简介

亚马逊选品 Agent Skill：Listing 全维度穿透分析、品类/关键词/差评分析与市场调研，对接 Sorftime / 西柚 / 卖家精灵等 MCP。

详细介绍

Amazon Sorftime MCP Skills - 亚马逊竞品分析与品类选品工具

基于 Sorftime MCP 服务和 Claude Skills 的亚马逊分析工具集。

项目简介

本项目配置了 Sorftime、Sif、西柚洞察、卖家精灵等跨境电商数据服务的 MCP (Model Context Protocol) 服务器，并开发了九个核心技能：

技能	分析对象	命令	用途
`amazon-analyse`	单个Listing	`/amazon-analyse {ASIN} {SITE}`	竞品Listing全维度穿透分析
`category-selection`	整个品类	`/category-select "{品类}" {SITE}`	品类自动化选品分析
`keyword-research`	关键词词库	`/keyword-research {ASIN} {SITE}`	关键词深度调研与8维智能分类
`review-analysis`	用户评论	`/review-analysis {ASIN} {SITE}`	评论深度分析与痛点挖掘
`product-research`	选品深度调研	`/product-research "{产品关键词}" {SITE}`	LLM驱动的选品深度调研与决策
`sif-amazon-research`	综合电商研究	`/sif-amazon-research`	基于Sif MCP的亚马逊市场验证、竞品分析、流量诊断、关键词策略、广告审查、发布评估与增长优化
`xiyou-insight`	竞品流量与广告	`/xiyou-insight`	基于西柚MCP的7大场景分析：广告监控、流量缺口、竞品拆解、新品推广、广告预算、关键词库
`sellersprite-amazon-research`	全链路数据调研	`/product-research`, `/market-analysis`, `/competitor-analysis`, `/keyword-research`, `/listing-optimizer`, `/traffic-analysis`, `/opportunity-finder`, `/review-insights`, `/pricing-strategy`, `/ad-optimizer`	基于卖家精灵MCP的43个工具完成选品分析、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
`amazon-listing-builder`	Listing打造与优化	`/listing-builder`, `/listing-title`, `/listing-bullets`, `/listing-aplus`, `/listing-st`, `/alexa-qa`, `/listing-audit`	基于Cosmo语义算法+Alexa/Rufus对话式购物趋势的八步工作流，从词库到QA全链路打造爆款Listing

核心功能

Listing级别分析 (amazon-analyse)

竞品Listing分析: 自动获取产品详情、评论、关键词、趋势数据
关键词分析: 流量来源、竞品布局、长尾词挖掘
评论情感分析: 优势聚类、痛点识别、改进建议
跨平台分析: TikTok带货视频、达人分析、1688采购成本

品类级别分析 (category-selection)

市场大盘分析: Top100产品数据 + 统计指标
五维评分模型: 市场规模、增长潜力、竞争烈度、进入壁垒、利润空间
可视化报告: Markdown + Excel + HTML 三种格式

关键词深度调研 (keyword-research)

海量词库采集: 通过 Sorftime API 采集 1500+ 关键词
8维智能分类: 否定词、品牌词、材质词、场景词、属性词、功能词、核心词、其他
广告策略指导: 否定词清单、精准匹配组、场景广告组、广泛匹配组
多格式输出: Markdown 报告、CSV 词库、HTML 仪表板

评论深度分析 (review-analysis)

6维痛点分析: 电子模块故障、结构/组装问题、设计/功能缺陷、外观/材质问题、描述不符、服务/物流问题
服务维度细分: 收到二手/瑕疵品、配件缺失、退换货困难、客服问题、物流问题
双轨解决方案: 产品改进建议 + 客服话术/Listing优化
风险预警: 二手/瑕疵品阈值警告（>5%危险）、服务问题自动预警
原始数据保存: SSE 响应、解析数据、结构化分析 JSON

选品深度调研 (product-research)

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
简化数据: 不用复杂的 unified payload 结构
完整流程: 信息收集 → 数据采集 → 属性标注 → 交叉分析 → 竞品与 VOC → 评估决策 → 报告输出
多格式输出: Markdown 完整报告、结构化数据、可视化看板

