amazon-review-analyzer

name	amazon-review-analyzer
description	把一批亚马逊商品评论变成「22 维度标签 + 标签分布统计 + 6 章深度洞察报告」，给跨境卖家做产品迭代决策（改款、差评应对、卖点提炼）。当用户提供评论 CSV 路径，并说「分析评论 / 给评论打标签 / 出评论洞察 / 从评论挖卖点 / 评论分析」时，必须使用本 skill。不负责实时采集评论（评论须现成 CSV）；不处理非亚马逊来源评论；不做选品分析（非评论维度）。
allowed-tools	Read, Write, Edit, Bash(python3:*)
license	MIT
metadata	{"source_workflow":"亚马逊商品评论AI深度分析工作流V1.0.json","goal_alignment":"读评论→AI 22维打标→统计→AI 6章洞察→输出（全链路目标对等，原 18 节点收敛为 4 能力）","conversion_date":"2026-07-20T00:00:00.000Z"}

amazon-review-analyzer

定位

给跨境卖家：把一批亚马逊商品评论变成「每条评论的 22 维度标签 + 分布统计 + 6 章深度洞察报告」，支撑产品迭代决策（改款方向、差评应对、卖点提炼）。

触发

用户给一个评论 CSV 路径，并说「分析评论 / 打标签 / 出洞察 / 挖卖点 / 评论分析」任一关键词时启动。

输入

• 评论 CSV（utf-8）。期望列：标题/标题(翻译)、内容/内容(翻译)（核心文本）、星级、VP评论；英文列名 title/text/rating/vp 同样识别。
• 必须有评论文本列（内容 / 内容(翻译) / text 任一），否则报错终止。

输出（3 个文件，落执行目录的 output/）

• tagged.csv：原评论列 + 22 个标签列
• stats.csv：每个标签列的值分布（计数 + 占比）
• insight.md：6 章深度洞察报告

核心能力

1. 读 CSV 校验（脚本 scripts/io.py count）
2. 22 维度打标（Agent 逐条评论，维度体系见 references/tagging.md）
3. 标签统计（脚本 scripts/io.py stats，对 22 个标签列算分布）
4. 6 章洞察生成（Agent，框架见 references/insight.md）

流程

1. 校验：python3 scripts/io.py count <reviews.csv> → 打印行数 + 列名 → 确认有评论文本列。
2. 打标：逐条评论按 references/tagging.md 输出 22 维 JSON 标签 → 汇总成 output/tagged.csv（原列 + 22 标签列）→ 打印进度（每 10 条一次）。
3. 统计：python3 scripts/io.py stats output/tagged.csv output/stats.csv → 对 22 个标签列算值分布 → 写 stats.csv。
4. 洞察：读 stats.csv + 精选正负各 Top3 评论，按 references/insight.md 的 6 章框架生成报告 → 写 output/insight.md。

凭证边界

无。目标对等重写后，原 workflow 的 Gemini API key 与 googleSheets OAuth 均已消化——LLM 能力由执行环境（Claude）直接提供，存储改为本地 CSV，无需任何外部凭证。

失败降级

• CSV 缺评论文本列（内容 / 内容(翻译) / text）→ 报错并指明缺哪列，终止。
• 单条评论 AI 打标失败 → 重试 3 次后该条标签全填 未提及 / 不明，标 [TAG_FAILED] 后继续，不阻塞整体。
• 评论数 < 5 → 只出 tagged.csv + stats.csv，跳过洞察（样本不足），在 insight.md 注明"样本不足，未生成洞察"。
• 单条评论 > 2000 字 → 截断到 2000 字打标，tagged.csv 标 [truncated]。