# Price Comparison Analyzer

> 对多平台商品价格进行聚合分析与风险评估，输出可行动的购买建议，避免伪低价与条件陷阱误导

- Skill: `dvcrn/price-comparison-analyzer` (Agent Skill, multi-file: 6 files)
- Install (CLI): `npx skillmds@latest add dvcrn/price-comparison-analyzer`
- Raw SKILL.md: https://api.skillmd.com/api/skills/dvcrn/price-comparison-analyzer/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: dvcrn (https://skillmd.com/u/dvcrn)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/dvcrn/price-comparison-analyzer

---


# 电商比价分析器

## 任务目标
在给定明确商品定义的前提下，对多个主流电商平台的商品报价进行聚合、对齐与评估，输出最可行动的购买建议。

**核心目标**：不是"找最低价"，而是在价格、风险与购买成本之间，给出最可行动的购买建议。

## 触发条件
典型用户表达或上下文信号：
- "这个商品在各平台什么价格算正常？"
- "帮我对比一下京东和拼多多的价格"
- "这个价格是不是有问题，看起来太低了"
- "我要买iPhone，现在哪个渠道合适？"
- "这个价格是否值得冒风险？"

## 输出层级规范（强制遵守）

### L1：用户决策层（默认展示）
**目标**：让用户在 5 秒内做出购买决策

**内容要求**：
- 只输出"去哪里买 + 大概多少钱 + 风险等级"
- 不展示任何分析过程、统计指标、分位数、计算逻辑
- 以"推荐购买方案"形式呈现
- 至少包含三类推荐之一：
  - 性价比最高（价格与风险平衡）
  - 最省心（售后/条件最简单）
  - 最低价（如风险可控，需明确提示风险）

**输出格式（结构化）**：
```json
{
  "recommendations": [
    {
      "platform": "京东",
      "price": 5299,
      "risk_level": "低",
      "tag": "省心",
      "reason": "官方自营，售后无忧"
    },
    {
      "platform": "拼多多",
      "price": 4899,
      "risk_level": "中",
      "tag": "性价比",
      "reason": "百亿补贴，限新用户"
    }
  ],
  "warnings": ["异常低价：拼多多某店铺 3500 元"]
}
```

**禁止内容**：
- ❌ P10 / P50 / P90 等分位数
- ❌ 标准差、样本量、统计描述
- ❌ "基于某某分析得出"的过程性表述
- ❌ 风险评分的计算方式
- ❌ 长段落叙述

### L2：风险解释层（用户追问时展示）
**目标**：用自然语言解释"为什么这么推荐 / 为什么有风险"

**内容要求**：
- 只解释结论原因
- 不展示计算过程或中间变量
- 聚焦用户关心的核心问题

**示例**：
- "为什么推荐京东？因为它是官方自营，价格合理，售后保障完善。"
- "拼多多价格低但风险中等，因为需要新用户资格，且库存有限。"

### L3：模型证据层（内部使用）
**目标**：包含风险评分拆解、价格分布、异常判断规则等，用于模型调用、调试或后续 Agent 使用

**内容要求**：
- 完整的价格分布指标（P10/P25/P50/P75/P90）
- 风险评分拆解（渠道风险、条件复杂度、售后不确定性、价格偏离度）
- 异常价格定量判断结果
- 原始数据

**注意**：不对用户展示，仅用于内部调用

## 操作步骤

### 1. 商品语义对齐
智能体根据用户输入的商品定义进行语义对齐：
- 消除名称噪音（营销词、赠品词、套装描述）
- 统一型号/SKU/配置
- 排除"相似但不可比"的商品

**关键风险**：不同 SKU 被错误当成同一商品。智能体需仔细识别关键规格差异。

### 2. 价格信息采集
智能体通过网络搜索和公开渠道获取价格信息，参考 `references/price_collection_guide.md` 中的指导：
- 抓取展示价、券后价、满减价
- 识别特殊条件：平台券、店铺券、会员条件、限时/限量
- 记录每个平台的商家性质：官方自营、旗舰店、授权店、普通商家

### 3. 数据验证
调用 `scripts/data_validator.py` 验证采集的价格数据格式是否符合规范。

### 4. 价格分布建模与风险评估
调用 `scripts/price_analyzer.py` 进行统计分析：
- 计算价格分布指标（P10/P25/P50/P75/P90）
- 使用定量规则判断异常价格：
  - 价格 < P10 × 0.9 → 强异常
  - 价格 < P25 × 0.95 → 中异常
- 基于显性特征计算风险评分：
  - 渠道风险（官方/非官方/平台补贴）
  - 条件复杂度（是否依赖多重优惠、限时、限用户）
  - 售后不确定性（保修、退换、责任主体）
  - 价格偏离度（相对于主流价格区间）

