| name | general-ABA-keyword-monitor |
| description | 亚马逊 ABA 爆品关键词监测系统（通用版），支持任意类目，从 AMZ123 热搜词榜单自动发现潜力爆发关键词，生成飞书多维表格 + 仪表盘报告 |
| inclusion | manual |
亚马逊 ABA 爆品关键词监测系统（通用版）
概述
从亚马逊 ABA 热搜词榜单中自动发现指定类目的潜力爆发关键词，生成飞书多维表格 + 仪表盘可视化报告。
支持任意亚马逊类目（对讲机、保健品、宠物用品、美妆护肤等），首次运行时交互式配置。
每周数据自动追加到同一张多维表格，积累历史趋势。
前提
- Python 3.8+（依赖自动安装）
- 必须配置 Sorftime MCP（key 会被 Python 自动提取）
- 必须配置飞书 lark-cli（通过 npm 安装：
npm install -g lark-cli，并完成 lark-cli config init 初始化）
快速开始（提示语）
小白用户只需在 AI 对话框中说一句话即可启动：
首次初始化：
"帮我用 general-ABAkeyword-monitor 监测亚马逊关键词，我做的是【你的类目】，运行 python general-ABAkeyword-monitor/main.py init，然后按流程走完整个监测"
每周例行监测：
"帮我跑一下本周的 ABA 关键词监测"
仅生成报告（数据已抓取的情况下）：
"帮我运行 python general-ABAkeyword-monitor/main.py step3 生成飞书报告"
首次使用：类目初始化
Step 0：初始化类目
python general-ABAkeyword-monitor/main.py init
按提示输入目标类目名称（如"对讲机"），系统会输出 reports/.exchange/dict_draft.json。
Agent 任务：生成类目词典
读取 reports/.exchange/dict_draft.json，按 prompt 要求生成初始词典和排除规则。
写入 reports/.exchange/dict_draft_output.json：
{
"category_dict": {"ingredients": [...], "benefits": [...], "brands": [...], "health_markers": [...]},
"exclusion_rules": {"exclude_patterns": [...], "exclude_keywords": [...]},
"classification_labels": {"description": "各标签含义描述"}
}
Step 0.5：确认词典
python general-ABAkeyword-monitor/main.py init-confirm
系统展示词典摘要，用户确认后保存。
日常监测流程（3 步）
Step 1：抓取 + 本地词典匹配
python general-ABAkeyword-monitor/main.py step1
输出 reports/.exchange/llm_input.json。
Agent 任务：LLM 分类 + 中文翻译
读取 reports/.exchange/llm_input.json，对每个关键词分类并翻译。
分类标签根据类目动态生成（见 llm_input.json 中的 prompt）。
写入 reports/.exchange/llm_output.json：
{"keyword": {"label": "ingredient", "zh": "中文翻译"}, ...}
Step 2：分层 + Sorftime 异步查询
python general-ABAkeyword-monitor/main.py step2
Agent 任务：写分析摘要
读取 reports/.exchange/analysis_input.json，为每个 Tier 1 关键词写分析摘要。
写入 reports/.exchange/analysis_output.json：
{
"keyword_analysis": {"keyword": "分析摘要", ...},
"tracks": [{"name": "赛道名", "icon": "emoji", "keywords": [...], "summary": "描述"}],
"core_findings": ["发现1", "发现2", ...]
}
Step 3：生成飞书多维表格报告（必须执行）
python general-ABAkeyword-monitor/main.py step3
首次运行会自动创建飞书多维表格（含 3 张数据表 + 仪表盘 + 筛选视图），后续运行复用已有表格追加数据。
完成后告知用户飞书多维表格链接。
飞书多维表格结构
step3 生成的多维表格包含：
3 张数据表
| 表名 | 内容 |
|---|
| 关键词监测 | 主表，每周关键词的排名/搜索量/CPC/爆发类型/AI分析等 17 个字段 |
| 扩展关键词 | Tier 1 关键词的延伸变体词数据 |
| 周报摘要 | 每周一条汇总记录（抓取数、各 Tier 数量、核心发现） |
2 个筛选视图
- Tier 1 高优先级 — 只显示 Tier 1 关键词，按排名变化降序
- Tier 2 观察区 — 只显示 Tier 2 关键词，按排名变化降序
仪表盘（5 个图表）
| 图表 | 类型 | 用途 |
|---|
| 关键词总数 | 统计卡片 | 当前数据总量 |
| Tier 分布 | 饼图 | 关键词优先级分布 |
| 爆发类型分布 | 饼图 | 首次爆发/回弹/持续上升等占比 |
| 分类分布 | 饼图 | 核心产品/功效/品牌等占比 |
| 周搜索量趋势 | 柱状图 | 跨周搜索量变化趋势 |
数据持久化
多维表格配置（token、table_id 等）保存在 category_config.json，后续运行自动复用，无需重建。
踩坑经验
lark-cli 在 Python subprocess 中找不到
Windows 下 lark-cli 是 npm 全局安装的 .cmd 文件，Python 的 subprocess.run(["lark-cli", ...]) 可能找不到。
解决：代码中通过 shutil.which("lark-cli") 自动查找，并兼容 Windows npm 默认路径 %APPDATA%/npm/lark-cli.cmd。
lark-cli 返回值结构
+base-create → token 在 data.base.base_token，URL 在 data.base.url+table-create → table_id 在 data.table.id+view-create → view_id 在 data.views[].id+dashboard-create → dashboard_id 在 data.dashboard.dashboard_id- 错误信息可能输出到 stderr 而非 stdout，需要两者都读取
字段格式（+table-create 的 --fields）
- select 类型：用
"type": "select" + "multiple": false + "options": [...]（顶层），不是 "type": "single_select" + "property": {"options": [...]}
- number 类型：
"style" 放在顶层，不是 "property": {"style": {...}}
- 完整格式参考
lark-base-shortcut-field-properties.md
Windows 编码问题
运行 Python 脚本时需要 export PYTHONIOENCODING=utf-8，否则中文 emoji 输出会报 GBK 编码错误。
benefit 词误匹配
对讲机等细分品类容易被 "portable"、"wireless"、"rechargeable" 等通用功能词误匹配。
建议在排除规则中加入 portable air conditioners、portable fan、wireless keyboard and mouse 等高频泛品类词。