Sif亚马逊研究 (sif-amazon-research)

市场机会研究: 关键词或类目方向分析
市场验证: 关键词 + 候选ASIN可行性评估
竞品分析: 竞品ASIN增长路径与流量来源
关键词布局: 主词、长尾词、词根结构、缺失词分析
发布评估: 产品是否值得推广决策
发布后反馈: 持续优化或停止建议
增长优化: 扩展已验证的流量和关键词
流量/广告诊断: 流量或广告表现变化的根因分析

核心工作流程:

定义决策类型：进入/不进入、发布/不发布、扩量/优化/停止、根因诊断
收集Sif证据：市场需求、竞争格局、流量结构、销售趋势、广告表现
交叉验证证据，区分已确认发现与假设
输出商业决策：包含置信度、证据链、风险、缺失数据和后续验证行动

西柚洞察分析 (xiyou-insight)

实时广告监控: 小时级排名监控、广告投放效果分析
流量缺口发现: 多ASIN对比、高性价比关键词挖掘
竞品打法拆解: 关键词布局、流量结构、广告策略分析
新品推广优化: 流量阶段判断（稀疏期→震荡期→稳定期）、异动关键词监控
广告预算透视: 广告类型分布、核心关键词识别、预算推断
关键词库搭建: 反查竞品流量词、以词找词、智能分类
7大场景工作流: 每个场景都有完整的MCP工具组合和分析流程

7大工作场景:

场景	功能	参数
广告监控	小时级排名监控、广告投放效果	`--scenario ad_monitoring --asin --site --keyword`
流量缺口	找到竞品有排名但自身没有的关键词	`--scenario traffic_gap --own_asin --competitor_asins --site`
竞品分析	精准拆解竞品流量及广告策略	`--scenario competitor_analysis --asin --site`
新品推广	分析流量阶段，把握异动关键词	`--scenario new_product --asin --site`
广告预算	透视竞品广告策略和预算	`--scenario ad_budget --asin --site`
关键词库	高效搭建关键词库	`--scenario keyword_database --site --competitor_asins --core_keywords`

西柚MCP工具集（17个API）:

ASIN基础: get_asin_info, get_asin_variations, get_asin_info_trends
ASIN关键词: get_asin_keywords, get_asin_keywords_monthly, get_asin_keyword_rank_trends, get_asin_keyword_rank_hourly, get_asin_keyword_traffic_trends
ASIN流量: get_asin_traffic, get_asin_traffic_trends, get_asin_order_trends, get_asin_bsr_trends
ASIN广告: get_asin_ad_change_trends
关键词分析: get_keyword_info, get_keyword_aba_trends, get_keyword_asin_analysis, get_keyword_analysis_monthly

报告输出: xiyou-insight-reports/{场景}_{ASIN}_{站点}_{日期}/

report.md - Markdown分析报告
data.json - 结构化数据
dashboard.html - ECharts可视化看板
raw/ - 原始MCP响应数据

卖家精灵全链路调研 (sellersprite-amazon-research)

智能选品助手: product_research + product_node 完成选品分析
市场全景分析: market_research + 12个分布工具集完成市场分析
竞品深度拆解: asin_detail + traffic_keyword 完成竞品监控
关键词选品研究: keyword_research + keyword_miner 完成关键词研究
Listing优化诊断: traffic_listing + keyword_order 完成Listing优化
流量结构分析: traffic_source + traffic_keyword_stat 完成流量分析
蓝海机会挖掘: aba_research_trend + google_trend 完成机会挖掘
买家评论洞察: review + NLP分析完成评论分析
定价策略分析: market_price_distribution 完成定价策略
广告投放优化: keyword_order + traffic_keyword 完成广告优化

10大综合分析工作流:

