Amazon Category Research

Amazon 类目深度研究

任何亚马逊畅销榜类目的端到端自主研究工作流。用户提供类目URL；skill收集数据、运行并行分析，并生成全面的中文报告包。

前置条件

• Playwright MCP服务器 必须可用（browser_navigate、browser_evaluate、browser_snapshot、browser_close）
• Agent工具 用于启动并行分析子代理
• 报告保存到 {project_root}/reports/{category-slug}/（例如 reports/toys-and-games/、reports/building-toys/）。

在每次运行开始时创建子目录。

工作流程概览

skill分三个阶段运行：数据收集、并行分析、报告综合。使用TaskCreate/TaskUpdate追踪进度。

重要：所有文件输出（JSON数据、分析报告、综合报告）必须进入 reports/ 下的类目特定子文件夹。从类目名称中提取人类可读的slug（例如 "Building & Construction Toys" → building-toys，"Toys & Games" → toys-and-games）。在保存任何文件之前创建目录。

---

第一阶段：数据收集

步骤1.1 — 解析用户输入

从用户消息中提取：

• 类目URL（必填）— 亚马逊畅销榜URL，例如 https://www.amazon.com/gp/bestsellers/toys-and-games/
• 子类目（可选）— 特定的子类目进行深度研究。如果省略，自动选择与主Top 30列表最相关的Top 5。
• 报告语言（可选，默认：简体中文）

步骤1.2 — 抓取主类目 Top 30

使用 mcp__playwright__browser_navigate 导航到类目URL。等待页面完全加载。

使用 mcp__playwright__browser_evaluate 运行此提取脚本：

() => {
  const lines = document.body.innerText.split('\n');
  const products = [];
  let current = null;
  for (let i = 0; i < lines.length; i++) {
    const match = lines[i].match(/^#(\d+)$/);
    if (match) {
      if (current && current.title) products.push(current);
      current = { rank: parseInt(match[1]) };
    } else if (current) {
      if (lines[i].includes('out of 5 stars')) current.stars = lines[i].trim();
      else if (lines[i].includes('offers from') || lines[i].match(/^\$[\d,.]+$/)) current.price = lines[i].trim();
      else if (lines[i].match(/^[\d,]+$/) && current.stars) current.reviews = lines[i].trim();
      else if (lines[i].trim().length > 15 &&
               !lines[i].includes('Movers') && !lines[i].includes('New Releases') &&
               !current.title) {
        current.title = lines[i].trim();
      }
    }
  }
  if (current && current.title) products.push(current);
  const nrIdx = products.findIndex(p => p.title && (p.title.includes('New Releases') || p.title.includes('Movers')));
  const result = nrIdx > 0 ? products.slice(0, nrIdx) : products.filter(p => p.title && p.title.length > 10);
  return result.slice(0, 30);
}

将结果保存到 reports/{category-slug}/{category-slug}_top30.json（使用人类可读的slug如 building-toys）。

步骤1.3 — 发现子类目

在同一页面上，使用 mcp__playwright__browser_evaluate 查找子类目导航链接：

() => {
  const allLists = document.querySelectorAll('ul, ol');
  const subcats = [];
  allLists.forEach(list => {
    const items = list.querySelectorAll('li');
    const firstText = items[0]?.textContent?.trim() || '';
    if (firstText.includes('Action & Toy Figures') || firstText.includes('Arts & Crafts') || firstText.includes('Baby & Toddler') || firstText.includes('Building')) {
      list.querySelectorAll('a').forEach(a => {
        subcats.push({ name: a.textContent.trim(), url: a.href });
      });
    }
  });
  return subcats;
}

这会从左侧边栏返回完整的子类目链接列表。如果失败（返回空），尝试替代选择器：a[href*="/zgbs/"]，或从"任何部门"下拉菜单文本提取。

如果用户指定了子类目，按名称匹配。否则，使用以下逻辑自动选择 5个子类目： 1. 将每个Top 30产品映射到其最可能的子类目 2. 按在Top 30中出现频率对子类目排序 3. 选择前5名（排除主类目本身） 4. 如果少于5个出现，用相邻类目填充

