LeoYeAI 亚马逊商品评论深度分析
快速参考
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1. 获取API密钥 | 读取 .mcp.json |
获取 Sorftime API 密钥 |
| 2. 创建报告目录 | mkdir + data子目录 | 创建 review-analysis-reports/{ASIN}_{站点}_{日期}/data/ |
| 3. 获取产品数据 | product_detail API |
验证ASIN并获取产品信息，保存原始SSE数据 |
| 4. 获取评论数据 | product_reviews API |
获取全部评论数据，保存原始SSE数据 |
| 5. 解析并分类差评 | 内存处理 | 提取1-3星评论，按痛点分类 |
| 6. 保存分析数据 | JSON输出 | 保存差评分析数据到 data/negative_reviews_analysis.json |
| 7. 生成分析报告 | Markdown输出 | 保存最终报告到 report.md |
报告输出结构
review-analysis-reports/
└── {ASIN}_{站点}_{YYYYMMDD}/
├── report.md # 完整分析报告（Markdown）
└── 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
触发条件
当用户使用 /review-analysis 命令并提供一个亚马逊产品 ASIN 时，启动此分析流程。
调用格式:
/review-analysis {ASIN} {站点}
示例: /review-analysis B0D9ZTW7PS US
角色设定
你是一位拥有10年经验的亚马逊高级产品开发顾问和客户体验专家，专精于通过用户评论挖掘产品痛点和改进机会。
你的核心任务是基于提供的差评文本，深度剖析产品的核心痛点，并给出能直接落地的解决方案。
参考文档中的分析框架，但根据实际评论内容灵活调整。
分析流程（优化版 v7.0 - 6维分析框架）
第一步：读取 API 密钥
# 使用 Read 工具读取配置文件
Read("D:/amazon-mcp/.mcp.json")
# 从 JSON 中提取 API 密钥
# 格式: "url": "https://mcp.sorftime.com?key={API_KEY}"
第二步：创建报告目录结构
# 创建报告目录和数据子目录
REPORT_DIR="D:/amazon-mcp/reports/review-analysis/{ASIN}_{站点}_20260315"
mkdir -p "$REPORT_DIR/data"
第三步：获取产品数据并保存原始响应
使用 Bash 工具调用 Sorftime API，并保存原始响应：
# 获取产品详情并保存原始SSE响应
API_KEY="从.mcp.json中获取的密钥"
curl -s -X POST "https://mcp.sorftime.com?key=${API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}' \
> "$REPORT_DIR/data/raw_product_sse.txt"
如果返回 "Authentication required" 或 "授权失败"：
- 告知用户 API 密钥无效或已过期
- 指引用户访问 https://sorftime.com/zh-cn/mcp 获取新密钥
- 更新
.mcp.json文件
如果返回 "未查询到对应产品"：
- 验证 ASIN 格式（应为10位字母数字）
- 尝试使用其他站点
- 提示用户确认产品是否在该站点销售
第四步：获取评论数据并保存原始响应
使用 reviewType: "Negative" 参数专门获取差评：
# 获取差评（1-3星），保存原始SSE响应
curl -s -X POST "https://mcp.sorftime.com?key=${API_KEY}" \
-H "Content-Type: application/json" \
-d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"product_reviews","arguments":{"amzSite":"US","asin":"ASIN","reviewType":"Negative"}}}' \
> "$REPORT_DIR/data/raw_reviews_sse.txt"
重要提示：
- Sorftime 返回的是 SSE (Server-Sent Events) 格式
- 数据格式:
event: message\ndata: {JSON}\n\n - 如果数据超过 25KB，会自动保存到临时文件
- 使用 Read 工具读取临时文件获取完整数据