命令	名称	核心工具
`/product-research`	智能选品助手	`product_research` + `product_node`
`/market-analysis`	市场全景分析	`market_research` + 分布工具集
`/competitor-analysis`	竞品深度拆解	`asin_detail` + `traffic_keyword`
`/keyword-research`	关键词选品研究	`keyword_research` + `keyword_miner`
`/listing-optimizer`	Listing优化诊断	`traffic_listing` + `keyword_order`
`/traffic-analysis`	流量结构分析	`traffic_source` + `traffic_keyword_stat`
`/opportunity-finder`	蓝海机会挖掘	`aba_research_trend` + `google_trend`
`/review-insights`	买家评论洞察	`review` + NLP分析
`/pricing-strategy`	定价策略分析	`market_price_distribution`
`/ad-optimizer`	广告投放优化	`keyword_order` + `traffic_keyword`

16大战术选品策略:

新品爆发型: 新品快速爆发、隐形爆款
关键词趋势型: ABA高增长趋势词、流量分散关键词、标题密度漏洞
产品缺陷型: 热销低评分产品、评论语义分析
类目结构型: 低品牌垄断类目、高新品占比市场、高毛利轻小品
流量防伪型: 自然流量反查、变体拆解模型
机会捕捉型: 本土溢价降维、FBM拦截、低质量Listing高销量、高客单长尾、季节前置爆破

卖家精灵MCP工具集（43个API）:

产品研究: product_research, asin_detail, keepa_info, review
市场研究: market_research, market_brand_concentration, market_price_distribution, product_node
关键词研究: keyword_research, keyword_miner, keyword_research_trends, aba_research_trend
流量分析: traffic_keyword, traffic_source, traffic_keyword_stat, traffic_listing
竞品分析: competitor_lookup
谷歌趋势: google_trend

报告输出: {类别名}/

market_report.md - Markdown结构化报告
market_report.html - HTML可视化报告（自动配套生成）
research_data.json - API原始数据

Listing打造与优化 (amazon-listing-builder)

核心方法论: "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"
数据来源优先级: MCP（卖家精灵）> 浏览器，核心数据必须走 MCP

八步工作流:

步骤	名称	关键产出
1	关键词分层词库	5 层词表（核心/功能/场景/问题/规格）
2	用户问题库	真实买家疑虑清单（来自评论/QA/Reddit/TikTok）
3	卖点证据库	每个卖点对应材料/数据/图片证据
4	标题结构设计	品牌+核心词+差异属性+主场景+规格（3版对比）
5	五点描述	5 点对应 5 个决策环节（核心价值→痛点→场景→规格→信任）
6	描述+A+内容	痛点→场景→方案→细节→对比→注意（7屏模块结构）
7	Search Terms	只放补充索引词，不重复、不堆砌
8	QA 设计	答案型内容，对应自然语言搜索（Alexa/Rufus风格）

7个子命令:

命令	用途
`/listing-builder`	完整八步流程，端到端生成全套 Listing
`/listing-title`	仅生成多版本标题（含优缺点对比）
`/listing-bullets`	仅生成五点描述（按决策链）
`/listing-aplus`	仅生成描述 + A+ 模块结构
`/listing-st`	仅生成 Search Terms（补充索引策略）
`/alexa-qa`	仅生成对话式 QA（针对 Alexa/Rufus）
`/listing-audit`	对现有 Listing 做合规 + 语义 + 转化四项校验

四项校验:

合规检查（绝对化、医疗、环保、安全等）
关键词覆盖检查
语义覆盖检查（含 Alexa 模拟）
转化逻辑检查

报告输出: {产品名}/

listing_package.md - 完整 Listing 包（汇总交付）
keyword_library.md - 关键词分层词库
question_library.md - 用户问题库
evidence_library.md - 卖点证据库
drafts_comparison.md - 多版本草稿对比
audit_report.md - 合规与语义校验报告
input_data.json - 原始输入数据
listing_package.html - HTML可视化版本（可选）

快速开始

环境要求

Claude Code CLI
有效的 Sorftime API Key
Bash shell 环境

获取 API Key

访问 Sorftime MCP 获取 API Key，然后更新 .mcp.json:

