القائمة
对亚马逊商品评论进行深度分析，自动识别产品痛点、分析退货原因，生成改进建议和客服回复模板。Invoke when user uses /review-analysis command with a product ASIN.
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/liangdabiao/amazon-sorftime-research-MCP-skill --skill review-analysisيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
对亚马逊竞品Listing进行全维度穿透分析，包括文案逻辑、评论分析、关键词分析、市场动态等。分析完成后自动保存为Markdown报告文档到reports/目录。Invoke when user uses /amazon-analyse command with a product ASIN.
亚马逊爆款 Listing 打造助手（基于 Cosmo 语义算法 + Alexa/Rufus 对话式购物趋势）。通过"先分析、再生成、最后校验"的 AI 工程化流程，把 Listing 从"关键词堆砌"升级为"语义覆盖 + 需求证据 + 答案型内容"。提供八步工作流（关键词分层词库 → 用户问题库 → 卖点证据库 → 标题 → 五点 → 描述A+ → Search Terms → QA）、给 Codex 的可复用提示词、真实案例（抗 UV 户外仿真植物、down filled pillows QA）以及五大常见误区检查。触发场景：(1) 用户说"帮我写 Listing / 写标题 / 写五点 / 写描述 / 写 A+ / 写 QA / 写 Search Terms"(2) 用户输入 /listing-builder, /build-listing, /cosmo-listing, /alexa-qa, /listing-title, /listing-bullets, /listing-aplus, /listing-st, /listing-qa(3) 用户提及 Cosmo 算法、Alexa 算法、Rufus、对话式购物、语义搜索、答案型 Listing(4) 用户希望结合卖家精灵 MCP 数据做关键词分层与痛点映射。适用于亚马逊美国站等站点的运营、Listing 优化师、产品开发、跨境营销人员。
亚马逊品类自动化选品分析技能。通过五维评分模型对亚马逊品类进行深度市场调研，生成Markdown分析报告。当用户使用 /category-selection 命令或提出'分析XX品类'、'XX品类市场调研'、'XX品类选品'等需求时触发此技能。支持配置分析数量，默认Top20。
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | review-analysis |
| description | 对亚马逊商品评论进行深度分析，自动识别产品痛点、分析退货原因，生成改进建议和客服回复模板。Invoke when user uses /review-analysis command with a product ASIN. |
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1. 获取API密钥 | 读取 .mcp.json | 获取 Sorftime API 密钥 |
| 2. 创建报告目录 | mkdir + data子目录 | 创建 review-analysis-reports/{ASIN}_{站点}_{日期}/data/ |
| 3. 获取产品数据 | product_detail API | 验证ASIN并获取产品信息，保存原始SSE数据 |
| 4. 获取评论数据 | product_reviews API | 获取全部评论数据，保存原始SSE数据 |
| 5. 解析并分类差评 | 内存处理 | 提取1-3星评论，按痛点分类 |
| 6. 保存分析数据 | JSON输出 | 保存差评分析数据到 data/negative_reviews_analysis.json |
| 7. 生成分析报告 | Markdown输出 | 保存最终报告到 report.md |
review-analysis-reports/
└── {ASIN}_{站点}_{YYYYMMDD}/
├── report.md # 完整分析报告（Markdown）
└── data/ # 原始数据和分析结果
├── raw_product_sse.txt # 原始产品详情SSE响应
├── raw_reviews_sse.txt # 原始评论SSE响应
└── negative_reviews_analysis.json # 差评分析结构化数据
当用户使用 /review-analysis 命令并提供一个亚马逊产品 ASIN 时，启动此分析流程。
调用格式:
/review-analysis {ASIN} {站点}
示例: /review-analysis B0D9ZTW7PS US
你是一位拥有10年经验的亚马逊高级产品开发顾问和客户体验专家，专精于通过用户评论挖掘产品痛点和改进机会。
你的核心任务是基于提供的差评文本，深度剖析产品的核心痛点，并给出能直接落地的解决方案。
参考文档中的分析框架，但根据实际评论内容灵活调整。
# 使用 Read 工具读取配置文件
Read("D:/amazon-mcp/.mcp.json")
# 从 JSON 中提取 API 密钥
# 格式: "url": "https://mcp.sorftime.com?key={API_KEY}"
# 创建报告目录和数据子目录
REPORT_DIR="D:/amazon-mcp/reports/review-analysis/{ASIN}_{站点}_20260315"
mkdir -p "$REPORT_DIR/data"
使用 Bash 工具调用 Sorftime API，并保存原始响应：
# 获取产品详情并保存原始SSE响应
API_KEY="从.mcp.json中获取的密钥"
curl -s -X POST "https://mcp.sorftime.com?key=${API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}' \
> "$REPORT_DIR/data/raw_product_sse.txt"
