繁体中文 
API + AI：打造以 LLM 為核心的商品文案與短影音腳本自動生成系統
在電商營運中，文案生產一直是內容團隊的核心瓶頸之一。無論是商品詳情頁還是 TikTok、抖音等短影音平台的腳本撰寫，都具有重複性高但不可忽視的特性。這些內容不僅影響消費者轉換，也關乎品牌的專業度與信任感。
透過結合電商 API 獲取商品結構化資料與評論熱詞，再搭配大型語言模型（LLM），可以顯著提升內容生產的效率與精準度。本篇將從實務角度出發，詳盡說明如何搭建一套以「數據驅動」為核心的內容生產鏈，從資料抓取到 prompt 設計，再到文案生成與部署落地，打造高效、可擴展的自動化內容生成流程。
一、目標概述
本系統旨在建立一個基於 API + LLM 的自動化電商內容生成鏈路，核心功能包括：
抓取商品詳細資料與用戶評論
擷取評論中的高頻關鍵字進行 prompt 建構
結合 LLM 模型智能生成以下內容：
商品詳情頁文案（產品介紹 + 賣點描述）
TikTok 或抖音短影音腳本（具結構性的 60 秒口播文案）
系統可應用於大規模商品內容自動生產、社交媒體行銷、自媒體內容創建等場景。
二、核心資料來源
為了構建可重用的內容生成流程，需整合多個平台的結構化資料與用戶反饋數據。以下為主要資料來源與範例 API：
資料類型 | 來源平台 | 範例 API |
|---|---|---|
商品結構資料 | Amazon / Walmart / Lazada / Temu |
|
評論資料 | 拼多多 / TikTok Shop / Shein |
|
熱搜關鍵詞 | TikTok / 抖音熱榜接口 |
|
這些資料可以透過爬蟲或合作 API 授權取得，為後續的文案生成提供語境支撐。
三、Prompt 建構的關鍵策略
高質量的文案來源於精準的 prompt 設計。為避免生成結果過於浮誇或無關痛癢，本系統採用「評論熱詞反向驅動」策略：
優先納入用戶真實評論中的高頻關鍵字與痛點
模擬目標用戶的實際使用情境與需求場景
結合季節趨勢、競品差異等輔助要素提升說服力
範例 Prompt 建構邏輯：
def build_prompt(product_info, hot_comments):keywords = ", ".join(hot_comments[:5]) # 取前 5 熱詞
return f"""你是一位電商內容專家，請根據以下商品資訊與用戶評論，撰寫一段適用於商品詳情頁的文案。
商品名稱：{product_info['title']}
核心參數：{product_info['attributes']}
評論關鍵詞：{keywords}
要求：
1. 開頭需吸引眼球，引發用戶興趣
2. 精準突出產品賣點，不堆砌參數
3. 融合用戶真實評論，展現實際使用感受
4. 語言自然流暢，貼近消費者語境，避免誇大其詞
請生成約 150 至 200 字的商品介紹文案。
"""
四、實戰程式碼：一鍵生成商品詳情文案與短影音腳本
以下為 Python 示例代碼，展示如何串接 API、處理評論資料並調用 GPT 生成內容：
import requestsimport openai
# Step 1: 取得商品資料
def get_product_detail(product_id):
url = "https://luckdata.io/api/lazada-online-api/x3fmgkg9arn3?site=vn&itemId=2396338609"
return requests.get(url, params={"id": product_id}).json()
# Step 2: 擷取評論關鍵詞
def get_comment_keywords(product_id):
url = "https://luckdata.io/api/tiktok-api/gqJ8UsGWZJ2p"
data = requests.get(url, params={"product_id": product_id}).json()
keywords = extract_hot_keywords(data["comments"]) # 可使用 TF-IDF 或 TextRank
return keywords
# Step 3: 生成文案
def generate_copy(prompt):
openai.api_key = "YOUR_API_KEY"
res = openai.ChatCompletion.create(
model="gpt-4",
messages=[{"role": "user", "content": prompt}]
)
return res['choices'][0]['message']['content']
# Step 4: 主流程
def main(product_id):
info = get_product_detail(product_id)
keywords = get_comment_keywords(product_id)
prompt = build_prompt(info, keywords)
copy = generate_copy(prompt)
print("生成詳情頁文案：\n", copy)
五、延伸應用：自動生成 TikTok 短影音口播腳本
短影音是帶貨轉換的重要場域，我們可以進一步利用 LLM 生成 60 秒腳本，結構建議如下：
你是一位擅長撰寫 TikTok 帶貨腳本的內容創作者，請根據下列資訊撰寫一段口播稿：結構要求：
1. 前 5 秒：吸睛開場，呈現用戶痛點或競品對比
2. 中段：重點說明產品特色與亮點，融合用戶評論熱詞
3. 結尾：明確呼籲行動，引導下單，結合好評或使用成果展示
商品名稱：XXX
產品賣點：防水、超輕、適合夏季穿搭
評論關鍵詞：透氣、便宜、品質好、尺碼合適、已多次回購
請生成一段 60 秒腳本，格式可使用 Markdown 或 JSON 便於後續部署使用。
六、強化：基於檢索增強生成（RAG）機制優化模型上下文
當你已建立自己的電商資料庫，可進一步構建「檢索增強生成」（Retrieval-Augmented Generation）系統。其主要優勢為生成文案更加貼合實際商品數據與用戶語境。
技術流程如下：
將評論、分類說明、店鋪評價進行文本向量化（可用 OpenAI Embedding 模型）
利用 Faiss 等工具對查詢進行相似度檢索（Top-k）
將檢索結果拼接進 prompt 作為上下文
輸入至 LLM 模型生成內容
此流程可顯著提高文案的真實性與說服力，降低出現幻覺或錯誤描述的風險。
七、部署建議：打造輕量級自動化平台
為了實現大規模部署與使用，可搭建一套簡易的文案生成平台：
後端框架：FastAPI / Flask，資料庫選用 PostgreSQL 或 MongoDB
前端介面：Streamlit（快速原型）或 Vue（正式系統）
功能模組：
商品批量導入（CSV 或 Excel）
API 串接與自動抓取評論關鍵詞
Prompt 構建器與模型調用
文案生成後自動儲存與批量導出
✅ 建議增加內容版本管理機制與 A/B 測試模組，以驗證文案效能。
八、結語：構建以數據與語言模型為核心的內容生產新範式
當你將內容創作的「資料來源」打穩，把語言模型的「表達能力」用好，就能構建一條穩健、高效、可擴展的電商內容生產鏈。
✅ 建議未來進一步結合：
熱搜榜與競品價格監控 → 推動自動化選品與主題腳本生成
即時評論關鍵字追蹤 → 動態優化廣告文案與帶貨腳本
打造真正的 內容反應式生產系統（Reactive Content Engine），讓文案不再只是「創作」，而是與數據實時對話的產物。
