# App Store Opportunity Research

> 根据关键词研究 Apple App Store 的相关品类、应用与竞争机会，采集可追溯的应用信息、比较竞品并输出中文调研报告。适用于选方向、竞品分析和细分市场探索。

- Skill: `flaqai/app-store-opportunity-research` (Agent Skill, multi-file: 5 files)
- Install (CLI): `npx skillmds@latest add flaqai/app-store-opportunity-research`
- Raw SKILL.md: https://api.skillmd.com/api/skills/flaqai/app-store-opportunity-research/raw
- Safety review: pending (external: skill-scanner PASS, skillspector PASS)
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Research & Search
- Author: flaqai (https://skillmd.com/u/flaqai)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/flaqai/app-store-opportunity-research

---


# App Store 应用机会分析

把关键词转成「用户任务 → 细分方向 → 相关应用 → 有证据的机会假设」。默认交付调研报告及采集数据；PRD、原型、广告投放不属于默认范围。

## 确定范围

沿用用户给出的关键词、市场、平台和输出语言。未指定时，声明采用美国区 `us`、iPhone、中文报告、当前采集日期，然后推进；只有缺失信息会显著改变决策时才询问。多个市场分别采集、分别分析，不能混合评分与价格。

## 从关键词发现应用

1. 设计约 6–10 个检索词，覆盖原词、同义词、用户任务、相邻用途和已知品牌；每个词注明检索目的。不要只查品牌或只看头部。
2. 优先使用本技能的 Python 标准库脚本，无需 API key：

   ```bash
   python3 <skill目录>/scripts/collect_app_store.py \
     --keyword "ai music" --term "ai song generator" --term "ai cover" \
     --term "background music maker" --country us --limit 30 \
     --output <报告目录>/data
   ```

   `--term` 可重复；原关键词自动加入。`--app-id` 可重复，用 lookup 补充搜索遗漏的已核实应用。需要评论时，使用 `--review-app-id ID`（可重复）和 `--review-pages 1`。字段、限制与降级方法见 [数据采集说明](references/data-sources.md)。
3. 检查 `manifest.json` 的失败项及 `apps.json`。接口顺序只表示该请求中的位置，不代表 iPhone 搜索排名或榜单排名。结果为候选池，必须人工判断相关性。
4. 用 `(storefront, trackId)` 去重；开发者、应用 ID、商店链接一起核对身份。名称相似不能证明官方关系或使用同一模型。
5. 将 **Apple 官方分类**（例如 Music、Entertainment）和 **分析得到的细分方向**（例如整曲生成、翻唱、视频配乐）分别记录。一个应用可属于多个方向。附入选理由、直接/相邻/替代竞品标记；显著不相关项也记录排除理由。

## 深挖竞品

选择约 5–8 个有代表性的应用，兼顾头部、同任务竞品、相邻工具与较小产品。每项保留商店、日期、应用 ID、开发者、官方分类、名称、评分及评分数、下载价/币种、版本/更新日期、核心用途、内购证据、来源链接。

- 到实时 App Store 页面补充内购及评论；到开发者官网核实产品身份、关键能力和授权信息。标出「开发者宣称」，实际体验过才能评价实际效果。
- 内购产品名、金额与周期按页面原样对应；周期未公开时标未知。多个同名 SKU 不代表当前新用户购买选项。下载免费不等于使用免费，网站价不等于 iOS 价。
- 比较矩阵使用「已确认 / 未提及 / 待核实 / 明确不支持」；不能把没找到功能当作不存在。价格、模型版本、授权政策需要当前证据。
- 评论尽量覆盖正负反馈。记录实际样本数、星级分布、日期范围、排序方式、评论 ID 和所属应用。按用户任务归纳痛点与正向价值；近期评论不代表全体用户，相同评论 ID 去重，评论数不能当作独立用户数。无法采到时明确标为缺失，不编写“常见抱怨”。
- 对矛盾证据保留来源差异：API 精确评分数与网页四舍五入、商店地区、页面抓取日期、网页与移动端功能都可能不同。

## 判断机会并交付

使用 [分析与报告结构](references/report-framework.md) 输出 `report.md`，附数据文件的相对链接。先给决策结论，再给证据和竞争格局。

- 严格区分 **观察事实、推断、待验证假设**。评论和竞品收费能产生需求信号，但不能单独验证付费意愿。
- 不用评分数乘系数估算下载、收入、市场规模或增长；没有可靠商业数据就写未知。收入情景只能使用显式假设，不能标成竞品收入。
- 机会排序同时考虑用户问题证据、现有方案覆盖、获客切口、交付成本与验证难度。优先给有依据的 1–3 个方向；证据不足可以结论为暂不进入。
- 每个方向写明目标人群、切入任务、现有竞品/反证、最小验证实验、成功/停止条件及信心程度。不要把主观分数包装为测得的市场指标。
- 收尾检查：来源能定位、市场一致、采集失败已披露、相关性已筛选、功能缺失未臆测、数字可由数据复核。报告仅在静态数据上运行时，不得声称完成实时调研。

## 参考来源

流程理念参考 [froessell/app-store-opportunity-research](https://github.com/froessell/app-store-opportunity-research)。本技能独立编写，聚焦关键词发现、数据溯源与竞品判断，不沿用原项目的下载/收入倍数估算或自动原型流程。