如果返回 "Authentication required" 或 "授权失败"：
.mcp.json 文件如果返回 "未查询到对应产品"：
使用 reviewType: "Negative" 参数专门获取差评：
# 获取差评（1-3星），保存原始SSE响应
curl -s -X POST "https://mcp.sorftime.com?key=${API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"product_reviews","arguments":{"amzSite":"US","asin":"ASIN","reviewType":"Negative"}}}' \
> "$REPORT_DIR/data/raw_reviews_sse.txt"
重要提示：
event: message\ndata: {JSON}\n\nreviewType: "Negative" 只返回1-3星评论，最多100条reviewType: "Both" 返回所有评论，但差评可能被稀释处理大文件响应：
# 如果响应被保存到临时文件，复制到报告目录
cp /path/to/temp/file.txt "$REPORT_DIR/data/raw_reviews_sse.txt"
在内存中处理评论数据，同时生成结构化分析数据：
import json
# SSE 数据解析步骤：
# 1. 从响应中提取 "data: " 后的 JSON
# 2. 解析 JSON 获取 result.content[0].text
# 3. text 中包含 Unicode 转义的中文和评论数组
# 4. 从评论数组中过滤 1-3 星评论
# 解析示例：
start_idx = content.find('data: ') + 6
json_str = content[start_idx:]
data = json.loads(json_str)
# 提取评论文本
text = data['result']['content'][0]['text']
# 查找评论数组起始位置
reviews_start = text.find('[{')
reviews_json = text[reviews_start:]
reviews = json.loads(reviews_json)
# 过滤 1-3 星评论
negative_reviews = [r for r in reviews if float(r.get('评星', 5)) <= 3.0]
# 按6大类别归类差评（v7.0 增加服务维度）
pain_points = {
"电子模块故障": [],
"结构/组装问题": [],
"设计/功能缺陷": [],
"外观/材质问题": [],
"描述不符": [],
"服务/物流问题": []
}
服务维度分类关键词：
# 服务/物流问题 - 优先检查
service_keywords = {
'收到二手/瑕疵品': ['used', 'gross', 'dirty', 'scratch', 'ear wax', 'dirt', 'opened', 'previous owner'],
'配件缺失': ['missing', 'no cord', 'no cable', 'no charger', 'no ear tip', 'no accessory'],
'退换货困难': ['return', 'refund', 'exchange', 'difficult', 'challenging'],
'客服问题': ['customer service', 'seller', 'vendor', 'support'],
'物流问题': ['shipping', 'delivery', 'package', 'packaging'],
'发错货': ['wrong item', 'wrong color', 'wrong size', 'sent wrong']
}
保存分析数据到JSON：
# 使用 Write 工具生成分析数据文件
# 文件路径: $REPORT_DIR/data/negative_reviews_analysis.json
JSON文件结构应包含：
import json
# SSE 数据解析步骤：
# 1. 从响应中提取 "data: " 后的 JSON
# 2. 解析 JSON 获取 result.content[0].text
# 3. text 中包含 Unicode 转义的中文和评论数组
# 4. 从评论数组中过滤 1-3 星评论
# 解析示例：
start_idx = content.find('data: ') + 6
json_str = content[start_idx:]
data = json.loads(json_str)
# 提取评论文本
text = data['result']['content'][0]['text']
# 查找评论数组起始位置
reviews_start = text.find('[{')
reviews_json = text[reviews_start:]
reviews = json.loads(reviews_json)
# 过滤 1-3 星评论
negative_reviews = [r for r in reviews if float(r.get('评星', 5)) <= 3.0]
使用 Write 工具生成完整的 Markdown 报告：
报告路径: $REPORT_DIR/report.md
| 类别 | 判断标准 |
|---|---|
| 1. 结构/组装问题 | 零件破损、密封失效、接口断裂、安装孔位偏差、组装困难、结构不稳 |
| 2. 电子模块故障 | USB/充电失效、LED不亮、APP连接失败、蓝牙断连、功能失效、电路问题 |
| 3. 设计/功能缺陷 | 尺寸不合理、功能缺失、操作复杂、触感不符、人体工程学问题、使用不便 |
| 4. 外观/材质问题 | 有异味、材质过敏、色差、划痕、生锈、表面处理差、材质廉價感 |
| 5. 描述不符 | 尺寸预期偏差、功能与描述不符、颜色差异、款式与图片不一致、蓝牙版本不符 |
| 6. 服务/物流问题 | 客服响应慢、退换货困难、物流延迟、发错货、配件缺失、收到二手产品/瑕疵品、包装破损 |
服务维度问题需进一步细分统计：
| 细分类别 | 判断标准 | 严重程度 |
|---|---|---|
