在电商场景中，同一个商品常常要铺到淘宝、京东、拼多多、抖音小店等多个渠道。每个平台对标题的字符数、关键词位置、禁用词和搜索逻辑不一样，手动逐条改写非常耗时。把天工AI搜索和通义千问串成一条流水线，可以让AI先查清平台规则，再批量生成符合各平台调性的标题。本文会从平台规则整理、通义千问调用、结构化输出校验以及常见问题排查四个角度展开。
一、先摸清各平台标题规则：天工AI搜索的用法
淘宝、京东、拼多多、抖音小店、小红书等平台对商品标题的规则并不统一。淘宝更看重大词和长尾词的覆盖，标题通常允许60个字符左右；京东的搜索排序对品牌词和型号词权重较高，移动端展示截断更明显；拼多多强调低价和场景词，部分类目会限制夸大宣传；抖音电商标题更偏内容化，需要配合短视频语境，商品标题和短标题要同时准备。如果只按一套标题铺全渠道，很容易出现字符超限、关键词前置错误或审核不通过。
天工AI搜索在这个环节的作用是快速收集最新规则。相比在浏览器里逐个打开平台帮助中心，可以直接用自然语言提问，例如“淘宝商品标题字符上限规则 拼多多标题禁用词 京东标题关键词排序”。搜索结果会给出经过整理的要点，并标注信息来源。将不同平台的规则整理成一张表后，后续调用通义千问时就可以把规则作为条件参数传入，避免模型凭旧知识生成。
| 平台 | 常见标题逻辑 | 重点关注 |
|---|---|---|
| 淘宝 | 核心词前置，覆盖长尾词 | 60字符左右，避免关键词堆砌 |
| 京东 | 品牌词+型号词优先 | 移动端截断，前20字讲清卖点 |
| 拼多多 | 价格词+场景词 | 禁用极限词，强调性价比 |
| 抖音 | 内容化短标题 | 短标题与商品标题配合，口语化表达 |
还可以用天工AI搜索做竞品标题调研。输入商品核心词加平台名称，例如“防晒衣 抖音 商品标题 爆款结构”，查看多个竞品标题的高频词、卖点表达和场景词。把出现频率高的词抽出来，加入后续提示词中的卖点词库。这样生成的标题不会脱离类目真实搜索习惯，也能在后续人工复核时省去大量收集素材的时间。
二、让通义千问按平台输出标题：提示词与接口调用
要让通义千问输出可直接使用的电商标题，必须把平台规则、商品核心属性、卖点词、禁用词以及输出格式都写清楚。如果只给一句“帮我写几个淘宝标题”，模型通常会生成看似通顺但不符合平台搜索逻辑的结果。更稳妥的做法是使用系统提示词约束角色和输出格式，再用用户提示词传入具体的商品信息和平台规则。
下面是一段基于通义千问兼容模式的Python调用示例。代码中通过system_prompt固定输出JSON结构，通过user_prompt传入商品信息和对应平台的规则文本，最后用json.loads解析返回内容。调用时建议把temperature设置在0.2到0.4之间，避免标题风格跳脱；同时把max_tokens设置得足够容纳多组候选标题。
import requests
import json
def generate_titles(product_info, platform_rule):
url = "https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions"
headers = {
"Authorization": "Bearer 你的API_KEY",
"Content-Type": "application/json"
}
system_prompt = (
"你是电商标题生成助手。请严格根据平台规则输出JSON对象，"
"不要输出任何额外解释。"
)
user_prompt = f"""
商品信息：{product_info}
平台规则：{platform_rule}
输出格式：{{"platform": "平台名", "titles": ["标题1", "标题2", "标题3"]}}
"""
payload = {
"model": "qwen-plus",
"messages": [
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
],
"temperature": 0.3,
"top_p": 0.8,
"max_tokens": 600
}
resp = requests.post(url, headers=headers, json=payload, timeout=30)