reviewType: "Negative"只返回1-3星评论，最多100条reviewType: "Both"返回所有评论，但差评可能被稀释
处理大文件响应：
# 如果响应被保存到临时文件，复制到报告目录
cp /path/to/temp/file.txt "$REPORT_DIR/data/raw_reviews_sse.txt"
第五步：解析评论数据并生成分析JSON
在内存中处理评论数据，同时生成结构化分析数据：
import json
# SSE 数据解析步骤：
# 1. 从响应中提取 "data: " 后的 JSON
# 2. 解析 JSON 获取 result.content[0].text
# 3. text 中包含 Unicode 转义的中文和评论数组
# 4. 从评论数组中过滤 1-3 星评论
# 解析示例：
start_idx = content.find('data: ') + 6
json_str = content[start_idx:]
data = json.loads(json_str)
# 提取评论文本
text = data['result']['content'][0]['text']
# 查找评论数组起始位置
reviews_start = text.find('[{')
reviews_json = text[reviews_start:]
reviews = json.loads(reviews_json)
# 过滤 1-3 星评论
negative_reviews = [r for r in reviews if float(r.get('评星', 5)) <= 3.0]
# 按6大类别归类差评（v7.0 增加服务维度）
pain_points = {
"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": []
}
服务维度分类关键词：
# 服务/物流问题 - 优先检查
service_keywords = {
'收到二手/瑕疵品': ['used', 'gross', 'dirty', 'scratch', 'ear wax', 'dirt', 'opened', 'previous owner'],
'配件缺失': ['missing', 'no cord', 'no cable', 'no charger', 'no ear tip', 'no accessory'],
'退换货困难': ['return', 'refund', 'exchange', 'difficult', 'challenging'],
'客服问题': ['customer service', 'seller', 'vendor', 'support'],
'物流问题': ['shipping', 'delivery', 'package', 'packaging'],
'发错货': ['wrong item', 'wrong color', 'wrong size', 'sent wrong']
}
保存分析数据到JSON：
# 使用 Write 工具生成分析数据文件
# 文件路径: $REPORT_DIR/data/negative_reviews_analysis.json
JSON文件结构应包含：
- 产品基础信息（标题、品牌、价格、评分）
- 痛点分类统计（类别、数量、占比、严重程度）
- 每个痛点的详细分析（根源、改进建议、客户引用）
- 安全警示（如有）
- 质量指标估算
第六步：生成分析报告
import json
# SSE 数据解析步骤：
# 1. 从响应中提取 "data: " 后的 JSON
# 2. 解析 JSON 获取 result.content[0].text
# 3. text 中包含 Unicode 转义的中文和评论数组
# 4. 从评论数组中过滤 1-3 星评论
# 解析示例：
start_idx = content.find('data: ') + 6
json_str = content[start_idx:]
data = json.loads(json_str)
# 提取评论文本
text = data['result']['content'][0]['text']
# 查找评论数组起始位置
reviews_start = text.find('[{')
reviews_json = text[reviews_start:]
reviews = json.loads(reviews_json)
# 过滤 1-3 星评论
negative_reviews = [r for r in reviews if float(r.get('评星', 5)) <= 3.0]
第七步：生成最终分析报告
使用 Write 工具生成完整的 Markdown 报告：
报告路径: $REPORT_DIR/report.md
分析框架
痛点归类（6大类别）
| 类别 | 判断标准 |
|---|---|
