// 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}
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。
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.
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.
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。
| name | keyword-research |
| description | 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} |
| 步骤 | Sorftime API | 用途 | 数据量 |
|---|---|---|---|
| 1 | product_traffic_terms | 产品流量关键词 | 50-200 |
| 2 | competitor_product_keywords | 竞品布局关键词 | 100-500 |
| 3 | category_keywords | 类目核心关键词 | 100-500 |
| 4 | keyword_related_words | 长尾词扩展 | 1000-2000 |
| 5 | LLM Agent | 8 维智能分类 | 全量 |
一键执行:
# 在 Claude Code 环境中运行（自动触发 LLM 分类）
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --claude-code-env
其他选项:
# 跳过分类，仅采集数据（后续可手动LLM分类）
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --skip-classification
# 禁用LLM分类，使用规则分类
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --disable-llm-classification
当用户使用以下方式请求时启动此分析流程：
/keyword-research {ASIN} {站点}/keyword-research B07PWTJ4H1 US你是一位拥有 10 年经验的"亚马逊 PPC 广告专家"和"关键词策略分析师"。你精通亚马逊 A9 算法和关键词布局策略，能够从海量关键词中识别出高价值词和需要排除的词。
输入: ASIN + 站点 + (可选) 产品信息
↓
┌─────────────────────────────────────────────────────────────┐
│ Step 1: 基础数据采集 │
├─────────────────────────────────────────────────────────────┤
│ 1. product_traffic_terms → 产品流量词 (50-200个) │
│ 2. competitor_product_keywords → 竞品布局词 (100-500个) │
│ 3. category_keywords → 类目核心词 (100-500个) │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ Step 2: 长尾词扩展 │
├─────────────────────────────────────────────────────────────┤
│ 从基础词中选择 Top 30 核心词 │
│ → 对每个调用 keyword_related_words (50-100个延伸词) │
│ → 预计获取 1000-2000 个长尾词 │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ Step 3: 数据清洗 │
├─────────────────────────────────────────────────────────────┤
│ 1. 去重（归一化：小写、去除特殊字符） │
│ 2. 过滤无效词（过短、非英文、乱码） │
│ 3. 合并搜索量/CPC 等指标 │
└─────────────────────────────────────────────────────────────┘
↓
最终词库: 2000+ 关键词
| 维度 | 标识 | 识别规则 | 应用策略 |
|---|---|---|---|
| 否定/敏感词 | NEGATIVE | 与产品不相关、描述不符的词 | 直接添加为否定关键词 |
| 品牌词 | BRAND | 竞品品牌名称 | 竞品打法或否定 |
| 材质词 | MATERIAL | 产品材质相关词 | 精准词组匹配 |
| 场景词 | SCENARIO | 使用场景/位置词 | 按场景拆分广告组 |
| 属性修饰词 | ATTRIBUTE | 产品属性/特性词 | 长尾精准匹配 |
| 功能词 | FUNCTION | 产品功能相关词 | 广泛匹配扩流 |
| 核心产品词 | CORE | 产品核心名称 | 大词投放占领坑位 |
| 其他 | OTHER | 未分类、拼写错误、其他语言 | 补充埋词 |
产品信息: Coat Rack Wall Mount, Wood, 5 Hooks, Entryway
否定词: freestanding, over door, floor, tree, shoe
品牌词: umbra, simplehuman, mDesign, household essentials
材质词: wood, wooden, metal, aluminum, bamboo
场景词: entryway, bathroom, mudroom, garage, bedroom
属性词: wall mount, heavy duty, rustic, vintage, expandable, 5 hook
功能词: hanging, storage, organizer, display
核心词: coat rack, hook, hanger, hat rack, towel rack
其他: coatrac (拼写错误), perchero (西语)
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_traffic_terms","arguments":{"amzSite":"US","asin":"ASIN"}}}'
返回数据: 关键词列表，包含搜索量、CPC 等指标
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":"competitor_product_keywords","arguments":{"amzSite":"US","asin":"ASIN"}}}'
返回数据: 竞品在各关键词下的排名位置
# 首先获取产品详情以获取 NodeID
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}'
# 然后获取类目关键词
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":4,"method":"tools/call","params":{"name":"category_keywords","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}'
从基础词中选择 Top 30 核心，对每个调用：
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"keyword_related_words","arguments":{"amzSite":"US","searchKeyword":"KEYWORD"}}}'
