自研吗？买现成工具组合行不行？
能跑起来，但你会得到八个孤岛加七次人工搬运——这正是我们的起点，也是后来自研的原因。判断标准很实际：如果环节之间的搬运每天都在发生，且搬运的人不止一个，那么打通的收益就超过了工具本身。
AI 会不会把生产站点改坏？
在我们的实现里，这件事被做成了执行路径上过不去的闸门，而不是提示词里的请求。三条最硬的：调度器只接受采集 / 分析 / 巡检三类任务，刻意不定义"写"类型——写生产的任务在注册阶段就被拒绝，且有单元测试常驻断言；主题改动只能推预览 + 双视口截图 + 预览链接，必须等运营明确回复"确认上线"；回写走六铁律（幂等键防重复 · 二次确认才真写 · 写前快照 · 一键回滚 · 全链路审计 · 失败进死信队列）。把"不能做"变成类型系统里不存在的东西，比写在提示词里可靠得多。
GEO 和 SEO 要分开做吗？
不用分开做，但要分开衡量。技术底子（可抓取、结构化数据正确、页面不薄）两边共用；差异在于 GEO 额外要求答案可提取——结论前置、有具体数字、有可引用的出处、覆盖对话式问法。这也是审计规则里 GEO 专属 5 条的由来。
怎么先小成本验证？
免费注册，申请 7 天全功能试用（审核制，5 席 + 300 万 token）。建议挑一件你现在真的每天在人工做的活——比如多仓库存对账、竞品价格监测、多语言 listing——而不是跑演示场景，后者看不出差别。