Review Analysis

亚马逊商品评论深度分析

快速参考

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）

服务维度细分

服务维度问题需进一步细分统计：

严重程度评估

解决方案双轨制

对于每个痛点，提供：

1. 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）

2. 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： 1. 严禁直接请求删除/修改评价 2. 不得用利益交换评价 3. 使用官方渠道 Contact Buyer 4. 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: 1. 访问 https://sorftime.com/zh-cn/mcp 获取新密钥 2. 更新 .mcp.json 中的 API 密钥 3. 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: 1. 检查 ASIN 格式（10位字母数字） 2. 确认站点是否正确 3. 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: 1. 从提示的临时文件路径读取完整数据 2. 使用 Read 工具的 offset/limit 参数分块读取 3. 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:

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: 1. 产品质量好: 差评率低是好事，说明客户满意度高 2. API限制: Sorftime API 最多返回100条评论 3. 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: 1. 手动查看亚马逊产品页面的差评 2. 使用其他评论抓取工具获取更多数据 3. 结合客服记录了解常见问题

最佳实践

1. 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 2. 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 3. 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 4. 错误处理: 每个步骤后检查返回结果，及时发现问题 5. 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

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

亚马逊评论回复邮件模板库

本文档包含针对不同痛点类别的亚马逊合规差评回复模板

---

模板一: 质量/配件/组装问题

适用场景

• 客户抱怨孔位对不上
• 配件缺失
• 安装困难/耗时过长
• 结构不稳

邮件模板

Subject: Important: Assistance regarding your recent order for [Product Name] - [Order ID]

Dear [Customer Name],

I am reaching out to personally apologize for the frustration you experienced with the assembly of our [Product Name]. As the [Role/Brand Name] at [Brand Name], I take your feedback very seriously.

I understand how disappointing it is to spend time assembling furniture, only to find the parts don't align correctly. I would like to make this right immediately.

Here is what I can do for you:

1. Replacement: If you are missing parts or have defective hardware, please let us know, and we will express ship a replacement set to you at no cost.

2. Technical Support: We have a step-by-step video guide and a dedicated technical support team that can walk you through the assembly process. You can access the video at: [Video Link] or contact us at [Support Email].

3. Photo Assessment: If you can share photos of the issue, our team can provide specific guidance to resolve the alignment problem.

Would you be open to giving us another chance to provide the quality experience we aim for? Your satisfaction is our top priority.

Thank you for bringing this to our attention. We value your business and hope to restore your confidence in our brand.

Best regards,

[Your Name] [Role/Title] [Brand Name] Customer Success Team [Contact Information]

---

中文版 (供参考):

主题: 关于您的 [产品名称] 订单的重要协助 - [订单号]

尊敬的 [客户姓名]，

我亲自联系您，对您在组装我们的 [产品名称] 时遇到的困扰表示诚挚的歉意。作为 [品牌名称] 的 [职位]，我非常重视您的反馈。

我完全理解花费时间组装家具却发现零件对不齐是多么令人失望。我希望能立即为您解决这个问题。

我可以为您提供以下帮助:

1. 补发配件: 如果您缺少零件或硬件有缺陷，请告知我们，我们将免费为您快递补发。

2. 技术支持: 我们有分步视频指南和专门的技术支持团队，可以指导您完成组装过程。您可以通过以下链接访问视频: [视频链接] 或联系我们 [支持邮箱]。

3. 照片评估: 如果您能分享问题照片，我们的团队可以提供具体的解决方案。

您愿意给我们一个机会，为您提供我们致力于提供的优质体验吗？您的满意是我们的首要任务。

感谢您向我们反馈这个问题。我们重视您的业务，并希望恢复您对我们品牌的信心。

诚挚地，

[您的姓名] [职位/头衔] [品牌名称] 客户成功团队 [联系方式]

---

模板二: 电子功能故障

适用场景

• LED灯不亮
• USB/AC插座失效
• 充电功能异常
• APP连接问题

邮件模板

Subject: Resolve your LED/Charging issue for your recent [Brand Name] purchase

Dear [Customer Name],

I was deeply sorry to see your recent review regarding the LED light/charging station on your [Product Name]. A core feature of our product is to bring convenience to your daily life, and it's clear we failed to deliver that for you.

We want to resolve this for you right away. Our technical team suggests this might be a simple connection issue or a faulty adapter, and we have several solutions:

Option 1: Replacement Controller We can ship you a new LED controller or complete electronic kit today. This typically resolves 95% of lighting issues.

Option 2: Technical Troubleshooting Before sending replacement parts, our technical team would like to help you troubleshoot:

• Check if the power adapter is securely connected
• Try a different outlet to rule out power source issues
• For APP issues, try reinstalling the app or clearing the cache

Option 3: Refund or Return If you prefer not to troubleshoot, we are happy to:

• Process a full refund (no need to return the heavy item)
• Send you a completely new unit
• Offer a partial refund as compensation

Please let us know which option you prefer, and we'll take care of it immediately. We value your business and hope to restore your confidence in our brand.