你是一位亚马逊关键词分类专家。请根据以下产品信息，将关键词列表按 8 个维度分类。
【产品信息】
产品名称: {product_name}
材质: {material}
核心属性: {features}
使用场景: {use_cases}
否定特征: {negative_features}
【分类维度】
1. NEGATIVE: 不相关的词，需直接否定
2. BRAND: 竞品品牌名称
3. MATERIAL: 材质相关词 (wood, metal, aluminum...)
4. SCENARIO: 使用场景词 (entryway, bathroom...)
5. ATTRIBUTE: 属性修饰词 (wall mount, heavy duty...)
6. FUNCTION: 功能词 (hanging, storage...)
7. CORE: 核心产品词 (coat rack, hook...)
8. OTHER: 其他（拼写错误、其他语言等）
【待分类关键词】
{keywords_json}
【输出格式】
请以 JSON 格式输出：
{
"NEGATIVE": ["word1", "word2", ...],
"BRAND": [...],
...
}
keyword-reports/
└── {ASIN}_{Site}_{YYYYMMDD}/
├── report.md # Markdown 分析报告
├── keywords.csv # 完整关键词词库（分类后）
├── negative_words.txt # 否定词清单
├── brand_words.txt # 品牌词清单
├── categorized_summary.json # 分类统计
└── dashboard.html # HTML 可视化仪表板
keyword,category,search_volume,cpc,competition,application,relevance_score
coat rack,CORE,54000,1.85,high,广泛匹配,1.00
wooden coat rack,MATERIAL,12000,1.25,medium,精准匹配,0.95
freestanding coat rack,NEGATIVE,4500,0.85,low,直接否定,0.00
...
为提高分类准确性，支持用户提供产品信息：
方式 1: 命令行参数
python workflow.py B07PWTJ4H1 US --product-info product.json
方式 2: 交互式收集
请输入产品核心属性（用逗号分隔）:
> Wall Mount, 5 Hooks, 16.5 inches, Heavy Duty
{
"product_name": "Coat Rack Wall Mount",
"material": "Wood",
"features": ["Wall Mount", "5 Hooks", "16.5 inches", "Heavy Duty"],
"use_cases": ["Entryway", "Bathroom", "Mudroom", "Garage"],
"negative_features": ["Freestanding", "Over Door", "Floor"]
}
| 接口 | 调用消耗 | 参数 | 返回 |
|---|---|---|---|
product_traffic_terms | 1 | asin, site | 产品流量词 |
competitor_product_keywords | 1 | asin, site | 竞品布局词 |
category_keywords | 1 | nodeId, site | 类目核心词 |
keyword_related_words | 1 | searchKeyword, site | 延伸长尾词 |
keyword_detail | 1 | keyword, site | 关键词详情 |
product_detail | 1 | asin, site | 产品详情 |
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"TOOL_NAME","arguments":{"amzSite":"US","KEY":"VALUE"}}}'
Amazon: US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA
.mcp.json 读取{ASIN}_{Site}_{YYYYMMDD} 格式原因: ASIN 不存在于 Sorftime 数据库 解决:
product_search 验证 ASIN原因: 缺少产品信息上下文或使用了规则分类 解决:
categorized_result.json原因: 核心词选择不准确或 API 限流 解决:
--long-tail-limit 数量避免 API 限流--skip-long-tail 跳过长尾扩展原因: 在命令行环境中运行，没有触发 LLM 分类 解决:
--claude-code-env 参数强制启用 LLM 分类模式：
python workflow.py B07PWTJ4H1 US --claude-code-env
categorized_result.json场景: 采集了数据但分类不准确 解决:
classification_prompt.txtcategorized_result.json如果规则分类结果不准确，可以手动执行 LLM 分类：
cat keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/classification_prompt.txt
复制整个提示词内容，发送给 Claude 执行分类
将 Claude 返回的 JSON 保存到：
keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/categorized_result.json
regenerate_reports.py 支持多种使用方式：
cd keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/
python ../../.claude/skills/keyword-research/scripts/regenerate_reports.py
python .claude/skills/keyword-research/scripts/regenerate_reports.py --asin B0FG6QG8C8 --site US
python .claude/skills/keyword-research/scripts/regenerate_reports.py --dir "keyword-reports\B0FG6QG8C8_US_20260314"
python .claude/skills/keyword-research/scripts/regenerate_reports.py --list
--asis 和 --site 参数指定--dir 参数指定完整目录--list 列出所有可用报告--claude-code-env 参数强制启用 LLM 分类--skip-classification 选项本技能版本: v1.3 | 最后更新: 2026-03-14