Product Research

选品分析器 (Product Research - LLM Agent 驱动版)

定位

基于 Sorftime MCP + LLM Agent 的深度选品调研。LLM 直接执行分析逻辑，脚本仅负责数据采集和报告渲染。

核心特点：

• 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

Script Directory

脚本职责：

• 不做分析判断：所有分析由 LLM 完成
• 不做复杂计算：交叉分析让 LLM 从数据中发现
• 仅做数据搬运：API → 结构化数据

推荐使用方式：

# 阶段1：数据采集（基础版 Dashboard）
python scripts/run_analysis.py "earbuds" US

# 阶段2：LLM 分析完成后，生成最终版报告
python scripts/run_analysis.py "earbuds" US --final

# 其他选项
python scripts/run_analysis.py "earbuds" US --collect-only  # 仅数据采集
python scripts/run_analysis.py "earbuds" US --no-reviews     # 跳过差评采集

执行流程（两阶段）

重要：选品分析分为两个阶段，数据采集由脚本自动完成，LLM 分析需要人工参与。

阶段1：数据采集（脚本自动）

python scripts/run_analysis.py "keyword" US

输出：

• data.json - 基础数据结构（不含分析结论）
• dashboard.html - 基础版看板（不含决策评分、VOC 等）
• raw/ - 原始数据文件

脚本自动完成：

1. 类目搜索 → 获取 nodeId
2. Top100 产品数据采集
3. 关键词数据采集
4. 类目趋势数据采集
5. 竞品差评采集
6. 市场分析（价格区间、品牌分布）

阶段2：LLM 分析（交互式）

必须完成的 LLM 分析任务：

完成后运行：

python scripts/run_analysis.py "keyword" US --final

--final 参数会：

1. ✅ 验证分析数据完整性
2. ✅ 更新 data.json
3. ✅ 生成完整版 Dashboard（含决策评分、VOC 等）
4. ✅ 如果数据不完整，会提示缺失的字段

数据完整性检查

也可以单独检查数据完整性：

python scripts/render_dashboard.py data.json --check

输出示例：

✓ 数据完整，可以渲染完整版 Dashboard
  包含: decision.overall_score, voc_analysis.dimensions, barriers, cross_analysis

或

⚠️ 数据不完整，缺少以下字段:
  - decision.overall_score
  - voc_analysis.dimensions

ℹ️ 请先完成 LLM 分析，然后重新运行渲染

执行流程（交互式）

Step 0: 信息收集

📋 选品分析 - 信息确认

1. 产品/类目关键词：[用户提供]
2. 目标站点：[US/GB/DE/FR/IT/ES/CA/JP，默认US]
3. 选品场景：[新手入门/蓝海发现/季节性/品牌打造/定向品类]
4. 约束条件（可选）：
   - 价格区间：如 $10-40
   - 月销量：如 > 1000
   - 预算：如 10万人民币

Step 1: 数据采集（增强版 v3.0）

API 调用顺序：

⚠️ 重要：API 参数说明（v3.0）

• category_name_search 参数：{"amzSite": "US", "searchName": "bluetooth speaker"}
  • 正确的类目搜索 API，参数名是 searchName
• search_categories_broadly 参数（蓝海发现）：{"amzSite": "US", "top3Product_sales_share": 0.4}
• potential_product 参数（潜力产品）：{"amzSite": "US", "monthlySales_min": 500}
• keyword_extends 参数（延伸词）：{"amzSite": "US", "keyword": "bluetooth speaker"}
• category_report 参数：{"amzSite": "US", "nodeId": "7073956011"}
  • nodeId 是字符串类型

脚本调用方式：

# 方法1: 使用 collect_data.py (推荐)
from scripts.collect_data import collect_data
result = collect_data("bluetooth speaker", "US")

# 方法2: 使用 api_client.py
from scripts.api_client import SorftimeClient

client = SorftimeClient()