| 收到二手/瑕疵品 | 评论提及 used、dirty、ear wax、scratch、opened、previous owner | 高 |
| 配件缺失 | 缺少充电线、耳塞、说明书、保修卡等 | 高 |
| 退换货困难 | 退货流程复杂、退款慢、卖家推诿、买家承担高额运费 | 中 |
| 客服响应慢/态度差 | 客服不回复、回复慢、态度恶劣、无法解决问题 | 中 |
| 物流延迟/包装差 | 发货慢、物流停滞、包装破损、快递服务差 | 低 |
| 发错货 | 颜色/尺寸/款式发错 | 中 |
| 程度 | 判断标准 |
|---|---|
| 高 | 影响核心功能或存在安全隐患（如破损、泄漏、过敏、漏电） |
| 中 | 影响使用体验（如操作复杂、触感不佳、尺寸偏差） |
| 低 | 外观细节问题（如轻微划痕、包装瑕疵、个人偏好） |
对于每个痛点，提供：
产品/供应链改进方案
客服话术/Listing优化建议
# {产品标题} - 评论深度分析报告
> ASIN: {ASIN} | 站点: {站点} | 分析时间: {时间}
---
## 产品基础信息
| 项目 | 内容 |
|------|------|
| 产品标题 | {标题} |
| 品牌 | {品牌} |
| 价格 | ${价格} |
| 评分 | {评分}/5.0 |
| 评论总数 | {总数} |
| 分析样本 | {差评数量} 条 (1-3星) |
---
## 痛点分析汇总
基于 {差评数量} 条差评的深度分析：
### 痛点分布概览
| 排名 | 痛点类别 | 数量 | 占比 | 严重程度 |
|------|----------|------|------|----------|
| 1 | {类别} | {数量} | {占比}% | {高/中/低} |
| 2 | {类别} | {数量} | {占比}% | {高/中/低} |
| ... | ... | ... | ... | ... |
---
## 核心痛点深度分析
### 痛点 #1: {痛点名称}
**类别**: {类别} | **严重程度**: {程度} | **影响**: {数量}条评论 ({占比}%)
#### 客户反馈摘要
> "{典型差评引用1}"
>
> "{典型差评引用2}"
#### 根源分析
- **设计问题**: {分析}
- **生产问题**: {分析}
- **包装问题**: {分析} (如适用)
#### 产品改进建议
1. {具体可执行的改进1}
2. {具体可执行的改进2}
#### 客服回复模板
**Subject**: {邮件主题}
**Dear [Customer Name],**
{完整的邮件内容}
**Best regards,**
[Your Name]
[Brand Name] Customer Success Team
---
[重复其他痛点...]
---
## 给您的产品开发专家建议
### 产品质量改进
- {建议1}
- {建议2}
### 供应链端的"防呆"设计
- {建议1}
- {建议2}
### Listing与营销层面的"预期管理"
- {建议1}
- {建议2}
### 服务与运营优化（如存在服务维度问题）
- **客服培训**: 建立标准话术库，确保24小时内响应差评
- **退换货流程**: 简化退货流程，提供预付运费标签
- **发货质检**: 100%出库质检，杜绝二手/瑕疵品流出
: 建立配件清单核对机制，确保包装完整
: 评估物流服务商，选择可靠的配送渠道
---
（电子模块故障、结构问题、设计缺陷）
（收到二手/瑕疵品、配件缺失、退换货困难）
（延迟、包装破损、发错货）
（功能预期偏差、尺寸颜色差异）
[根据具体产品类型和痛点提供3-5个针对性模板]
:
Subject: 我们深表歉意 - 立即为您更换全新产品 Dear [Customer Name], 我们非常抱歉您收到了有瑕疵的产品。这绝不符合我们的质量标准。 请立即联系 [support email]，我们将为您免费更换全新产品，无需退回原产品。 再次致歉！ [Brand] Customer Service
---
## 操作建议（避坑指南）
1. **话术避讳**: 严禁使用 "Change your review" 或 "Remove your review"
2. **回复渠道**: 使用亚马逊后台 "Contact Buyer" 功能
3. **时效性**: 1星评价4小时内响应，2星12小时内，3星24小时内
4. **跟进策略**: 首封邮件聚焦解决问题，不主动提补偿
---
*报告生成时间: {时间戳}*
*数据来源: Sorftime MCP*
*分析方法: LLM 整体评论分析*
生成邮件模板时必须遵守：
US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA
症状: 返回 "Authentication required" 或 "授权失败"
解决方案:
.mcp.json 中的 API 密钥症状: 返回 "未查询到对应产品"
解决方案:
症状: 返回的数据包含 \u4ea7\u54c1 等 Unicode 转义
解决方案:
json.loads() 会自动解码text.encode('latin-1').decode('utf-8')症状: 返回 "Output too large... saved to: {temp_file}"
解决方案:
症状: 评论中频繁出现服务相关差评
服务维度警告阈值:
| 问题类型 | 警告阈值 | 危险阈值 |
|---|---|---|
| 收到二手/瑕疵品 | >2% | >5% |
| 配件缺失 | >1% | >3% |
| 退换货困难投诉 | >5% | >10% |
| 客服负面评价 | >3% | >7% |
改进建议:
症状: 产品显示有几百条评论，但只返回几条差评
可能原因:
reviewType: "Negative": 只获取1-3星评论，数量自然会少数据分析建议:
补充数据方案:
/ 或反斜杠 \ 均可，但保持一致data/ 子目录，确保可追溯和复用| 文件名 | 用途 | 格式 |
|---|---|---|
raw_product_sse.txt | 产品详情原始API响应 | SSE格式 |
raw_reviews_sse.txt | 评论数据原始API响应 | SSE格式 |
negative_reviews_analysis.json | 差评分析结构化数据 | JSON |
本技能文档版本: v7.0 (6维分析框架) | 最后更新: 2026-03-15