Skills
skills/liangdabiao/amazon-sorftime-research-mcp-skill/product-research

product-research

Installation
SKILL.md

选品分析器 (Product Research - LLM Agent 驱动版)

定位

基于 Sorftime MCP + LLM Agent 的深度选品调研。LLM 直接执行分析逻辑，脚本仅负责数据采集和报告渲染。

核心特点：

  • LLM 驱动：分析、洞察、决策全部由 LLM 完成
  • 交互式执行：逐步推进，用户可中途干预
  • 轻量脚本：仅用于 API 调用和 Dashboard 渲染

Script Directory

脚本 用途 何时调用
run_analysis.py 主入口脚本：整合数据采集、分析、报告生成 推荐使用
collect_data.py Sorftime 数据采集（类目、Top100、关键词、趋势） Step 1
get_reviews.py 竞品差评数据采集 Step 4
api_client.py Sorftime API 调用 + SSE 解析 + 编码修复 每次 API 调用
render_dashboard.py 生成 Dashboard 可视化看板（v3.1 修复版） 报告生成阶段
fix_data_json.py 数据验证和修复脚本：校验并自动修复 data.json Dashboard 生成前
validate_data.py 数据验证脚本：校验 data.json 字段命名和数据一致性 报告生成前

脚本职责：

  • 不做分析判断：所有分析由 LLM 完成
  • 不做复杂计算：交叉分析让 LLM 从数据中发现
  • 仅做数据搬运：API → 结构化数据

推荐使用方式：

# 阶段1：数据采集（基础版 Dashboard）
python scripts/run_analysis.py "earbuds" US

# 阶段2：LLM 分析完成后，生成最终版报告
python scripts/run_analysis.py "earbuds" US --final

# 其他选项
python scripts/run_analysis.py "earbuds" US --collect-only  # 仅数据采集
python scripts/run_analysis.py "earbuds" US --no-reviews     # 跳过差评采集

执行流程（两阶段）

重要：选品分析分为两个阶段，数据采集由脚本自动完成，LLM 分析需要人工参与。

阶段1：数据采集（脚本自动）

python scripts/run_analysis.py "keyword" US

输出：

  • data.json - 基础数据结构（不含分析结论）
  • dashboard.html - 基础版看板（不含决策评分、VOC 等）
  • raw/ - 原始数据文件

脚本自动完成：

  1. 类目搜索 → 获取 nodeId
  2. Top100 产品数据采集
  3. 关键词数据采集
  4. 类目趋势数据采集
  5. 竞品差评采集
  6. 市场分析（价格区间、品牌分布）

阶段2：LLM 分析（交互式）

必须完成的 LLM 分析任务：

步骤 任务 输出到 data.json
1 属性标注 product_types、dimensions_analysis
2 交叉分析 cross_analysis
3 VOC 分析 voc_analysis.dimensions
4 壁垒评估 barriers
5 决策评估 decision (overall_score, verdict)

完成后运行：

python scripts/run_analysis.py "keyword" US --final

--final 参数会：

  1. ✅ 验证分析数据完整性
  2. ✅ 更新 data.json
  3. ✅ 生成完整版 Dashboard（含决策评分、VOC 等）
  4. ✅ 如果数据不完整，会提示缺失的字段

数据完整性检查

也可以单独检查数据完整性：

python scripts/render_dashboard.py data.json --check

输出示例：

✓ 数据完整，可以渲染完整版 Dashboard
  包含: decision.overall_score, voc_analysis.dimensions, barriers, cross_analysis

或

⚠️ 数据不完整，缺少以下字段:
  - decision.overall_score
  - voc_analysis.dimensions

ℹ️ 请先完成 LLM 分析，然后重新运行渲染

执行流程（交互式）

Step 0: 信息收集

📋 选品分析 - 信息确认

1. 产品/类目关键词：[用户提供]
2. 目标站点：[US/GB/DE/FR/IT/ES/CA/JP，默认US]
3. 选品场景：[新手入门/蓝海发现/季节性/品牌打造/定向品类]
4. 约束条件（可选）：
   - 价格区间：如 $10-40
   - 月销量：如 > 1000
   - 预算：如 10万人民币

