Make 18. 跨境电商必备：Make 与 RAG 打造文章自动化创作工作流

引言

做跨境电商的朋友一定有过这样的体验：每上一个新品，就要写亚马逊 Listing 五点描述、产品详情页、推广种草文、Q&A 问答......一个 SKU 至少四五篇内容，几十个 SKU 下来工作量直接爆炸。更痛苦的是，这些内容必须基于真实的产品参数，不能瞎编，否则差评和退货率会让你怀疑人生。

我是翔宇。翔宇帮几位跨境卖家搭建过类似的内容系统，RAG 引入行业知识后文章的专业度明显提升了一个台阶。

我一直在思考一个问题：有没有办法把商品信息"喂"给系统，让它自动按需求生成不同类型的内容？传统的做法是把知识库存在 Notion 里，用关键词检索。但关键词匹配太死板——你搜"无线键盘"，知识库里写的是"蓝牙机械键盘"，直接就搜不到了。

所以这期我决定用 Make 搭建一套完整的 RAG（检索增强生成）系统，把商品信息转成向量存到 Pinecone，用语义检索替代关键词匹配，再把检索到的上下文交给大模型生成内容。整个流程零代码、全自动、实时触发，从表格改个状态到内容生成完毕，一气呵成。

你将学到

• RAG 系统的完整工作原理：从文本嵌入到向量检索到内容生成
• 如何用 SmartSuite / Airtable 的 Webhook 实现工作流实时触发
• Jina Embeddings v3 的文本嵌入与查询嵌入的区别
• Pinecone 向量数据库的创建、写入与相似度检索
• Jina Reranker 重排模型的接入与配置
• 通过 OpenRouter 调用不同大模型生成亚马逊 Listing、推广文章和问答
• 向量数据库的 Hash 校验自动更新机制
• Make 中路由条件分支的实战配置

视频教程

本教程配套视频已发布在 YouTube，建议搭配视频一起学习效果更佳。

详细教程

为什么需要 RAG 系统

在聊具体搭建之前，我先解释一下为什么要用 RAG，而不是直接把知识库丢给大模型。

打个比方：手机和电脑没法直接交易，但换成货币就能自由兑换了。RAG 做的事情类似——把文本和问题都转成"向量"这种统一的度量衡，通过向量之间的相似度计算来找到最相关的知识片段。

传统的关键词检索有个致命问题：灵活性不够。你在 Notion 里用"关键词"字段做检索，如果用户输入的是"RAG"，但知识库里写的是"检索增强生成"，就匹配不上。而且传统方式每次都是把整条知识拉过来，上下文过长，成本高、效果差。

RAG 的优势很明确：

工作流架构总览

整个工作流分为两大部分：

Part 1：文本嵌入——从 SmartSuite 获取商品信息 → 汇总字段 → Jina Embeddings v3 生成向量 → 写入 Pinecone 向量数据库

Part 2：内容生成——接收创作需求 → 大模型生成检索语义 → Jina 嵌入查询向量 → Pinecone 相似度检索 → Jina Reranker 重排 → OpenRouter 大模型生成最终内容

两部分通过 SmartSuite 的状态字段统一触发，改"开始嵌入"走嵌入流程，改"开始创作 Listing"走 Listing 生成，改"问答"走问答流程，改"开始创作推广文章"走推广文章生成。

配置实时触发器

我选择 SmartSuite 作为触发器，原因很简单：它支持 Webhook 实时触发，改个状态工作流就自动跑起来，不需要回到 Make 手动点 Run Once。

配置步骤：

1. 在 Make 中添加 SmartSuite 触发器模块
2. 获取 SmartSuite 的 API Token（右上角 → API）和 Workspace ID（顶部设置 → Solution）
3. 触发条件选择 Match Content，设置四个 OR 条件：状态等于"开始嵌入" / "开始创作 Listing" / "问答" / "开始创作推广文章"

如果你更习惯用 Airtable，效果一样，只是 Airtable 需要通过内置自动化或 Button 来触发外部 Webhook。我在小报童里也放了 Airtable 版本的完整工作流。

设计商品信息表格

SmartSuite 表格的字段设计直接决定了后续嵌入的质量。我用的字段包括：

• Title：商品完整名称（固定字段）
• Status：状态选项，用于触发不同流程
• Prompt：创作需求（Text Area 多行文本）
• Query / Top K：检索参数
• 商品链接、型号、版本、价格：文本字段
• Description：商品特点简介

这里有个小技巧：在汇总字段时，我把商品 Title 也拼接到每个片段前面。这样即使后续只检索到某个局部参数（比如"USB-C 接口"），大模型也能知道它属于哪个商品，回答更精准。

配置 Jina Embeddings 文本嵌入

嵌入模块使用 Jina Embeddings v3，通过 HTTP 模块调用。关键参数：

• 模型：jina-embeddings-v3
• 任务类型：文本嵌入选 retrieval.passage，查询嵌入选 retrieval.query（Jina v3 会根据任务类型生成不同的向量，这是它的核心优势）
• 维度：1024
• Late Chunking：开启（先让模型处理完整长文再切块，保留上下文信息）

Token 长度上限约 8000，按中文换算大概能容纳 5000 字左右。如果不确定字段长度，可以用 Make 的文本分析器检查。

配置 Pinecone 向量数据库

Pinecone 是 Make 原生内置的模块，配置非常丝滑：

1. 在 Pinecone 控制台创建 Index，维度设为 1024（必须和嵌入模型匹配），计算方式选 Cosine
2. 复制 Index 的 Environment（去掉 HTTPS 前缀和域名后缀）和 API Key
3. 在 Make 中连接 Pinecone，配置查询和写入模块