Sincerely,

[Your Name] [Brand Name] Customer Success Team [Support Email/Phone]

---

中文版 (供参考):

主题: 解决您最近购买的 [品牌名称] 产品的LED/充电问题

尊敬的 [客户姓名]，

我对您最近关于 [产品名称] 的LED灯/充电站的评论深感抱歉。我们产品的核心功能是为您的日常生活带来便利，很显然我们没能做到这一点。

我们希望立即为您解决这个问题。我们的技术团队建议这可能是一个简单的连接问题或适配器故障，我们有几种解决方案:

方案1: 更换控制器 我们可以今天为您寄送新的LED控制器或完整的电子套件。这通常能解决95%的照明问题。

方案2: 技术故障排除 在发送更换零件之前，我们的技术团队希望帮助您进行故障排除:

• 检查电源适配器是否牢固连接
• 尝试使用不同的插座以排除电源问题
• 对于APP问题，尝试重新安装应用程序或清除缓存

方案3: 退款或退货 如果您不想进行故障排除，我们很乐意:

• 处理全额退款（无需退回重物）
• 为您寄送全新的产品
• 提供部分退款作为补偿

请告诉我们您倾向于哪种方案，我们将立即处理。我们重视您的业务，并希望恢复您对我们品牌的信心。

诚挚地，

[您的姓名] [品牌名称] 客户成功团队 [支持邮箱/电话]

---

模板三: 尺寸/预期偏差

适用场景

• 产品比想象中小
• 颜色与图片不符
• 材质与预期不同
• 功能与描述不一致

邮件模板

Subject: A message from the [Brand Name] team regarding your feedback

Dear [Customer Name],

Thank you for your recent purchase and for sharing your honest feedback about your [Product Name]. I am sorry to hear that the product size/material/functionality did not meet your expectations.

We are constantly looking to improve our product descriptions and images to ensure they provide a clear representation for future customers. Your feedback is instrumental in this process.

To address your concerns:

1. Size Clarification: We understand the product appeared smaller than expected. The exact dimensions are [Dimensions]. We are working on adding a reference photo with common objects (like a smartphone or water bottle) to help future customers better visualize the size.

2. Color/Material: If there's a significant difference between the product you received and what was described, please share a photo. We take description accuracy seriously.

We want you to be happy with your purchase:

• If the product truly doesn't fit your needs or space, we are happy to assist you with a return
• If you'd like to keep it, we can offer a [percentage]% discount as a gesture of goodwill
• If there's any way we can make it work better for you, please let us know

Thank you for your patience and for helping us grow. Your feedback directly influences how we improve our listings and products.

Best regards,

[Your Name] [Brand Name] Customer Success Team

---

中文版 (供参考):

主题: 来自 [品牌名称] 团队关于您反馈的信息

尊敬的 [客户姓名]，

感谢您最近的购买，并感谢您对 [产品名称] 的坦诚反馈。我很遗憾听到产品尺寸/材质/功能没有达到您的预期。

我们一直在努力改进产品描述和图片，以确保为未来的客户提供清晰的展示。您的反馈在这个过程中至关重要。

为了解决您的顾虑:

1. 尺寸说明: 我们理解产品看起来比预期要小。确切的尺寸是 [尺寸]。我们正在努力添加带有常见物品（如手机或水瓶）的参考照片，以帮助未来的客户更好地想象尺寸。

2. 颜色/材质: 如果您收到的产品与描述之间存在显著差异，请分享一张照片。我们非常重视描述的准确性。

我们希望您对购买感到满意:

• 如果产品确实不符合您的需求或空间，我们很乐意协助您退货
• 如果您希望保留它，我们可以提供 [百分比]% 的折扣作为善意的表示
• 如果有任何我们可以让它更适合您的方法，请告诉我们

感谢您的耐心和对我们成长的帮助。您的反馈直接影响我们如何改进我们的Listing和产品。

诚挚地，

[您的姓名] [品牌名称] 客户成功团队

---

亚马逊合规注意事项

✅ 推荐做法

1. 使用官方渠道: 通过亚马逊后台 "Contact Buyer" 功能发送 2. 快速响应: 收到差评后24小时内处理 3. 态度诚恳: 承认问题，不推卸责任 4. 提供解决方案: 补发、退款、技术支持 5. 请求反馈: "如果解决方案让您满意，请考虑更新评价"

❌ 严禁做法

1. 不要直接请求删除评价:

• ❌ "Please remove your review"
• ❌ "Change your review to 5 stars"

2. 不要用利益交换评价:

• ❌ "I'll give you $20 for a 5-star review"
• ❌ "Free gift if you delete your review"

3. 不要使用威胁性语言:

• ❌ "If you don't remove this, we'll ban you"

✅ 建议的委婉表达

• "If you're satisfied with our solution, we'd appreciate it if you could update your feedback to reflect your improved experience."
• "We hope we've earned back your trust. Your updated review would help other customers see our commitment to customer service."