{
  "mcpServers": {
    "sorftime": {
      "type": "streamableHttp",
      "url": "https://mcp.sorftime.com?key=YOUR_API_KEY",
      "name": "Sorftime MCP"
    }
  }
}

使用分析技能

1. Listing竞品分析

# 分析美国站竞品
/amazon-analyse B07PWTJ4H1 US

# 分析欧洲站竞品
/amazon-analyse B08N5WRWNW DE

报告保存: reports/analysis_{ASIN}_{站点}_{日期}.md

2. 品类选品分析

# 分析美国站沙发品类
/category-selection "Sofas & Couches" US

# 分析美国站无线耳机品类
/category-selection "Wireless Earbuds" US

# 指定Top20产品分析
/category-selection "Kids' Drawing Kits" US --limit 20

报告保存: category-reports/{品类名称}_{站点}_{日期}/

index.html - 报告导航首页
dashboard.html - 交互式可视化仪表板
report.md - 完整Markdown分析报告
category_report_*.xlsx - Excel数据表（含图表）
data.json - 原始数据JSON

3. 关键词深度调研

# 调研产品关键词词库
/keyword-research B0D9ZTW7PS US

报告保存: keyword-reports/{ASIN}_{站点}_{日期}/

report.md - 完整Markdown分析报告
dashboard.html - 交互式可视化仪表板
keywords.csv - 完整词库（含分类、搜索量、CPC）
negative_words.txt - 否定词清单（直接复制到广告后台）
keywords_*.csv - 各分类专用词库文件
categorized_summary.json - 分类统计数据

8维智能分类:

维度	说明	应用策略
NEGATIVE	否定/敏感词	直接否定
BRAND	品牌词	竞品打法或否定
MATERIAL	材质词	精准匹配
SCENARIO	场景词	按场景拆分广告组
ATTRIBUTE	属性修饰词	长尾精准匹配
FUNCTION	功能词	广泛匹配扩流
CORE	核心产品词	大词投放占领坑位
OTHER	其他	补充埋词

4. 评论深度分析

# 分析产品评论痛点
/review-analysis B0DZCBYCNY US

报告保存: review-analysis-reports/{ASIN}_{站点}_{日期}/

report.md - 完整分析报告
data/ - 原始数据和分析结果
- raw_product_sse.txt - 原始产品详情SSE响应
- raw_reviews_sse.txt - 原始评论SSE响应
- negative_reviews_analysis.json - 差评分析结构化数据

5. 选品深度调研

# 分析蓝牙音箱选品
/product-research "bluetooth speaker" US

# 分析笔记本电脑背包选品
/product-research "laptop backpack" GB

报告保存: product-research-reports/{关键词}_{站点}_{日期}/

report.md - Markdown 完整报告（LLM 直接撰写）
data.json - 结构化数据（供 Dashboard 使用）
dashboard.html - 可视化看板（脚本渲染）

6维痛点分析框架:

维度	识别内容	严重程度评估
电子模块故障	电池、充电、连接、功能失效	高/中/低
结构/组装问题	零件破损、密封失效、接口断裂	高/中/低
设计/功能缺陷	软件体验、操作复杂、功能缺失	高/中/低
外观/材质问题	有异味、材质过敏、色差、划痕	高/中/低
描述不符	功能预期偏差、尺寸颜色差异	高/中/低
服务/物流问题	二手/瑕疵品、配件缺失、退换货困难	高/中/低

服务风险预警阈值:

问题类型	警告阈值	危险阈值
收到二手/瑕疵品	>2%	>5%
配件缺失	>1%	>3%
退换货困难投诉	>5%	>10%
客服负面评价	>3%	>7%

支持的站点

亚马逊 (14个站点)

站点	代码	站点	代码
美国	US	日本	JP
英国	GB	西班牙	ES
德国	DE	意大利	IT
法国	FR	加拿大	CA
印度	IN	墨西哥	MX
澳大利亚	AU	阿联酋	AE
巴西	BR	沙特	SA

TikTok (6个站点)