写入时要设置 Metadata，包括：

• Title：商品型号
• Text：原文全文（这是最终给大模型的上下文）
• Hash：对 Text 做 Hash 计算，用于检测内容变化
• 更新时间：记录写入时间

构建自动更新校验机制

这是整个工作流的精华之一。逻辑如下：

1. 先用 Vector ID（我用 SmartSuite 的 Record ID）查询 Pinecone
2. 如果 ID 不存在 → 直接插入新向量
3. 如果 ID 存在，比较 Hash 值 → Hash 相同说明内容没变，跳过；Hash 不同说明商品信息更新了，重新嵌入覆盖

记得打开 Fallback 路径，确保查询失败时也能走插入流程。

配置内容生成流程

内容生成的流程链路：

1. 生成检索语义：用 OpenRouter 大模型把创作需求转化为向量数据库的检索关键词。这一步不是必须的，但好处是可以把一个复杂需求拆成多个检索问题，检索更精准。

2. 查询嵌入：把检索语义交给 Jina Embeddings v3，任务类型切换为 retrieval.query。

3. Pinecone 查询：一定要打开 Include Metadata，Top K 参数控制返回结果数量。

4. Jina Reranker 重排：选择 jina-reranker-v2-base-multilingual 多语言模型，把 Pinecone 返回的结果按相关性重排，最相关的排前面。

5. 大模型生成内容：通过 OpenRouter 调用大模型，System Prompt 中注入角色设定和思维链，User Message 中传入检索到的上下文和创作需求。

三种内容生成的提示词策略

亚马逊 Listing：角色设定为亚马逊电商优化大师，输出标准的五要素——Title、Bullet Points、Search Terms、Image Description、Description。所有内容必须严格基于商品信息，禁止虚构。

推广种草文：角色设定为产品评测助理，以第一人称撰写"什么值得买"风格的体验文。关键技巧是加入"可能的缺点"环节——全是夸反而不真实，有理有据地提一两个小缺点，转化率更高。

问答：角色设定为 RAG 专家，200 字以内中文回答，知道就答不知道就说不知道，所有引用都要标注来源。

路由条件分支配置

最后一步是在 Make 中设置路由器，根据 SmartSuite 的状态字段分发到不同的生成路径：

• 状态 = "开始嵌入" → 走嵌入流程
• 状态 = "开始创作 Listing" → 走 Listing 生成
• 状态 = "开始创作推广文章" → 走推广文章生成
• 状态 = "问答" → 走问答流程

每个分支末尾加上 HTTP Status Code = 200 的校验条件，确保上游请求成功后才执行后续操作。

Make 与 Coze / Dify 的定位差异

很多朋友问我为什么不用 Coze 或 Dify 来搭这套系统。核心区别在于定位：

• Make 是自动化工具（AI Automation Tool），核心解决效率问题，2000+ 原生应用集成，零代码，面向流程自动化
• Coze / Dify 是 Agent 平台，核心解决对话和代理问题，面向开发者，中间大量代码块

两者不冲突。我的思路是把 Coze 和 Dify 当成 Make 的第 2001 和第 2002 个应用模块——用 Make 编排整体流程，在需要 Agent 能力的环节调用它们。

延伸阅读

• Make 17. PDF 翻译自动化：利用 Make 打造反思翻译工作流
• Make 19. 3 分钟速成：利用 Make 和 Flux 打造图文并茂的儿童绘本
• Make 20. Make 工作流改造方法论：一个工作流如何变成 1000 个工作流？

常见问题

Q：SmartSuite 和 Airtable 选哪个？
A：追求免费用 SmartSuite，追求体验和生态用 Airtable（约 $20/月）。功能上两者都能实现 Webhook 实时触发，我在小报童里两个版本都提供了。

Q：Pinecone 免费版够用吗？
A：对于几百到几千条商品数据完全够用。如果你的 SKU 量级在万级以上，可能需要付费版本。

Q：RAG 系统只能用在跨境电商吗？
A：完全不是。法律知识库、财经数据库、产品文档库、客服知识库——任何需要"基于私有知识生成内容"的场景都适用。垂直领域的专业知识库，精准度远超通用大模型直接生成。

Q：不同类型的文档怎么切片？
A：表格数据按行切（一行一个商品）；PDF 可以按标题层级或按页切；长文建议先生成摘要，再把摘要信息附加到每个片段里，提升检索效果。

总结

这期我们从零搭建了一套完整的 RAG 自动化系统，涵盖了文本嵌入、向量存储、相似度检索、重排、内容生成的全链路。整个系统零代码、云端运行、实时触发、自动校验更新，真正实现了"改个状态就出内容"的效率。

这套方法论的价值不止于跨境电商。任何人都可以搭建自己的垂直领域 RAG 知识库——把书籍、PDF、视频字幕、行业资料处理好存进去，就是一个比通用大模型更专业的知识引擎。

下一期我们来聊一个完全不同的方向：用 Make 和 Flux 全自动生成儿童插画绘本，3 分钟一本，敬请期待。

资源下载

• AI 编程实操课：国内版-FlowUS | 国际版-BMC
• YouTube 频道：翔宇工作流

📚 更多 Make 自动化内容：Make 自动化工作流完全指南