01
步骤 1
提取每个变体在店铺、仓库工具和流动日志中各自的标识、各系统上报的分仓数量、持有的未结预留，以及每条记录的提取时间戳。
返回所属主题
Spark 运营场景库 · Spark: AI Store Assistant
对齐关联记录间的变体库存数量
同一个变体在店铺、仓库工具和最近的流动日志中显示着不同数量。本场景的首要任务是对齐各关联记录之间的变体库存数量。产出为库存对账结果与建议更正文件，来源为这些互相重叠的记录。
所属主题
库存同步与准确性
目标关键词
shopify sync variant inventory
可复制 AI 提示词
直接用在 Spark 工作流里的提示词
先替换所有 [方括号] 占位内容，再补充你真实的店铺数据和限制条件，最后粘贴到你常用的 AI 助手或 Spark 智能体里。Spark 会按本页定义的流程给出结构化的输出和验证方式。
ai-prompt.txt
你是一名 Shopify 运营专家。请帮我处理「shopify sync variant inventory」这一问题，所属方向为「库存同步与准确性」。
店铺背景：[填写品类、目标市场、目标客群]
处理范围：[填写商品、页面、客户、活动或日期范围]
可提供的数据：[填写已有资料]
请按以下方式工作：
1. 先说明完成该任务需要哪些关键数据，并标记缺失项。
2. 把各系统提取时间之后记录的流动重放到同一截止时间点，得到可比的数量，再比较这些重算值，并把每处剩余差异归因到具体的流动、预留或缺失记录，而不是归给最新看到的那个数字。
3. 输出问题判断、建议方案、优先级、所需人工确认事项和验证方法。
4. 所有商品属性、指标、客户信息和营销结论必须以我提供的数据为依据；没有证据时请明确写“待确认”，不要猜测。
5. 如涉及发布、发信、改价、修改商品或账户操作，在我明确授权且工具已连接前，仅输出草案或操作步骤；完成操作后再报告已验证的结果。解决步骤
推荐的解决流程
按输入、判断、交付三个阶段拆开执行，先保证每一步的输出，再进入下一步。
02
步骤 2
把各系统提取时间之后记录的流动重放到同一截止时间点，得到可比的数量，再比较这些重算值，并把每处剩余差异归因到具体的流动、预留或缺失记录，而不是归给最新看到的那个数字。
03
步骤 3
输出对账结果，每个变体每个仓库一行，列明各系统的重算数量、差异、归因原因和按商家数据源权威规则给出的建议更正；流动证据无法覆盖全部缺口的变体一律记为未决。
常见问题
执行这个场景时最常见的疑问
覆盖判断依据、常见误解和必须准备的输入，让团队在真正动手之前先把前提对齐。
为什么要把数量统一到同一截止时间点？
两个系统在不同时刻提取数据，报出不同的数字本来就是正常的，直接比较原始数值得到的差异往往只是时点差。把流动重放到同一截止点之后仍然存在的差异，才是真正需要更正的同步问题。
更正哪一个系统的数字？
按商家的数据源权威规则更正级别较低的那个，并对所有变体一致适用。胜出的数值、被否决的数值以及否决理由都要记录，使同一类分歧下次按同样方式解决，而不是逐行重新争论。
流动记录无法解释差额时怎么办？
该变体记为未决，连同无法解释的数量列入待办清单，而不是强行更正到一致。无法解释的差异通常意味着缺失的预留或未登记的流动，臆测一个数值会掩盖造成这个缺陷的真正原因。
相关场景
继续浏览相近或同主题的 Spark 运营场景
先优先看同主题的相似问题，或用相似度推荐扩展到跨主题但逻辑相近的其他场景。
Next step
想把这些 AI 场景直接嵌入日常运营？
Ciwi Spark 围绕 Shopify 商家常见的研究、投放、翻译和客户支持等流程，提供可以直接接入店铺的 AI 工具与智能体，减少反复写提示词的成本。