data = resp.json()
content = data["choices"][0]["message"]["content"]
return json.loads(content)
平台规则文本可以来自第一步天工AI搜索的整理结果。例如淘宝可以写入“标题不超过60个字符，核心词前置，属性词加类目词加场景词排列，禁用最、第一、国家级等广告违禁词”。京东则可以写“品牌词加型号词放最前，前20个字必须包含主要卖点，整体控制在50个汉字以内”。把规则写细以后，通义千问生成的内容会明显更贴近平台要求。
实际工程中不建议一次让模型同时生成所有平台标题，因为不同平台的表达差异较大，容易互相污染。更好的做法是循环遍历平台列表，每次只传一个平台规则，生成该平台的候选标题。这样既能控制单次输出长度，又方便后续按平台分别校验。
三、设计结构化输出与字符数控制
直接让模型输出自然语言标题列表会出现格式不稳定问题，例如多出序号、说明文字或错误的换行。因此需要把输出约束成JSON对象，并固定在提示词中声明。期望结构可以是{"platform": "taobao", "titles": ["标题一", "标题二", "标题三"]}。这样解析时只需要取出titles字段，再逐条进行字符数和敏感词校验。
下面这段代码演示了解析后的基础校验流程。函数validate_titles接收候选标题列表、最大长度和禁用词列表，过滤掉空标题、超长标题以及包含禁止词的标题。不同平台的max_len可以直接由第一步整理出的规则表提供。
import re
def validate_titles(titles, max_len, banned_words):
ok = []
for t in titles:
if not t:
continue
if len(t) > max_len:
continue
if any(word in t for word in banned_words):
continue
ok.append(t)
return ok
字符数控制要特别注意中英文混排。平台通常按字符数计算，一个汉字算一个字符，英文字母或数字也算一个字符。计算长度时直接使用Python内置的len即可，但要注意有些平台对中文和英文宽度处理不一致。更保险的方法是先用天工AI搜索核对当前平台的最新计数规则，再决定是否需要对英文单词做额外处理。过滤完成后，如果合格标题数量不足，可以调整提示词让通义千问重新生成，而不是直接降低标准。
对于敏感词和广告法违禁词，通义千问不一定掌握每个平台最新黑名单。建议每隔一段时间用天工AI搜索一次“平台名 商品标题 违禁词 最新规则”，把搜索到的词追加到banned_words列表中。校验时除了完全匹配，还可以加入正则检测，例如过滤“最高级”“第一”“顶级”等常见违规表达。这样可以减少后续平台审核驳回的概率。
四、组合工作流与常见问题排查
完整的工作流可以分成四步：第一步用天工AI搜索整理平台规则和竞品标题词库；第二步把商品信息、平台规则、卖点词和禁用词拼成提示词；第三步调用通义千问生成候选标题；第四步用脚本做长度、敏感词和重复度校验，人工最终确认。这个流程适合批量处理商品，尤其是SKU数量较多、需要同时维护多个店铺的团队。
实际使用中最常见的问题是标题堆砌关键词。通义千问有时会把所有卖点词一股脑塞进标题，导致读起来不通顺。解决办法是在提示词中增加约束，例如“不要堆砌关键词，标题必须通顺，核心卖点最多出现两次”。如果仍然出现堆砌，可以降低temperature，或者把不合格标题作为反例放进提示词中，让模型学会规避。
另一个常见问题是不同平台标题风格串味。比如淘宝标题中的复杂长尾词结构被带进抖音短标题，造成口语化差、信息密度过高。排查方法很简单：检查调用日志中是否每次只传入了单一平台规则，是否存在跨平台共用了同一段卖点描述。保持平台规则与商品信息隔离，按平台循环调用，可以明显降低这类问题。
最后建议保留人工复核环节。AI生成的标题在语法和关键词覆盖上通常不错，但品牌合规、类目特殊要求和促销时效性仍需人工确认。把天工AI搜索查到的规则、通义千问生成的候选标题、校验脚本的输出结果放在同一张表中，运营人员可以快速勾选最终标题，整体效率会比纯人工撰写高很多。