Step 1: 数据采集（增强版 v3.0）

API 调用顺序：

步骤 API 输出 说明 优先级
0.5 search_categories_broadly blue_ocean_categories.json 【新增】蓝海市场发现 📋 按需
1.1 category_name_search category_info.json 按产品名搜索类目（使用 searchName 参数） ⛔ 必调
1.2 category_report top100.json Top100 产品数据 ⛔ 必调
1.3 keyword_detail × 3+ keywords.json 多维度关键词对比 ⛔ 必调
1.4 category_trend trend.json 新品占比趋势 ⛔ 必调
1.5 keyword_extends keyword_extends.json 【新增】关键词延伸词（维度发现） 📋 推荐
1.6 potential_product potential_products.json 【新增】潜力产品发现 📋 推荐
1.7 product_detail × 6-10 products.json 竞品详情（按需） 📋 按需
1.8 product_reviews × 6-10 reviews.json 竞品差评（按需） 📋 按需

⚠️ 重要：API 参数说明（v3.0）

  • category_name_search 参数：{"amzSite": "US", "searchName": "bluetooth speaker"}
    • 正确的类目搜索 API，参数名是 searchName
  • search_categories_broadly 参数（蓝海发现）：{"amzSite": "US", "top3Product_sales_share": 0.4}
  • potential_product 参数（潜力产品）：{"amzSite": "US", "monthlySales_min": 500}
  • keyword_extends 参数（延伸词）：{"amzSite": "US", "keyword": "bluetooth speaker"}
  • category_report 参数：{"amzSite": "US", "nodeId": "7073956011"}
    • nodeId 是字符串类型

脚本调用方式：

# 方法1: 使用 collect_data.py (推荐)
from scripts.collect_data import collect_data
result = collect_data("bluetooth speaker", "US")

# 方法2: 使用 api_client.py
from scripts.api_client import SorftimeClient

client = SorftimeClient()

# 获取类目ID（正确的方式）
category = client.search_category_by_product_name("US", "bluetooth speaker")
node_id = category[0]['nodeId']

# 获取Top100
top100 = client.get_category_report("US", node_id)

# 获取关键词详情
keywords = client.get_keyword_detail("US", "bluetooth speaker")

Step 2: 属性标注（LLM 驱动）

LLM 任务：从 Top100 标题中提取关键差异化维度

## 属性标注任务

基于以下 Top100 产品标题，提取 3-6 个关键差异化维度：

### 标题样本
[提供 Top20-30 标题作为样本]

### 提取要求
1. 识别差异化维度（如：功率、防水、续航、形态等）
2. 为每个产品标注维度值
3. 标注置信度（高/中/低）

### 输出格式
| ASIN | 功率 | 防水 | 续航 | ... | 置信度 |

对低置信度产品：调用 product_detail 补充验证

Step 3: 交叉分析（LLM 直接发现）

LLM 任务：从标注数据中发现供需缺口

## 交叉分析任务

基于以下已标注的 Top100 产品数据，执行交叉分析：

### 数据
[提供标注后的产品数据]

### 分析要求
1. 选择 2-3 对有意义的维度组合（如：功率×价格、防水×场景）
2. 识别：空白点（0产品）、薄供给（≤2产品）、高需求低供给
3. 分析每个缺口的原因（技术限制？需求不存在？被忽视？）
4. 按机会价值排序

### 输出格式
| 维度组合 | 状态 | 产品数 | 月销量 | 原因分析 | 机会评级 |

关键点：让 LLM 直接从数据中发现规律，而不是用 Python 脚本计算

Step 4: 竞品与 VOC 分析

竞品选择逻辑表（LLM 按细分段选择）：

ASIN 品牌 选择理由 类型 覆盖维度
[LLM 选择 6-10 个代表性竞品]

⛔ 差评维度归类（关键步骤）

必须按维度归类，禁止按 ASIN 组织

LLM 任务：将竞品差评按属性维度归类，并映射到品牌能力和产品方案

输入：competitor_reviews.json（按 ASIN 组织的原始差评） 输出：data.json 中的 voc_analysis 字段（按维度归类）

归类要求：

  1. 识别主要维度（3-6 个）- 基于差评内容提取痛点类别
  2. 每个维度包含：
    • dimension: 维度名称（如：音质/音量、舒适度、续航）
    • pain_point: 痛点描述
    • frequency: 提及频次
    • percentage: 占比（如 "32%"）
    • affected_brands: 涉及品牌列表
    • brand_opportunity: 品牌/供应链能力如何解决
    • product_solution: 具体产品改进方向