US, GB, MY, PH, VN, ID

1688 供应链

中国批发平台采购成本分析

Sorftime MCP 接口

亚马逊产品相关

接口	功能
`product_detail`	产品详情
`product_trend`	销量/价格/排名趋势
`product_reviews`	用户评论 (最多100条)
`product_traffic_terms`	流量关键词
`competitor_product_keywords`	竞品关键词布局
`product_search`	产品搜索筛选

关键词相关

接口	功能
`keyword_related_words`	关键词长尾词扩展
`keyword_detail`	关键词详情数据
`category_keywords`	类目核心关键词

亚马逊类目相关

接口	功能
`category_name_search`	类目名称搜索获取 nodeId
`category_report`	类目实时报告 (Top100产品 + 统计)
`category_tree`	类目树结构
`category_trend`	类目历史趋势
`category_keywords`	类目核心关键词

TikTok / 1688

tiktok_product_search - TikTok产品搜索
tiktok_product_videos - 带货视频分析
products_1688 - 1688采购成本分析

五维评分模型

品类选品评分体系（100分制）：

维度	分值	评分标准
市场规模	20分	基于类目月销额 ($10M+/20分, $5M+/17分, $1M+/14分, $500K+/11分)
增长潜力	25分	基于Amazon自营占比 (越低越好，新品机会)
竞争烈度	20分	基于Top3品牌占比 (<30%/18分, <40%/15分, 其他/11分)
进入壁垒	20分	Amazon压力 + 高评分门槛 (各占10分)
利润空间	15分	基于平均价格 ($100+/15分, $50+/13分, $20+/11分, $10+/8分)