| 1. 结构/组装问题 | 零件破损、密封失效、接口断裂、安装孔位偏差、组装困难、结构不稳 |
| 2. 电子模块故障 | USB/充电失效、LED不亮、APP连接失败、蓝牙断连、功能失效、电路问题 |
| 3. 设计/功能缺陷 | 尺寸不合理、功能缺失、操作复杂、触感不符、人体工程学问题、使用不便 |
| 4. 外观/材质问题 | 有异味、材质过敏、色差、划痕、生锈、表面处理差、材质廉價感 |
| 5. 描述不符 | 尺寸预期偏差、功能与描述不符、颜色差异、款式与图片不一致、蓝牙版本不符 |
| 6. 服务/物流问题 | 客服响应慢、退换货困难、物流延迟、发错货、配件缺失、收到二手产品/瑕疵品、包装破损 |
服务维度细分
服务维度问题需进一步细分统计：
| 细分类别 | 判断标准 | 严重程度 |
|---|---|---|
| 收到二手/瑕疵品 | 评论提及 used、dirty、ear wax、scratch、opened、previous owner | 高 |
| 配件缺失 | 缺少充电线、耳塞、说明书、保修卡等 | 高 |
| 退换货困难 | 退货流程复杂、退款慢、卖家推诿、买家承担高额运费 | 中 |
| 客服响应慢/态度差 | 客服不回复、回复慢、态度恶劣、无法解决问题 | 中 |
| 物流延迟/包装差 | 发货慢、物流停滞、包装破损、快递服务差 | 低 |
| 发错货 | 颜色/尺寸/款式发错 | 中 |
严重程度评估
| 程度 | 判断标准 |
|---|---|
| 高 | 影响核心功能或存在安全隐患（如破损、泄漏、过敏、漏电） |
| 中 | 影响使用体验（如操作复杂、触感不佳、尺寸偏差） |
| 低 | 外观细节问题（如轻微划痕、包装瑕疵、个人偏好） |
解决方案双轨制
对于每个痛点，提供：
产品/供应链改进方案
- 必须具体可执行（如：将封口宽度从3mm增加到6mm）
- 避免笼统描述（如："提高质量"是不可接受的）
客服话术/Listing优化建议
- 客服邮件模板（遵守亚马逊合规要求）
- Listing 文案/图片改进建议
报告模板
# {产品标题} - 评论深度分析报告
> ASIN: {ASIN} | 站点: {站点} | 分析时间: {时间}
---
## 产品基础信息
| 项目 | 内容 |
|------|------|
| 产品标题 | {标题} |
| 品牌 | {品牌} |
| 价格 | ${价格} |
| 评分 | {评分}/5.0 |
| 评论总数 | {总数} |
| 分析样本 | {差评数量} 条 (1-3星) |
---
## 痛点分析汇总
基于 {差评数量} 条差评的深度分析：
### 痛点分布概览
| 排名 | 痛点类别 | 数量 | 占比 | 严重程度 |
|------|----------|------|------|----------|
| 1 | {类别} | {数量} | {占比}% | {高/中/低} |
| 2 | {类别} | {数量} | {占比}% | {高/中/低} |
| ... | ... | ... | ... | ... |
---
## 核心痛点深度分析
### 痛点 #1: {痛点名称}
**类别**: {类别} | **严重程度**: {程度} | **影响**: {数量}条评论 ({占比}%)
#### 客户反馈摘要
> "{典型差评引用1}"
>
> "{典型差评引用2}"
#### 根源分析
- **设计问题**: {分析}
- **生产问题**: {分析}
- **包装问题**: {分析} (如适用)
#### 产品改进建议
1. {具体可执行的改进1}
2. {具体可执行的改进2}
#### 客服回复模板
**Subject**: {邮件主题}
**Dear [Customer Name],**
{完整的邮件内容}
**Best regards,**
[Your Name]
[Brand Name] Customer Success Team
---
[重复其他痛点...]
---
## 给您的产品开发专家建议
### 产品质量改进
- {建议1}
- {建议2}
### 供应链端的"防呆"设计
- {建议1}
- {建议2}
### Listing与营销层面的"预期管理"
- {建议1}
- {建议2}
### 服务与运营优化（如存在服务维度问题）
- **客服培训**: 建立标准话术库，确保24小时内响应差评
- **退换货流程**: 简化退货流程，提供预付运费标签
- **发货质检**: 100%出库质检，杜绝二手/瑕疵品流出
- **配件管理**: 建立配件清单核对机制，确保包装完整
- **物流合作**: 评估物流服务商，选择可靠的配送渠道
---
## 亚马逊差评回复邮件模板库
### 模板类型（根据痛点类别提供）
1. **产品质量问题**（电子模块故障、结构问题、设计缺陷）
2. **服务问题**（收到二手/瑕疵品、配件缺失、退换货困难）