### 5. 输出分层结果
根据用户需求决定输出层级：

**默认输出（L1）**：
- 调用 `price_analyzer.py` 的结构化推荐输出
- 只展示平台、价格、风险等级、标签、理由
- 异常价格仅作为警告信息存在

**追问时输出（L1 + L2）**：
- 在 L1 基础上，增加风险解释层
- 用自然语言解释推荐理由和风险原因

**内部调用（L1 + L2 + L3）**：
- 完整输出三层信息
- 用于调试或后续 Agent 使用

### 6. 生成人群导向推荐
基于风险评估结果，智能体生成至少三类推荐：
- 性价比最高：价格与风险平衡的选择
- 最省心：官方渠道，条件简单，售后完善
- 最低价：如风险可控，明确提示风险

## 资源索引

- **必要脚本**：
  - [scripts/price_analyzer.py](scripts/price_analyzer.py)（价格分布建模、异常检测、风险评分、结构化推荐输出）
  - [scripts/data_validator.py](scripts/data_validator.py)（输入数据格式验证）

- **领域参考**：
  - [references/input_format.md](references/input_format.md)（输入数据格式规范与示例）
  - [references/risk_assessment_rules.md](references/risk_assessment_rules.md)（显性特征评分规则）
  - [references/price_collection_guide.md](references/price_collection_guide.md)（价格采集指导与注意事项）

## 注意事项

### 输出规范
- 默认只展示 L1 用户决策层
- 禁止暴露分析过程、统计指标、计算逻辑
- 输出必须可结构化，便于产品与 Agent 调用
- 推荐结果必须人群导向，禁止单一最优解

### 风险评分
- 必须使用显性特征（rule-based）拆解
- 不得直接"拍值"
- 对用户只展示低/中/高风险等级，不展示具体分数

### 价格异常判断
- 必须使用定量规则
- 异常价格不得作为"推荐购买方案"输出
- 仅作为风险提示或警告信息存在

### 免责声明
- 不保证价格实时性（存在分钟级/小时级延迟）
- 不替代平台官方售后与纠纷裁决
- 不对商家履约行为做绝对保证
- 不对"明显低于市场合理区间"的价格背书

## 使用示例

### 场景 1：常规商品比价
用户："iPhone 15 128GB 现在各平台什么价格？"

**L1 输出**：
```json
{
  "recommendations": [
    {
      "platform": "京东",
      "price": 5299,
      "risk_level": "低",
      "tag": "省心",
      "reason": "官方自营，售后无忧"
    },
    {
      "platform": "天猫",
      "price": 5199,
      "risk_level": "低",
      "tag": "性价比",
      "reason": "官方旗舰店，需领券"
    }
  ],
  "warnings": []
}
```

### 场景 2：异常价格判断
用户："拼多多上 iPhone 15 只要 4500，这个价格可信吗？"

**L1 输出**：
```json
{
  "recommendations": [
    {
      "platform": "京东",
      "price": 5299,
      "risk_level": "低",
      "tag": "省心",
      "reason": "官方自营，售后无忧"
    }
  ],
  "warnings": [
    "异常低价：拼多多某店铺 4500 元，显著低于主流价格区间"
  ]
}
```

**用户追问：为什么？**
**L2 输出**：
"该价格显著低于市场主流区间（P10为5199元），偏离度超过13%，存在较高风险。且商家非官方渠道，无明确售后说明，建议谨慎选择。"

### 场景 3：定制化推荐
用户："我要买一台笔记本电脑，配置 i7/16G/512G，推荐哪个平台？"

**L1 输出**：
```json
{
  "recommendations": [
    {
      "platform": "京东",
      "price": 6999,
      "risk_level": "低",
      "tag": "省心",
      "reason": "官方自营，售后无忧"
    },
    {
      "platform": "拼多多",
      "price": 6799,
      "risk_level": "中",
      "tag": "性价比",
      "reason": "百亿补贴，限新用户"
    },
    {
      "platform": "天猫",
      "price": 6899,
      "risk_level": "低",
      "tag": "性价比",
      "reason": "官方旗舰店，需领券"
    }
  ],
  "warnings": []
}
```