综合评级

总分	评级	建议
80-100	优秀	强烈推荐进入
70-79	良好	可以考虑进入
50-69	一般	谨慎进入
0-49	较差	不建议进入

项目结构

amazon-mcp/
├── .mcp.json                    # MCP 配置文件
├── .claude/
│   └── skills/
│       ├── amazon-analyse/      # 竞品Listing分析技能
│       │   ├── SKILL.md
│       │   └── references/
│       ├── category-selection/  # 品类选品分析技能
│       │   ├── SKILL.md
│       │   ├── scripts/         # 数据处理脚本
│       │   │   ├── data_utils.py
│       │   │   ├── parse_sorftime_sse.py
│       │   │   └── generate_reports.py
│       │   ├── assets/          # 模板文件
│       │   │   └── dashboard_template.html
│       │   └── references/
│       ├── keyword-research/    # 关键词调研分析技能
│       │   ├── SKILL.md
│       │   ├── scripts/         # 数据处理脚本
│       │   │   ├── workflow.py
│       │   │   └── regenerate_reports.py
│       │   └── references/
│       ├── review-analysis/     # 评论深度分析技能
│       │   ├── SKILL.md
│       │   └── references/
│       ├── product-research/    # 选品深度调研技能
│       │   ├── SKILL.md
│       │   ├── README.md
│       │   ├── scripts/         # 数据处理脚本
│       │   │   ├── api_client.py
│       │   │   ├── collect_data.py
│       │   │   ├── render_dashboard.py
│       │   │   └── run_analysis.py
│       │   └── references/
│       ├── sif-amazon-research/ # Sif亚马逊研究技能
│       │   ├── SKILL.md
│       │   └── references/
│       │       ├── field-notes.md
│       │       ├── research-playbooks.md
│       │       └── sif-tool-map.md
│       ├── xiyou-insight/       # 西柚洞察分析技能
│       │   ├── SKILL.md
│       │   └── scripts/
│       │       ├── workflow.py            # 通用工作流引擎
│       │       ├── scenarios/             # 场景配置
│       │       │   ├── base.py            # 场景基类
│       │       │   ├── ad_monitoring.py   # 广告监控
│       │       │   ├── traffic_gap.py     # 流量缺口
│       │       │   ├── competitor_analysis.py # 竞品分析
│       │       │   ├── new_product.py     # 新品推广
│       │       │   ├── ad_budget.py       # 广告预算
│       │       │   └── keyword_database.py # 关键词库
│       │       ├── data_aggregator.py     # 数据聚合器
│       │       ├── report_generator.py    # 报告生成器
│       │       └── dashboard_generator.py # Dashboard生成器
│       ├── sellersprite-amazon-research/  # 卖家精灵全链路调研技能
│       │   ├── SKILL.md
│       │   ├── README.md
│       │   ├── scripts/                   # 数据处理脚本
│       │   │   ├── competitor_analysis.py
│       │   │   ├── keyword_research.py
│       │   │   ├── review_analysis.py
│       │   │   ├── keyword_deep_analysis.py
│       │   │   ├── tactical_strategies.py
│       │   │   ├── mcp_call.py
│       │   │   └── fix_keyword_report.py
│       │   ├── comprehensive/             # 综合分析工作流
│       │   │   ├── product-research.md
│       │   │   ├── market-analysis.md
│       │   │   ├── competitor-analysis.md
│       │   │   ├── keyword-research.md
│       │   │   ├── listing-optimizer.md
│       │   │   ├── traffic-analysis.md
│       │   │   ├── opportunity-finder.md
│       │   │   ├── review-insights.md
│       │   │   ├── pricing-strategy.md
│       │   │   └── ad-optimizer.md
│       │   ├── tactical/                  # 战术选品策略卡
│       │   │   ├── new-product-burst.md
│       │   │   ├── hidden-bestseller.md
│       │   │   ├── aba-high-growth-trend.md
│       │   │   ├── low-monopoly-keyword.md
│       │   │   ├── title-density-gap.md
│       │   │   ├── hot-low-rating.md
│       │   │   ├── review-sentiment.md
│       │   │   ├── low-brand-monopoly.md
│       │   │   ├── high-new-product-ratio.md
│       │   │   ├── high-margin-lightweight.md
│       │   │   ├── natural-traffic-audit.md
│       │   │   ├── variant-gap-analysis.md
│       │   │   ├── local-premium-disruption.md
│       │   │   ├── fbm-intercept.md
│       │   │   ├── poor-listing-winner.md
│       │   │   ├── high-ticket-long-tail.md
│       │   │   └── seasonal-prepositioning.md
│       │   └── reference/                 # MCP工具参考文档
│       │       ├── tools_index.md
│       │       ├── product_research.md
│       │       ├── market_research.md
│       │       ├── traffic_keyword.md
│       │       ├── competitor_lookup.md
│       │       ├── keyword_miner.md
│       │       └── asin_detail.md
│       ├── amazon-listing-builder/        # Listing打造与优化技能
│       │   ├── skill.md
│       │   ├── README.md
│       │   ├── workflow/                  # 八步工作流分册
│       │   │   ├── step-1-keyword-library.md
│       │   │   ├── step-2-question-library.md
│       │   │   ├── step-3-evidence-library.md
│       │   │   ├── step-4-title-design.md
│       │   │   ├── step-5-bullet-points.md
│       │   │   ├── step-6-description-aplus.md
│       │   │   ├── step-7-search-terms.md
│       │   │   └── step-8-qa-design.md
│       │   ├── prompts/                   # AI提示词模板
│       │   │   ├── master-prompt.md
│       │   │   ├── layered-keyword-prompt.md
│       │   │   ├── painpoint-mapping-prompt.md
│       │   │   ├── multiversion-prompt.md
│       │   │   ├── compliance-check-prompt.md
│       │   │   ├── semantic-coverage-prompt.md
│       │   │   └── data-iteration-prompt.md
│       │   ├── examples/                  # 真实案例
│       │   │   ├── uv-outdoor-plants-fullcase.md
│       │   │   ├── down-pillows-qa-example.md
│       │   │   └── layered-keyword-template.md
│       │   └── reference/                 # 背景知识
│       │       ├── cosmo-alexa-algorithm.md
│       │       ├── common-mistakes.md
│       │       ├── sellersprite-mcp-integration.md
│       │       ├── mcp-mandatory-protocol.md
│       │       └── output-format-spec.md
│       └── skill-creator/       # 技能创建工具
├── reports/                     # Listing分析报告
│   └── analysis_{ASIN}_{站点}_{日期}.md
├── category-reports/            # 品类选品报告
│   └── {品类}_{站点}_{日期}/
│       ├── index.html           # 导航页
│       ├── dashboard.html       # 可视化仪表板
│       ├── report.md            # Markdown报告
│       ├── category_report_*.xlsx
│       └── data.json
├── keyword-reports/             # 关键词调研报告
│   └── {ASIN}_{站点}_{日期}/
│       ├── report.md            # Markdown报告
│       ├── dashboard.html       # 可视化仪表板
│       ├── keywords.csv         # 完整词库
│       ├── negative_words.txt   # 否定词清单
│       └── keywords_*.csv       # 各分类词库
├── review-analysis-reports/     # 评论分析报告
│   └── {ASIN}_{站点}_{日期}/
│       ├── report.md            # Markdown报告
│       └── data/
│           ├── raw_product_sse.txt
│           ├── raw_reviews_sse.txt
│           └── negative_reviews_analysis.json
├── product-research-reports/    # 选品深度调研报告
│   └── {关键词}_{站点}_{日期}/
│       ├── report.md            # Markdown完整报告
│       ├── data.json            # 结构化数据
│       └── dashboard.html       # 可视化看板
└── README.md

