# Sealeap Xiezhi Amazon Scenario Led Differentiation

> Design low-capex Amazon differentiation by repositioning an existing product for a specific audience, occasion, or use case. Use when a seller cannot justify tooling but needs a visible, evidence-backed reason to buy.

- Skill: `xjli360/sealeap-xiezhi-amazon-scenario-led-differentiation` (Agent Skill, multi-file: 5 files)
- Install (CLI): `npx skillmds@latest add xjli360/sealeap-xiezhi-amazon-scenario-led-differentiation`
- Raw SKILL.md: https://api.skillmd.com/api/skills/xjli360/sealeap-xiezhi-amazon-scenario-led-differentiation/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: xjli360 (https://skillmd.com/u/xjli360)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/xjli360/sealeap-xiezhi-amazon-scenario-led-differentiation

---


# Amazon 场景驱动差异化

## 目标

在不盲目开模的前提下，用真实人群与使用任务重定义产品，使关键词、竞品、页面表达和购买理由同步改变。

## 适用任务

- 为成熟产品寻找新使用对象或场景。
- 区分有效差异化与仅仅做得不同。
- 设计低投入、搜索页可感知的定位方案。

## 开始前要拿到

- 现有产品事实、结构限制和供应能力。
- 目标人群、活动、场景与未满足任务证据。
- 原赛道和新赛道的关键词、竞品、价格和评论。
- 包装、图片、文案与合规可修改范围。

缺少字段时列出证据缺口，并把相关结论标为 `FACT`、`ESTIMATE`、`ASSUMPTION` 或 `UNKNOWN`；不要补造数据。

## 不可妥协的边界

- 第三方数据均为估算或代理证据；Amazon 一方报告、后台实时字段和产品事实优先。
- 经验阈值只能作为可调起点，必须展示敏感性分析，不能写成 Amazon 官方规则。
- 不得捏造销量、搜索量、CPC、CVR、成本、认证、产品属性或消费者需求。
- 默认提供诊断或草案。写入前展示对象、旧值、新值、影响、停止线与回退，核对用户已有授权是否覆盖对象、动作与预算；范围已明确授权时继续执行并回读核验，只有未覆盖或扩大的范围才请求批准。
- 不输出或保存素材来源身份、账号、链接、作品编号、互动数据、原始话术或其他可反查来源的线索。
- 不得仅通过文案声称未经验证的用途。
- 涉及儿童、食品、医疗、承重、电气等用途时先完成适用测试与合规。

## 工作流

### 1. 定义自身边界

先明确资金、运营能力、MOQ、开发周期和可承受试错，再决定差异化深度。

### 2. 寻找迁移场景

从同一产品可能服务的地点、对象、活动、礼赠和特殊任务中提出候选定位。

### 3. 验证真实适配

用评论、关键词与使用流程证明产品确实适合新场景，不能只替换标题或图片。

### 4. 重建竞争

用新场景的精准词识别直接竞品、价格带、评论门槛和流量成本。

### 5. 设计可见表达

确保差异能在主图、标题前段、数量、组合或包装中被目标消费者快速理解。

### 6. 小批验证

完成 IP、安全与政策核查后，以小批库存和单变量页面/广告实验验证新定位。

## 判断标准

- 有效差异化必须同时具备真实需求、产品适配、消费者可感知和经济可行。
- 低成本定位差异化优先于高投入开模，但不是所有产品都能安全迁移场景。
- 差评共性可提示基础缺陷，低频场景需额外证据后才能立项。

## 第三方 MCP 数据

需要外部关键词、竞品、评论或公开网页证据时，读取 [references/mcp-data-plan.md](references/mcp-data-plan.md)，并使用 `scripts/mcp_research.py`。

- 先动态执行 `tools/list`、`search-tools` 和 `describe`，依据实时 `inputSchema` 构造参数。
- 凭证只从环境变量读取，不进入参数、URL、Skill、终端输出或 Git。
- 可能计费的 `tools/call` 先展示 Provider、工具、无密钥参数、预计成本与输出位置，核对已有授权；仅在授权覆盖本次范围时使用 `--allow-cost`，该标志不是费用上限。
- 脱敏结果用 `--output` 写入 Skill 包之外的任务私有目录；不假设安装位置受仓库 `.gitignore` 保护。第三方数据标为估算或代理证据。
- 失败一次后记录缺口，不以重复付费重试掩盖不可用状态。

## 必须交付的结果

- 能力与风险边界
- 候选场景地图
- 新旧竞争集对比
- 搜索页表达草案
- 小批验证与止损计划

结尾列出站点、数据窗口、证据来源、关键假设、缺口、风险、下一步和所有待批准动作。证据不足时写 `HOLD`，不得包装成可直接执行。

执行细节、证据字段和质量检查见 [references/playbook.md](references/playbook.md)。