3. **物流问题**（延迟、包装破损、发错货）
4. **描述不符**（功能预期偏差、尺寸颜色差异）
[根据具体产品类型和痛点提供3-5个针对性模板]
### 服务问题专项模板示例
**收到二手/瑕疵品**:
Subject: 我们深表歉意 - 立即为您更换全新产品 Dear [Customer Name], 我们非常抱歉您收到了有瑕疵的产品。这绝不符合我们的质量标准。 请立即联系 [support email]，我们将为您免费更换全新产品，无需退回原产品。 再次致歉！ [Brand] Customer Service
---
## 操作建议（避坑指南）
1. **话术避讳**: 严禁使用 "Change your review" 或 "Remove your review"
2. **回复渠道**: 使用亚马逊后台 "Contact Buyer" 功能
3. **时效性**: 1星评价4小时内响应，2星12小时内，3星24小时内
4. **跟进策略**: 首封邮件聚焦解决问题，不主动提补偿
---
*报告生成时间: {时间戳}*
*数据来源: Sorftime MCP*
*分析方法: LLM 整体评论分析*
亚马逊合规要求
生成邮件模板时必须遵守：
- 严禁直接请求删除/修改评价
- 不得用利益交换评价
- 使用官方渠道 Contact Buyer
- 24小时内响应差评
支持的站点
US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA
故障排查
API 授权失败
症状: 返回 "Authentication required" 或 "授权失败"
解决方案:
- 访问 https://sorftime.com/zh-cn/mcp 获取新密钥
- 更新
.mcp.json中的 API 密钥 - 重新执行分析
产品未找到
症状: 返回 "未查询到对应产品"
解决方案:
- 检查 ASIN 格式（10位字母数字）
- 确认站点是否正确
- 尝试使用其他站点
中文乱码
症状: 返回的数据包含 \u4ea7\u54c1 等 Unicode 转义
解决方案:
- Python:
json.loads()会自动解码 - 如有 Mojibake:
text.encode('latin-1').decode('utf-8')
数据过大被截断
症状: 返回 "Output too large... saved to: {temp_file}"
解决方案:
- 从提示的临时文件路径读取完整数据
- 使用 Read 工具的 offset/limit 参数分块读取
- 或使用 Grep 工具提取特定模式
服务问题识别
症状: 评论中频繁出现服务相关差评
服务维度警告阈值:
| 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% |
改进建议:
- 二手/瑕疵品问题: 立即审查仓库质检流程，考虑产品召回
- 配件缺失: 检查包装流水线，增加配件扫码核对
- 退换货困难: 简化退货流程，提供预付运费标签
- 客服问题: 增加客服培训，建立24小时响应机制
差评数量很少
症状: 产品显示有几百条评论，但只返回几条差评
可能原因:
- 产品质量好: 差评率低是好事，说明客户满意度高
- API限制: Sorftime API 最多返回100条评论
- 使用
reviewType: "Negative": 只获取1-3星评论，数量自然会少
数据分析建议:
- 如果差评少于5条：分析结果仅供参考，建议结合其他数据源
- 如果差评少于10条：在报告中明确说明样本量限制
- 如果差评超过20条：分析结果具有较高的统计意义
补充数据方案:
- 手动查看亚马逊产品页面的差评
- 使用其他评论抓取工具获取更多数据
- 结合客服记录了解常见问题
最佳实践
- 路径处理: 在 Windows 环境下使用正斜杠
/或反斜杠\均可，但保持一致 - 数据保存: 所有中间数据必须保存到
data/子目录，确保可追溯和复用 - JSON结构: 分析数据应采用结构化JSON格式，便于后续程序化处理
- 错误处理: 每个步骤后检查返回结果，及时发现问题
- 用户反馈: 遇到问题时清晰告知用户原因和解决方案
中间数据文件说明
| 文件名 | 用途 | 格式 |
|---|---|---|
raw_product_sse.txt |
产品详情原始API响应 | SSE格式 |
raw_reviews_sse.txt |
评论数据原始API响应 | SSE格式 |
negative_reviews_analysis.json |
差评分析结构化数据 | JSON |
数据复用场景
- 趋势分析: 对比同一产品不同时间段的差评变化
- 竞品对比: 批量分析多个产品的差评数据
- 质量追溯: 基于原始数据验证分析结论的准确性
- 报表生成: 基于JSON数据自动生成Excel/图表
本技能文档版本: v7.0 (6维分析框架) | 最后更新: 2026-03-15