技能开发

创建新技能

# 初始化新技能模板
.claude/skills/skill-creator/scripts/init_skill.py <skill-name> --path .claude/skills

# 打包技能为 .skill 文件
.claude/skills/skill-creator/scripts/package_skill.py <skill-folder>

技能设计原则

YAML frontmatter - 包含完整的 description 说明使用场景
Progressive disclosure - SKILL.md 保持精简，细节放入 references/
Scripts - 用于需要确定性执行的代码
References - 存放 API 文档、指南等参考资料
Assets - 输出文件所需的模板、图片等

常见问题

Q: ASIN 查询不到产品？

A: Sorftime 数据库覆盖有限，先使用 product_detail 验证 ASIN。如果返回"未查询到对应产品"，尝试：

使用 product_search 搜索相关关键词
确认是正确的亚马逊站点
确认 ASIN 格式正确（10位字母数字）

Q: 报告中出现乱码？

A: Sorftime 返回的中文是 Unicode 转义格式 (\u4ea7\u54c1)，技能会自动解码。如果仍有问题，检查 Python 环境是否支持 UTF-8 编码。

Q: Excel 报告无法打开？

A: 确保安装了 xlsxwriter 库：pip install xlsxwriter

更新日志

v3.0 (2026-07-08)

新增: amazon-listing-builder Listing打造与优化技能
新增: 基于Cosmo语义算法+Alexa/Rufus对话式购物趋势的八步工作流
新增: "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
新增: 7个子命令：/listing-builder、/listing-title、/listing-bullets、/listing-aplus、/listing-st、/alexa-qa、/listing-audit
新增: workflow/ 八步工作流分册（8个）：关键词分层词库、用户问题库、卖点证据库、标题设计、五点描述、描述A+、Search Terms、QA设计
新增: prompts/ AI提示词模板（7个）：主提示词、关键词分层、痛点映射、多版本生成、合规检查、语义覆盖、数据迭代
新增: examples/ 真实案例（3个）：抗UV户外仿真植物端到端、down filled pillows QA示例、关键词分层模板
新增: reference/ 背景知识（5个）：Cosmo/Alexa算法、常见误区、MCP集成、MCP强制协议、输出格式规范
新增: 四项校验机制：合规检查、关键词覆盖检查、语义覆盖检查、转化逻辑检查

v2.9 (2026-07-07)