输出格式示例：

{
  "voc_analysis": {
    "dimensions": [
      {
        "dimension": "音质/音量",
        "pain_point": "音量太小，户外听不清",
        "frequency": 45,
        "percentage": "32%",
        "affected_brands": ["SHOKZ", "JLab"],
        "brand_opportunity": "有14.2mm大动圈供应链",
        "product_solution": "14.2mm动圈+音量增强模式"
      }
    ],
    "summary": "主要痛点集中在音质(32%)、舒适度(28%)、续航(18%)"
  }
}

禁止的输出方式：

  • ❌ 按 ASIN 组织：{"B0XXX": {"reviews": [...]}}
  • ❌ 缺少频次/占比数据
  • ❌ 缺少品牌机会和产品方案映射

Step 5: 评估与决策

进入壁垒评估：

壁垒类型 等级 数据锚点 预估成本 缓解方案
Review 壁垒 中/高 Top10 均值 XXX 评论 $XXX Vine + PPC
资金壁垒 中/高 首批备货 + 广告 ¥XX 控制首批 MOQ
... ... ... ... ...

选品决策评估（五维评分）：

维度 权重 评分(1-10) 加权分 依据
市场规模 20% [LLM 评分] X.X [数据依据]
竞争格局 25% [LLM 评分] X.X [数据依据]
... ... ... ... ...
总分 100% - X.XX 决策结论

决策结论映射：

  • 7.5-10分 → 建议进入 (优先推进)
  • 6.0-7.4分 → 谨慎进入 (需精准定位，明确准入条件)
  • 4.0-5.9分 → 暂缓观望 (需更多数据验证)
  • 0-3.9分 → 不建议进入 (风险大于机会)

产品矩阵（Tier 1 必填具体规格）：

### Tier 1: [产品定位]

**目标市场**：[维度组合空白/机会]
**决策理由**：[数据依据]

| 维度 | 规格 | 决策依据 |
|------|------|----------|
| [维度1] | [具体值] | [为什么] |
| [维度2] | [具体值] | [为什么] |

**目标定价**：$XX.XX
**差异化主张**：[一句话]
**对标竞品**：[ASIN] — [我们的优势]
**预估月销潜力**：XX-XX 件

Step 6: 报告输出

输出文件：

product-research-reports/
└── {category}_{site}_{YYYYMMDD}/
    ├── report.md              # Markdown 完整报告（LLM 直接输出）
    ├── data.json              # 结构化数据（供 Dashboard 使用）
    ├── dashboard.html         # 可视化看板（脚本渲染）
    └── raw/                   # 数据文件
        ├── category_info.json # 类目信息
        ├── top100.json        # Top100 产品数据
        ├── trend.json         # 趋势数据
        └── keywords.json      # 关键词数据

data.json 结构（简化版）：

{
  "metadata": {
    "category": "bluetooth speaker",
    "site": "US",
    "date": "20260319"
  },
  "market_overview": {
    "top100_monthly_sales": 55000,
    "top100_monthly_revenue": 5200000,
    "avg_price": 95,
    "top3_product_concentration": 0.2578,
    "top3_brand_concentration": 0.5058,
    "top10_brand_concentration": 0.8234
  },
  "dimensions": [...],
  "cross_analysis": [...],
  "competitors": [...],
  "voc_analysis": {
    "dimensions": [
      {
        "dimension": "音质/音量",
        "pain_point": "音量太小，户外听不清",
        "frequency": 45,
        "percentage": "32%",
        "affected_brands": ["SHOKZ", "JLab"],
        "brand_opportunity": "采用更大驱动单元",
        "product_solution": "14.2mm动圈+音量增强模式"
      }
    ],
    "summary": "主要痛点集中在音质(32%)、舒适度(28%)、续航(18%)"
  },
  "barriers": [...],
  "go_nogo": {...}
}

⛔ 重要：数据字段命名规范

字段名 说明 示例
top3_product_concentration Top3 产品销量占 Top100 总销量的比例 0.2578 = 25.78%
top3_brand_concentration Top3 品牌销量占 Top100 总销量的比例 0.5058 = 50.58%
top10_brand_concentration Top10 品牌销量占 Top100 总销量的比例 0.8234 = 82.34%
new_product_share 新品（上架<6个月）销量占比 0.26 = 26%