步骤1.4 — 抓取每个子类目 Top 20

对于每个选定的子类目： 1. 使用 mcp__playwright__browser_navigate 导航到其URL 2. 运行与步骤1.2相同的提取脚本（但用 .slice(0, 20) 而不是30） 3. 保存到 reports/{category-slug}/{subcategory_slug}_top20.json

按顺序执行（Playwright使用单个浏览器标签）。最多定位5个子类目。

步骤1.5 — 关闭浏览器

所有抓取完成后运行 mcp__playwright__browser_close。

---

第二阶段：并行分析

使用 run_in_background: true 和 subagent_type: "general-purpose" 同时启动 4个分析代理。 每个代理接收完整的原始数据并将报告写入 reports/。

代理1 — 细分市场分析

文件：reports/{category-slug}/{category-slug}_niche_analysis.md

提示代理分析： 1. 产品类型分布 — 哪些类目主导Top 30，百分比细分 2. 价格带分析 — $0-7 / $7-15 / $15-30 / $30-50 / $50+ 分布和可行性 3. 星级评分模式 — 识别质量差距（高需求 + 低评分 = 机会） 4. Top 5细分市场推荐 — 按：需求水平、竞争强度、利润潜力、入场难度排序 5. 供应链指导 — 采购地点（义乌、汕头、东莞等）、工厂类型、最小起订量预期 6. 风险评估 — 合规性、季节性、知识产权、竞争风险

代理2 — 竞品分析

文件：reports/{category-slug}/{category-slug}_competitor_analysis.md

提示代理分析： 1. 品牌格局 — 识别重复品牌、品牌集中度、中国卖家vs美国卖家比例 2. 产品策略 — SKU矩阵/变体玩法、捆绑、IP许可、定价策略 3. 评论壁垒 — 按价格层级估计新卖家竞争的评论阈值 4. 入场难度评级（1-5星）用于每个主要子类目 5. Top 3入场推荐 包含目标价格、差异化角度和风险级别 6. 评论建立策略 — Vine计划、请求评论、社交播种时间线

代理3 — 关键词分析

文件：reports/{category-slug}/{category-slug}_keyword_analysis.md

提示代理分析： 1. 高频关键词 — 从所有产品标题提取，按频率排序，按子类目分组 2. 搜索意图分析 — 按年龄段（0-2、2-4、4-8、8-12）、按场景（生日、教育、旅行、节日） 3. 关键词策略 — 高量低竞争机会、每个子类目的标题公式、后端关键词模板（250字节） 4. PPC关键词矩阵 — 针对前4个子类目：广泛/短语/精确匹配建议 + 负关键词 5. 季节性关键词日历 — 按月计划Q2（夏季）、Q3（返校）、Q4（节日）

代理4 — 利润分析

文件：reports/{category-slug}/{category-slug}_profit_analysis.md

提示代理分析： 1. 价格层级利润模型 — 每个价格带（$0-7、$7-15、$15-30、$30-50、$50+）：从阿里估计COGS、 FBA费用（推荐费15%、配送费、仓储费）、净利率范围 2. 每个类目的单位经济学 — 针对前5个子类目：估计COGS、FBA费用、每单位净利润、利润率% 3. FBA优化 — 包装尺寸层级降低策略、仓储技巧 4. 启动成本模型 — 最小可行启动预算（2个SKU x 500件）、广告预算建议 5. 盈亏平衡分析 — 覆盖固定成本所需的月度单位销量 6. 投资回报率排名 — 按估计投资回报率对子类目排序

重要：将实际抓取的数据（不是摘要）传递给每个代理。包含所有产品标题、价格、评分和评论数。代理需要真实数据才能产生有意义的分析。

---

第三阶段：报告综合

等待所有4个代理完成（你将收到任务通知）。然后启动一个最终综合代理 （subagent_type: "general-purpose"，这次是前台运行，因为我们需要结果）来生成综合报告。

