메뉴
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。
Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.
SOC 직업 분류 기준
| 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 |
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：
| 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：
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
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。
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：
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：
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
📋 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
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"}
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：
# 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")
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
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
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：
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：
{"B0XXX": {"reviews": [...]}}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 | $XXX | Vine + PPC |
| 资金壁垒 | 中/高 | 首批备货 + 广告 | ¥XX | 控制首批 MOQ |
| ... | ... | ... | ... | ... |
选品决策评估（五维评分）：
| 维度 | 权重 | 评分(1-10) | 加权分 | 依据 |
|---|---|---|---|---|
| 市场规模 | 20% | [LLM 评分] | X.X | [数据依据] |
| 竞争格局 | 25% | [LLM 评分] | X.X | [数据依据] |
| ... | ... | ... | ... | ... |
| 总分 | 100% | - | X.XX | 决策结论 |
决策结论映射：
产品矩阵（Tier 1 必填具体规格）：
### Tier 1: [产品定位]
**目标市场**：[维度组合空白/机会]
**决策理由**：[数据依据]
| 维度 | 规格 | 决策依据 |
|------|------|----------|
| [维度1] | [具体值] | [为什么] |
| [维度2] | [具体值] | [为什么] |
**目标定价**：$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
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 |
render_dashboard.py 负责将 data.json 渲染为可视化看板。关键渲染规则：
<!-- 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>
详细 Prompt 模板请参考：references/prompt_templates.md
包含 6 个模板：
data.json 的 voc_analysis 字段top3_product_concentration / top3_brand_concentration，禁止模糊的 top3_concentrationdata.json 中的数值与报告文本一致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US, GB, DE, FR, IT, ES, CA, JP, MX, AE, AU, BR, SA
.mcp.json 读取raw/ 目录供验证| 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 |
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"
| 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 |
print() 调试信息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
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。
亚马逊关键词深度调研与智能分类分析。基于 Sorftime MCP 数据采集 2000+ 关键词，通过 LLM Agent 按 8 维度智能分类（否定词、品牌词、材质词、场景词、属性词、功能词、核心词、其他），生成 Markdown 报告、CSV 词库和 HTML 仪表板。触发方式：/keyword-research {ASIN} {SITE}
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.
卖家精灵 Amazon 全链路数据调研 Skill。通过 43 个 MCP 数据工具完成选品分析、关键词研究、竞品监控、市场分析、定价策略、评论分析、广告优化、流量分析、Listing 优化和蓝海机会挖掘。触发场景：(1) 用户询问 Amazon 选品/市场/竞品分析 (2) 用户输入 /product-research, /market-analysis, /competitor-analysis, /keyword-research, /listing-optimizer, /traffic-analysis, /opportunity-finder, /review-insights, /pricing-strategy, /ad-optimizer 等命令 (3) 用户提及新品爆发、隐形爆款、ABA 增长词、低品牌垄断、评论分析等选品策略。适用于跨境电商卖家、Amazon 运营和产品开发决策。