| name | product-research |
| description | 基于Sorftime MCP的深度选品调研。通过LLM Agent执行多维度分析：数据采集→属性标注→交叉分析→竞品VOC→壁垒评估→选品决策评估。交互式执行，输出Markdown报告和Dashboard看板。 |
| argument-hint | [产品/类目关键词] [站点] |
| user-invocable | true |
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：
python scripts/run_analysis.py "earbuds" US
python scripts/run_analysis.py "earbuds" US --final
python scripts/run_analysis.py "earbuds" US --collect-only
python scripts/run_analysis.py "earbuds" US --no-reviews
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：
- 类目搜索 → 获取 nodeId
- Top100 产品数据采集
- 关键词数据采集
- 类目趋势数据采集
- 竞品差评采集
- 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：
- ✅ 验证分析数据完整性
- ✅ 更新 data.json
- ✅ 生成完整版 Dashboard（含决策评分、VOC 等）
- ✅ 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"}
脚本调用方式：
from scripts.collect_data import collect_data
result = collect_data("bluetooth speaker", "US")
from scripts.api_client import SorftimeClient
client = SorftimeClient()
category = client.search_category_by_product_name("US", "bluetooth speaker")
node_id = category[0]['nodeId']
top100 = client.get_category_report("US", node_id)
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：
- 识别主要维度（3-6 个）- 基于差评内容提取痛点类别
- 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": ...
...
...
⛔ 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
<div style="display: grid; grid-template-columns: 1fr 1fr; gap: 24px;">
</div>
<table>
<thead></thead>
<tbody></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：
- 属性标注 - 从产品标题提取差异化维度
- 交叉分析 - 发现供需缺口
- 竞品选择 - 选择代表性竞品
- 差评归类 - 按属性维度归类痛点
- 选品决策评估 - 五维加权决策
- 产品矩阵规划 - Tier 1/2/3 具体规格
硬性规则（⛔ 不可省略）
- ⛔ Top100 必须完整 100 条
- ⛔ 关键词至少 3 个维度对比
- ⛔ 竞品选择 6-10 个，覆盖量级标杆/功能差异/价格带/痛点
- ⛔ 差评必须按维度归类（非按 ASIN 归类），输出到
data.json 的 voc_analysis 字段
- ⛔ VOC 分析必须包含：频次、占比、涉及品牌、品牌机会、产品方案
- ⛔ 选品决策评估必须量化评分
- ⛔ Tier 1 产品必须具体到规格（禁止"待确认"占位）
- ⛔ 每个数据表后有"关键洞察"段落
- ⛔ 空白/薄供给必须附带原因分析
- ⛔ 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
- ⛔ 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
- API Key：自动从
.mcp.json 读取
- 数据时效：Sorftime 数据可能有 1-7 天延迟
- API 限流：每批最多 8 个并发请求
- 编码问题：脚本自动处理 Unicode-escape 和 Mojibake
- 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：
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
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
- 启用详细输出: 在脚本中添加
print() 调试信息
- 检查原始响应: 查看 SSE 响应的实际内容
- 分步执行: 使用 Python 交互式环境逐行调试
- 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