最终报告

文件：reports/{category-slug}/{category-slug}_comprehensive_report.md

综合代理应： 1. 从 reports/ 读取所有4份分析报告 2. 结合原始产品数据 3. 生成具有以下确切结构的综合报告：

# 亚马逊美国站 {Category Name} 品类综合研究报告

## 目录
1. 执行摘要
2. 品类全景概览
3. 子品类深度分析 (Deep dive per subcategory)
4. 市场机会矩阵
5. 新卖家入场策略
6. 运营落地指南
7. 财务模型
8. 风险管控
9. 行动路线图

必须包含的关键部分：

• 执行摘要：1页概览，包含Top 5机会表（细分市场、评分、利润、启动成本、回本周期）
• 品类格局：Top 30产品类型分布表、按FBA费用比率的价格带分析
• 子类目深度研究：每个抓取的子类目：市场特征、竞争格局、定价分析、主要参与者、入场难度评级（1-5星）
• 市场机会矩阵：按4个维度（需求、竞争、利润、难度）对8-12个细分市场评级，分配S/A/B/C等级
• 入场策略：3个阶段 — 验证期（1-2月）、扩展期（3-6月）、品牌建设期（6-12月）
• 运营手册：Listing标题公式、关键词策略、PPC分阶段计划、评论建立、季节性日历
• 财务模型：两个启动预算（精简版$3-5K、标准版$8-15K）、前3个产品的单位经济学、盈亏平衡分析、6个月损益预测
• 风险管理：合规清单（适用的CPC/CPSIA/ASTM/FCC）、知识产权保护、季节性库存、竞争防御
• 行动路线图：详细的30/60/90天计划及里程碑

---

输出总结

所有阶段完成后，向用户呈现：

1. 所有生成报告的汇总表及文件路径 2. 研究的Top 5关键发现 3. Top 3推荐行动项

错误处理

• 如果Playwright导航失败，重试一次，然后尝试 mcp__web_reader__webReader 作为备选
• 如果提取脚本返回空结果，页面结构可能不同 — 使用 browser_snapshot 检查页面结构并调整选择器
• 如果子类目发现失败，要求用户提供子类目URL
• 如果任何分析代理失败，重新生成该报告

Amazon 品类深度调研（Category Deep Research）

概述

品类深度调研是 Amazon Skills 体系中品类级别的全景分析技能。只需提供一个 Amazon Best Sellers URL，即可自动完成从数据采集到报告生成的全流程，输出 5 份覆盖品类决策全链路的专业分析报告——包括利基市场分析、竞品格局、关键词SEO策略、利润机会分析，以及一份9章节综合研究报告。

与 amazon-one-shot 的区别

推荐使用顺序：先用 amazon-category-research 锁定品类方向，再用 amazon-one-shot 对具体产品做深度验证。

---

核心原理

数据采集原理：Best Sellers 页面解析

技能使用 Playwright 浏览器自动化技术，通过页面文本行解析提取 Amazon Best Sellers 页面的产品数据。与 one-shot 不同的是，品类调研不依赖特定的 DOM 选择器（因为 Best Sellers 页面结构可能因品类而异），而是采用通用的文本模式匹配：

• 通过 #1、#2 等排名标识定位产品起始位置
• 依次解析标题、评分（out of 5 stars）、价格（$XX.XX 或 X offers from $X.XX）、评论数
• 在 "New Releases" 标记处截断，确保只获取 Best Sellers 部分

子品类发现原理：侧边栏导航解析

Amazon Best Sellers 页面的左侧导航栏包含该品类的所有子品类链接。技能通过遍历页面所有 <ul> 列表，找到第一个子品类名称（如 "Action & Toy Figures"）所在的列表，从而提取全部子品类链接。

并行分析原理：4 Agent 同时运行

数据采集完成后，技能同时启动 4 个独立的分析 Agent（后台运行），每个 Agent 接收全量原始数据，独立完成分析并写入报告文件：

1. 利基分析 Agent — 品类趋势、价格分布、Top 5 利基推荐、供应链建议 2. 竞品分析 Agent — 品牌格局、竞争壁垒、评论门槛、新卖家入场建议 3. 关键词分析 Agent — 高频词提取、搜索意图、PPC策略、季节性规划 4. 利润分析 Agent — 单位经济学、FBA费用、ROI估算、盈亏平衡