# 获取类目ID（正确的方式）
category = client.search_category_by_product_name("US", "bluetooth speaker")
node_id = category[0]['nodeId']

# 获取Top100
top100 = client.get_category_report("US", node_id)

# 获取关键词详情
keywords = client.get_keyword_detail("US", "bluetooth speaker")

Step 2: 属性标注（LLM 驱动）

LLM 任务：从 Top100 标题中提取关键差异化维度

## 属性标注任务

基于以下 Top100 产品标题，提取 3-6 个关键差异化维度：

### 标题样本
[提供 Top20-30 标题作为样本]

### 提取要求
1. 识别差异化维度（如：功率、防水、续航、形态等）
2. 为每个产品标注维度值
3. 标注置信度（高/中/低）

### 输出格式
| ASIN | 功率 | 防水 | 续航 | ... | 置信度 |

对低置信度产品：调用 product_detail 补充验证

Step 3: 交叉分析（LLM 直接发现）

LLM 任务：从标注数据中发现供需缺口

## 交叉分析任务

基于以下已标注的 Top100 产品数据，执行交叉分析：

### 数据
[提供标注后的产品数据]

### 分析要求
1. 选择 2-3 对有意义的维度组合（如：功率×价格、防水×场景）
2. 识别：空白点（0产品）、薄供给（≤2产品）、高需求低供给
3. 分析每个缺口的原因（技术限制？需求不存在？被忽视？）
4. 按机会价值排序

### 输出格式
| 维度组合 | 状态 | 产品数 | 月销量 | 原因分析 | 机会评级 |

关键点：让 LLM 直接从数据中发现规律，而不是用 Python 脚本计算

Step 4: 竞品与 VOC 分析

竞品选择逻辑表（LLM 按细分段选择）：

⛔ 差评维度归类（关键步骤）

必须按维度归类，禁止按 ASIN 组织

LLM 任务：将竞品差评按属性维度归类，并映射到品牌能力和产品方案

输入：competitor_reviews.json（按 ASIN 组织的原始差评） 输出：data.json 中的 voc_analysis 字段（按维度归类）

归类要求：

1. 识别主要维度（3-6 个）- 基于差评内容提取痛点类别
2. 每个维度包含：
   • dimension: 维度名称（如：音质/音量、舒适度、续航）
   • pain_point: 痛点描述
   • frequency: 提及频次
   • percentage: 占比（如 "32%"）
   • affected_brands: 涉及品牌列表
   • brand_opportunity: 品牌/供应链能力如何解决
   • product_solution: 具体产品改进方向

输出格式示例：

{
  "voc_analysis": {
    "dimensions": [
      {
        "dimension": "音质/音量",
        "pain_point": "音量太小，户外听不清",
        "frequency": 45,
        "percentage": "32%",
        "affected_brands": ["SHOKZ", "JLab"],
        "brand_opportunity": "有14.2mm大动圈供应链",
        "product_solution": "14.2mm动圈+音量增强模式"
      }
    ],
    "summary": "主要痛点集中在音质(32%)、舒适度(28%)、续航(18%)"
  }
}

禁止的输出方式：

• ❌ 按 ASIN 组织：{"B0XXX": {"reviews": [...]}}
• ❌ 缺少频次/占比数据
• ❌ 缺少品牌机会和产品方案映射

Step 5: 评估与决策

进入壁垒评估：

选品决策评估（五维评分）：

决策结论映射：

• 7.5-10分 → 建议进入 (优先推进)
• 6.0-7.4分 → 谨慎进入 (需精准定位，明确准入条件)
• 4.0-5.9分 → 暂缓观望 (需更多数据验证)
• 0-3.9分 → 不建议进入 (风险大于机会)

产品矩阵（Tier 1 必填具体规格）：

### Tier 1: [产品定位]

**目标市场**：[维度组合空白/机会]
**决策理由**：[数据依据]

| 维度 | 规格 | 决策依据 |
|------|------|----------|
| [维度1] | [具体值] | [为什么] |
| [维度2] | [具体值] | [为什么] |