禁止模糊命名：

  • ❌ top3_concentration（不明确是产品还是品牌）
  • ✅ top3_product_concentration 或 top3_brand_concentration

⛔ 重要：VOC 分析数据结构

voc_analysis 字段必须包含按维度归类的差评分析，而非按 ASIN 组织：

字段 类型 说明
dimension string 痛点维度（如：音质/音量、舒适度、续航等）
pain_point string 痛点描述
frequency number 提及频次
percentage string 占比（如 "32%"）
affected_brands array 涉及的品牌列表
brand_opportunity string 品牌/供应链能力如何解决
product_solution string 具体产品改进方案

Dashboard 渲染规范

render_dashboard.py 负责将 data.json 渲染为可视化看板。关键渲染规则：

产品维度分布

  • 必须使用表格形式，禁止使用柱状图
  • 双栏布局：左侧价格区间分布，右侧产品形态分布
  • 每行显示：维度值、产品数、占比（带颜色标签）
  • 占比标签颜色规则：≥30%蓝色、≥20%绿色、≥10%黄色、<10%灰色

交叉分析（价格区间 × 产品形态）

  • 必须使用矩阵表格形式，禁止使用图表
  • 行：价格区间（$0-30 到 $200+）
  • 列：产品形态（骨传导、夹耳式、开放式挂耳、入耳式）
  • 单元格：产品数量
  • 特殊标记：
    • 竞争激烈（≥15款）：红色"红海"标签
    • 市场空白（0款）且为机会点：绿色"机会"标签
  • 底部必须有洞察提示框，说明红海和机会区域

示例输出

<!-- 维度分布：双表格布局 -->
<div style="display: grid; grid-template-columns: 1fr 1fr; gap: 24px;">
  <!-- 价格区间表格 -->
  <!-- 产品形态表格 -->
</div>

<!-- 交叉分析：矩阵表格 -->
<table>
  <thead><!-- 表头：产品形态 --></thead>
  <tbody><!-- 行：价格区间，列：产品数 --></tbody>
</table>
<div class="insight-box">洞察：...</div>

LLM Prompt 模板库

详细 Prompt 模板请参考：references/prompt_templates.md

包含 6 个模板：

  1. 属性标注 - 从产品标题提取差异化维度
  2. 交叉分析 - 发现供需缺口
  3. 竞品选择 - 选择代表性竞品
  4. 差评归类 - 按属性维度归类痛点
  5. 选品决策评估 - 五维加权决策
  6. 产品矩阵规划 - Tier 1/2/3 具体规格

硬性规则（⛔ 不可省略）

  1. ⛔ Top100 必须完整 100 条
  2. ⛔ 关键词至少 3 个维度对比
  3. ⛔ 竞品选择 6-10 个，覆盖量级标杆/功能差异/价格带/痛点
  4. ⛔ 差评必须按维度归类（非按 ASIN 归类），输出到 data.json 的 voc_analysis 字段
  5. ⛔ VOC 分析必须包含：频次、占比、涉及品牌、品牌机会、产品方案
  6. ⛔ 选品决策评估必须量化评分
  7. ⛔ Tier 1 产品必须具体到规格（禁止"待确认"占位）
  8. ⛔ 每个数据表后有"关键洞察"段落
  9. ⛔ 空白/薄供给必须附带原因分析
  10. ⛔ 数据字段命名必须清晰：使用 top3_product_concentration / top3_brand_concentration，禁止模糊的 top3_concentration
  11. ⛔ 数据一致性校验：报告生成前必须校验 data.json 中的数值与报告文本一致

常见场景策略

场景1：新手入门（预算<15万）

  • 价格 $10-20
  • 轻小件
  • 无售后风险
  • 中国卖家占比 > 70%

场景2：蓝海发现

  • Top3 集中度 < 30%
  • 新品占比 > 15%
  • 关键词首页评论 < 500

场景3：定向品类分析（用户已指定）

  • 跳过类目扫描，直接进入数据采集
  • ⛔ 必须执行属性标注
  • ⛔ 必须执行交叉分析
  • ⛔ 必须执行选品决策评估（五维评分）

与其他 Skills 的关系

category-selection (品类筛选五维评分)
        ↓
product-research (深度选品调研) ← 本 Skill
        ↓
amazon-analyse (竞品 Listing 深挖)
        ↓
review-analysis (评论深度分析)