4 个 Agent 完成后，启动综合报告 Agent，读取全部 4 份分析报告和原始数据，生成最终的9章节综合报告。

---

工作流程

用户提供 Best Sellers URL
         │
         ▼
┌─────────────────────────────┐
│ Step 1: 主榜数据采集          │  ← 导航到 Best Sellers 页面
│ • Top 30 产品（排名/标题/     │  ← 文本解析提取
│   价格/评分/评论数）          │
└──────────┬──────────────────┘
           │
           ▼
┌─────────────────────────────┐
│ Step 2: 子品类发现            │  ← 解析侧边栏导航
│ • 发现全部子品类链接          │  ← 选择Top 5（基于主榜）
│ • 创建子目录                  │
└──────────┬──────────────────┘
           │
           ▼
┌─────────────────────────────┐
│ Step 3: 子品类数据采集        │  ← 依次导航5个子品类页面
│ • 每个子品类 Top 20           │  ← 相同解析逻辑
│ • 共100个额外数据点            │  ← 保存为JSON
└──────────┬──────────────────┘
           │
           ▼
┌─────────────────────────────┐
│ Step 4: 并行分析（4 Agent）   │  ← 后台同时运行
│ • 利基分析                    │  ← 全量数据
│ • 竞品分析                    │  ← 独立分析
│ • 关键词分析                   │  ← 独立分析
│ • 利润分析                    │  ← 独立分析
└──────────┬──────────────────┘
           │
           ▼
┌─────────────────────────────┐
│ Step 5: 综合报告              │  ← 等待4个Agent完成
│ • 读取4份分析报告            │  ← 交叉引用
│ • 9章节综合报告              │  ← 最终输出
└─────────────────────────────┘

---

输出结构

reports/
├── toys-and-games/                            ← Toys & Games 品类
│   ├── toys_games_comprehensive_report.md         # 综合报告（9章节）
│   ├── toys_games_niche_analysis.md             # 利基市场分析
│   ├── toys_games_competitor_analysis.md        # 竞品格局分析
│   ├── toys_games_keyword_analysis.md           # 关键词SEO分析
│   ├── toys_games_profit_analysis.md            # 利润机会分析
│   └── *_bestsellers.json                      # 原始数据文件
│
├── building-toys/                             ← Building Toys 子品类
│   ├── building_toys_comprehensive_report.md
│   ├── building_toys_niche_analysis.md
│   ├── building_toys_competitor_analysis.md
│   ├── building_toys_keyword_analysis.md
│   ├── building_toys_profit_analysis.md
│   ├── building_toys_top30.json
│   └── *_top20.json
│
└── 2026-04-18_B0033SHO4Q/                  ← 单品报告（one-shot）
    └── ...（9份报告）

---

使用方法

触发方式

# 中文
"调研这个亚马逊品类：https://www.amazon.com/gp/bestsellers/toys-and-games/"
"分析Amazon Best Sellers Building Toys"
"深度调研Amazon类目 https://www.amazon.com/gp/bestsellers/toys-and-games/166092011"

# 英文
"research this Amazon category: https://www.amazon.com/gp/bestsellers/toys-and-games/"
"analyze Amazon Best Sellers in Baby & Toddler Toys"

前置要求

参数说明

---

已验证的品类

---

与其他技能的关系

                    ┌─────────────────────┐
                    │ amazon-category-    │
                    │ research (品类调研)  │
                    └──────────┬──────────┘
                               │ 锁定品类方向后
                               ▼
                    ┌─────────────────────┐
                    │ amazon-one-shot      │
                    │ (单品深度调研)     │
                    └──────────┬──────────┘
                               │ 跨品类复用
                ┌──────────────┼──────────────┐
                ▼              ▼              ▼
        ┌──────────┐  ┌──────────┐  ┌──────────┐
        │ keyword │  │ listing  │  │ fba-      │
        │ research │  │ optimize │  │calculator│
        └──────────┘  └──────────┘  └──────────┘

category-research 是品类级扫描工具，one-shot 是单品级验证工具。先用前者回答"哪个品类值得做"，再用后者回答"这个具体产品值不值得做"。

---

版本信息

• 版本: 1.0.0
• 创建日期: 2026-04-19
• 已测试品类: Toys & Games, Building & Construction Toys
• 平台: Amazon US (amazon.com)
• 语言: 中文输出