**目标定价**：$XX.XX
**差异化主张**：[一句话]
**对标竞品**：[ASIN] — [我们的优势]
**预估月销潜力**：XX-XX 件

Step 6: 报告输出

输出文件：

product-research-reports/
└── {category}_{site}_{YYYYMMDD}/
    ├── report.md              # Markdown 完整报告（LLM 直接输出）
    ├── data.json              # 结构化数据（供 Dashboard 使用）
    ├── dashboard.html         # 可视化看板（脚本渲染）
    └── raw/                   # 数据文件
        ├── category_info.json # 类目信息
        ├── top100.json        # Top100 产品数据
        ├── trend.json         # 趋势数据
        └── keywords.json      # 关键词数据

data.json 结构（简化版）：

{
  "metadata": {
    "category": "bluetooth speaker",
    "site": "US",
    "date": "20260319"
  },
  "market_overview": {
    "top100_monthly_sales": 55000,
    "top100_monthly_revenue": 5200000,
    "avg_price": 95,
    "top3_product_concentration": 0.2578,
    "top3_brand_concentration": 0.5058,
    "top10_brand_concentration": 0.8234
  },
  "dimensions": [...],
  "cross_analysis": [...],
  "competitors": [...],
  "voc_analysis": {
    "dimensions": [
      {
        "dimension": "音质/音量",
        "pain_point": "音量太小，户外听不清",
        "frequency": 45,
        "percentage": "32%",
        "affected_brands": ["SHOKZ", "JLab"],
        "brand_opportunity": "采用更大驱动单元",
        "product_solution": "14.2mm动圈+音量增强模式"
      }
    ],
    "summary": "主要痛点集中在音质(32%)、舒适度(28%)、续航(18%)"
  },
  "barriers": [...],
  "go_nogo": {...}
}

⛔ 重要：数据字段命名规范

禁止模糊命名：

• ❌ top3_concentration（不明确是产品还是品牌）
• ✅ top3_product_concentration 或 top3_brand_concentration

⛔ 重要：VOC 分析数据结构

voc_analysis 字段必须包含按维度归类的差评分析，而非按 ASIN 组织：

Dashboard 渲染规范

render_dashboard.py 负责将 data.json 渲染为可视化看板。关键渲染规则：

产品维度分布

• 必须使用表格形式，禁止使用柱状图
• 双栏布局：左侧价格区间分布，右侧产品形态分布
• 每行显示：维度值、产品数、占比（带颜色标签）
• 占比标签颜色规则：≥30%蓝色、≥20%绿色、≥10%黄色、<10%灰色

交叉分析（价格区间 × 产品形态）

• 必须使用矩阵表格形式，禁止使用图表
• 行：价格区间（$0-30 到 $200+）
• 列：产品形态（骨传导、夹耳式、开放式挂耳、入耳式）
• 单元格：产品数量
• 特殊标记：
  • 竞争激烈（≥15款）：红色"红海"标签
  • 市场空白（0款）且为机会点：绿色"机会"标签
• 底部必须有洞察提示框，说明红海和机会区域

示例输出

<!-- 维度分布：双表格布局 -->
<div style="display: grid; grid-template-columns: 1fr 1fr; gap: 24px;">
  <!-- 价格区间表格 -->
  <!-- 产品形态表格 -->
</div>

<!-- 交叉分析：矩阵表格 -->
<table>
  <thead><!-- 表头：产品形态 --></thead>
  <tbody><!-- 行：价格区间，列：产品数 --></tbody>
</table>
<div class="insight-box">洞察：...</div>

LLM Prompt 模板库

详细 Prompt 模板请参考：references/prompt_templates.md

包含 6 个模板：

1. 属性标注 - 从产品标题提取差异化维度
2. 交叉分析 - 发现供需缺口
3. 竞品选择 - 选择代表性竞品
4. 差评归类 - 按属性维度归类痛点
5. 选品决策评估 - 五维加权决策
6. 产品矩阵规划 - Tier 1/2/3 具体规格