区别：

  • category-selection：品类级别的快速筛选，五维评分
  • product-research：指定品类的深度调研，多维度分析 + 选品决策评估
  • amazon-analyse：单个竞品 Listing 的详细分析
  • review-analysis：评论的深度痛点分析

支持的站点

US, GB, DE, FR, IT, ES, CA, JP, MX, AE, AU, BR, SA

注意事项

  1. API Key：自动从 .mcp.json 读取
  2. 数据时效：Sorftime 数据可能有 1-7 天延迟
  3. API 限流：每批最多 8 个并发请求
  4. 编码问题：脚本自动处理 Unicode-escape 和 Mojibake
  5. 原始数据：所有 API 响应保存在 raw/ 目录供验证

故障排查

常见错误及解决方案

错误信息 原因 解决方案
HTTP Error 406: Not Acceptable API参数错误 检查参数名是否为 searchName 而非 productName
An error occurred invoking 'xxx' API工具不存在 检查 TOOLS 映射表中的工具名称
未查询到对应产品 ASIN无效或站点错误 验证ASIN格式, 确认产品在该站点销售
Authentication required API Key错误 检查 .mcp.json 中的 key 参数
中文乱码 Mojibake编码 脚本自动修复, 或运行 fix_encoding.py
IndentationError: unexpected indent Windows 命令行问题 使用脚本文件而非 python -c
输出目录路径错误 相对路径问题 使用 run_analysis.py，自动处理路径
NameError: name 'xxx' is not defined 缺少 datetime 导入 检查脚本 import 语句
Dashboard 渲染问题
Dashboard 显示空白 data.json 结构不匹配 v3.5 已修复：run_analysis.py 自动渲染 Dashboard
Dashboard 未自动生成 旧版本未集成渲染 v3.5 已修复：数据采集完成后自动渲染
PermissionError: [Errno 13] 传递目录路径而非文件路径 使用绝对路径调用：python render_dashboard.py -o output.html data.json
unrecognized arguments 参数顺序错误 正确格式：python render_dashboard.py -o dashboard.html data.json
Dashboard 缺少 VOC 数据 LLM 未生成完整 voc_analysis 确保 LLM 生成包含 voc_analysis.dimensions 的完整 data.json
Dashboard 交叉分析为空 price_type_matrix 数据缺失 确保数据采集包含价格区间分析
KeyError: 'xxx' 字段名不一致 v3.4 已修复：支持新旧字段名兼容
AttributeError: 'str' object has no attribute 'get' data.json 格式问题 v3.4 已修复：自动转换为列表格式

Dashboard 手动渲染方法

如果自动渲染失败，可以手动调用：

# 从输出目录调用
python .claude/skills/product-research/scripts/render_dashboard.py \
    -o product-research-reports/{keyword}_{site}_{date}/dashboard.html \
    product-research-reports/{keyword}_{site}_{date}/data.json

# 或者使用绝对路径
python "D:\amazon-mcp\.claude\skills\product-research\scripts\render_dashboard.py" \
    -o "D:\amazon-mcp\product-research-reports\{keyword}_{site}_{date}\dashboard.html" \
    "D:\amazon-mcp\product-research-reports\{keyword}_{site}_{date}\data.json"

API 工具名称对照表

功能 工具名称 参数
类目搜索 category_name_search amzSite, searchName
类目报告 category_report amzSite, nodeId
类目趋势 category_trend amzSite, nodeId, trendIndex
关键词详情 keyword_detail amzSite, keyword
产品详情 product_detail amzSite, asin
产品评论 product_reviews amzSite, asin, reviewType

调试技巧

  1. 启用详细输出: 在脚本中添加 print() 调试信息
  2. 检查原始响应: 查看 SSE 响应的实际内容
  3. 分步执行: 使用 Python 交互式环境逐行调试
  4. 验证API Key: curl "https://mcp.sorftime.com?key=YOUR_KEY" -d '{"jsonrpc":"2.0","id":1,"method":"tools/list"}'

版本: v3.6 (两阶段工作流 + 数据验证) | 最后更新: 2026-03-19

Weekly Installs
4
Repository
liangdabiao/ama…cp-skill
GitHub Stars
215
First Seen
1 day ago
Security Audits
Gen Agent Trust HubPass
SocketPass
SnykWarn