新增: sellersprite-amazon-research 卖家精灵全链路调研技能
新增: 基于卖家精灵MCP的43个数据工具
新增: 10大综合分析工作流：智能选品助手、市场全景分析、竞品深度拆解、关键词选品研究、Listing优化诊断、流量结构分析、蓝海机会挖掘、买家评论洞察、定价策略分析、广告投放优化
新增: 16大战术选品策略卡：新品爆发、隐形爆款、ABA高增长趋势词、流量分散关键词、热销低评分、低品牌垄断、高毛利轻小品等
新增: comprehensive/ 综合分析工作流文档（10个）
新增: tactical/ 战术选品策略文档（16个）
新增: reference/ MCP工具参考文档（7个）
新增: scripts/ 数据处理脚本（7个）
新增: HTML可视化报告自动生成（Markdown报告完成后自动配套生成）

v2.8 (2026-07-04)

新增: xiyou-insight 西柚洞察分析技能
新增: 基于西柚MCP的7大场景工作流：广告监控、流量缺口、竞品分析、新品推广、广告预算、关键词库
新增: 通用工作流引擎架构（workflow.py + scenarios/配置模式）
新增: 6个场景配置模块：ad_monitoring、traffic_gap、competitor_analysis、new_product、ad_budget、keyword_database
新增: 数据聚合器、报告生成器、Dashboard生成器三个核心工具脚本
新增: 支持17个西柚MCP API工具
新增: Markdown报告 + ECharts可视化看板输出

v2.7 (2026-06-12)

新增: sif-amazon-research Sif亚马逊研究技能
新增: 基于Sif MCP的市场验证、竞品分析、流量诊断、关键词策略、广告审查、发布评估与增长优化
新增: 完整的研究工作流程：定义决策 → 收集证据 → 交叉验证 → 输出商业决策
新增: 结构化输出格式：决策结论、问题层级、证据链、业务影响、优先级行动、缺失数据、7天验证计划

v2.6 (2026-03-19)

新增: product-research 选品深度调研技能
新增: LLM 驱动的选品深度调研与决策流程
新增: 交互式执行模式，用户可中途干预
新增: 轻量脚本架构，仅用于 API 调用和 Dashboard 渲染
新增: 完整流程：信息收集 → 数据采集 → 属性标注 → 交叉分析 → 竞品与 VOC → 评估决策 → 报告输出
新增: 多格式输出：Markdown 完整报告、结构化数据、可视化看板

v2.5 (2026-03-15)

新增: review-analysis 评论深度分析技能
新增: 6维痛点分析框架（电子模块故障、结构/组装问题、设计/功能缺陷、外观/材质问题、描述不符、服务/物流问题）
新增: 服务维度细分分析（收到二手/瑕疵品、配件缺失、退换货困难、客服问题、物流问题）
新增: 服务风险预警阈值系统（二手/瑕疵品 >5% 危险）
新增: 双轨解决方案（产品改进 + 客服话术/Listing优化）
新增: 亚马逊合规差评回复邮件模板库

v2.4 (2026-03-14)

新增: keyword-research 关键词调研分析技能
新增: 8维智能分类模型（否定词、品牌词、材质词、场景词、属性词、功能词、核心词、其他）
新增: LLM 自动分类支持
新增: 广告策略指导（否定词清单、精准匹配组、场景广告组、广泛匹配组）

v2.3 (2026-03-03)

优化: 统一报告输出格式（Markdown + Excel + HTML Dashboard）
新增: index.html 导航页，集成所有报告格式
新增: data.json 原始数据导出
修复: 类目统计数据解析问题
修复: Excel 报告生成兼容性问题

v2.2 (2026-03-03)

新增: category-selectionion 品类选品分析技能
新增: 五维评分模型
新增: Excel + HTML 双报告格式

v2.1 (2026-03-02)

新增 Sorftime MCP API 完整文档
优化报告结构

v2.0 (2026-03-02)

重新设计分析框架
新增四大维度分析模型

v1.0 (初始版本)

基础竞品分析功能
Sorftime MCP 集成

许可证

MIT License

感谢支持

Sorftime 官网: https://www.sorftime.com
sif 官网: https://www.sif.com/
西柚洞察: https://www.xydc.com
Claude Code 文档: https://claude.ai/code
Linux.do佬友支持: https://linux.do/

最后更新: 2026-07-04

亚马逊选品 Research Skill

简介