硬性规则（⛔ 不可省略）

1. ⛔ Top100 必须完整 100 条
2. ⛔ 关键词至少 3 个维度对比
3. ⛔ 竞品选择 6-10 个，覆盖量级标杆/功能差异/价格带/痛点
4. ⛔ 差评必须按维度归类（非按 ASIN 归类），输出到 data.json 的 voc_analysis 字段
5. ⛔ VOC 分析必须包含：频次、占比、涉及品牌、品牌机会、产品方案
6. ⛔ 选品决策评估必须量化评分
7. ⛔ Tier 1 产品必须具体到规格（禁止"待确认"占位）
8. ⛔ 每个数据表后有"关键洞察"段落
9. ⛔ 空白/薄供给必须附带原因分析
10. ⛔ 数据字段命名必须清晰：使用 top3_product_concentration / top3_brand_concentration，禁止模糊的 top3_concentration
11. ⛔ 数据一致性校验：报告生成前必须校验 data.json 中的数值与报告文本一致

常见场景策略

场景1：新手入门（预算<15万）

• 价格 $10-20
• 轻小件
• 无售后风险
• 中国卖家占比 > 70%

场景2：蓝海发现

• Top3 集中度 < 30%
• 新品占比 > 15%
• 关键词首页评论 < 500

场景3：定向品类分析（用户已指定）

• 跳过类目扫描，直接进入数据采集
• ⛔ 必须执行属性标注
• ⛔ 必须执行交叉分析
• ⛔ 必须执行选品决策评估（五维评分）

与其他 Skills 的关系

category-selection (品类筛选五维评分)
        ↓
product-research (深度选品调研) ← 本 Skill
        ↓
amazon-analyse (竞品 Listing 深挖)
        ↓
review-analysis (评论深度分析)

区别：

• category-selection：品类级别的快速筛选，五维评分
• product-research：指定品类的深度调研，多维度分析 + 选品决策评估
• amazon-analyse：单个竞品 Listing 的详细分析
• review-analysis：评论的深度痛点分析

支持的站点

US, GB, DE, FR, IT, ES, CA, JP, MX, AE, AU, BR, SA

注意事项

1. API Key：自动从 .mcp.json 读取
2. 数据时效：Sorftime 数据可能有 1-7 天延迟
3. API 限流：每批最多 8 个并发请求
4. 编码问题：脚本自动处理 Unicode-escape 和 Mojibake
5. 原始数据：所有 API 响应保存在 raw/ 目录供验证

故障排查

常见错误及解决方案

Dashboard 手动渲染方法

如果自动渲染失败，可以手动调用：

# 从输出目录调用
python .claude/skills/product-research/scripts/render_dashboard.py \
    -o product-research-reports/{keyword}_{site}_{date}/dashboard.html \
    product-research-reports/{keyword}_{site}_{date}/data.json

# 或者使用绝对路径
python "D:\amazon-mcp\.claude\skills\product-research\scripts\render_dashboard.py" \
    -o "D:\amazon-mcp\product-research-reports\{keyword}_{site}_{date}\dashboard.html" \
    "D:\amazon-mcp\product-research-reports\{keyword}_{site}_{date}\data.json"

API 工具名称对照表

调试技巧

1. 启用详细输出: 在脚本中添加 print() 调试信息
2. 检查原始响应: 查看 SSE 响应的实际内容
3. 分步执行: 使用 Python 交互式环境逐行调试
4. 验证API Key: curl "https://mcp.sorftime.com?key=YOUR_KEY" -d '{"jsonrpc":"2.0","id":1,"method":"tools/list"}'

版本: v3.6 (两阶段工作流 + 数据验证) | 最后更新: 2026-03-19