---

邮件发送时机建议

---

模板版本: v1.0 最后更新: 2026-03-15

痛点分类体系参考文档

本文档定义了评论分析中使用的5大痛点类别及其细分维度。

---

一、结构/组装问题 (Structure & Assembly)

定义

与产品结构设计、组装过程相关的问题

识别关键词

严重程度判断标准

根源分析方向

---

二、电子模块故障 (Electronics Malfunction)

定义

产品中电子部件功能失效问题

识别关键词

严重程度判断标准

根源分析方向

---

三、设计/功能缺陷 (Design & Functional Flaws)

定义

产品功能设计不合理导致的使用问题

识别关键词

严重程度判断标准

根源分析方向

---

四、外观/材质问题 (Appearance & Material)

定义

产品外观和材质相关的问题

识别关键词

严重程度判断标准

根源分析方向

---

五、描述不符 (Description Mismatch)

定义

产品实际情况与Listing描述存在偏差

识别关键词

严重程度判断标准

根源分析方向

---

分类流程图

评论文本
    │
    ├─ 包含"孔位/螺丝/安装/摇晃" → 结构/组装问题
    │
    ├─ 包含"USB/充电/灯/APP/蓝牙" → 电子模块故障
    │
    ├─ 包含"浅/不稳/刺眼/收纳" → 设计/功能缺陷
    │
    ├─ 包含"划痕/色差/异味/生锈" → 外观/材质问题
    │
    ├─ 包含"小/不一样/不是" → 描述不符
    │
    └─ 无匹配 → 其他

---

使用说明

1. 优先级判断: 当评论同时涉及多个类别时，按严重程度高者优先

2. 置信度计算:

• 匹配1个关键词: 0.5
• 匹配2个关键词: 0.7
• 匹配3+关键词: 0.9

3. 边界情况处理:

• "抽屉浅且卡顿" → 同时记录设计缺陷和结构问题
• "灯不亮且有异味" → 同时记录电子故障和材质问题

---

文档版本: v1.0 最后更新: 2026-03-15

评论分析 Skill 设计文档 (LLM Agent 版)

1. 概述

Skill 名称: review-analysis

功能描述: 对亚马逊商品评论进行深度分析，自动识别产品痛点、分析退货原因，并生成改进建议和客服回复模板。

触发方式: /review-analyse {ASIN} {SITE}

架构模式: LLM Agent 驱动 - 完全由 AI Agent 逐步执行，不依赖 Python 脚本

---

2. 核心架构

2.1 LLM Agent 工作流

┌─────────────────────────────────────────────────────────────────┐
│                     LLM Agent 执行流程                           │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  ┌─────────┐    ┌─────────┐    ┌─────────┐    ┌─────────┐     │
│  │ Step 1  │───▶│ Step 2  │───▶│ Step 3  │───▶│ Step 4  │     │
│  │ 数据获取 │    │ 数据解析 │    │ LLM分析 │    │ 报告生成 │     │
│  └────┬────┘    └────┬────┘    └────┬────┘    └────┬────┘     │
│       │              │              │              │           │
│       ▼              ▼              ▼              ▼           │
│  ┌─────────┐    ┌─────────┐    ┌─────────┐    ┌─────────┐     │
│  │ API调用 │    │ 文件解析 │    │ 痛点分类 │    │ Markdown │     │
│  │ curl    │    │ JSON    │    │ 情感分析 │    │ 模板渲染 │     │
│  └─────────┘    └─────────┘    └─────────┘    └─────────┘     │
│       │              │              │              │           │
│       ▼              ▼              ▼              ▼           │
│  ┌─────────┐    ┌─────────┐    ┌─────────┐    ┌─────────┐     │
│  │文件保存 │    │文件保存 │    │文件保存 │    │报告文件 │     │
│  │01_*.json│    │02_*.json│    │03_*.json│    │report.md│     │
│  └─────────┘    └─────────┘    └─────────┘    └─────────┘     │
│                                                                  │
└─────────────────────────────────────────────────────────────────┘

2.2 与 Python 脚本架构的对比

---

3. 痛点分析框架

3.1 五大痛点类别

3.2 严重程度评估

---

4. 文件流转架构

4.1 完整文件链

用户输入: /review-analyse B07PWTJ4H1 US
              │
              ▼
    ┌─────────────────────────┐
    │  创建工作目录            │
    │  reports/review-analysis/│
    │  {ASIN}_{SITE}_{DATE}/  │
    └─────────────────────────┘
              │
              ▼
    ┌─────────────────────────────────────────────────────────┐
    │ Step 1: 获取产品详情                                     │
    │ → 01_product_detail.json (ASIN, 标题, 品牌, 价格, 评分)  │
    └─────────────────────────────────────────────────────────┘
              │
              ▼
    ┌─────────────────────────────────────────────────────────┐
    │ Step 2: 获取评论数据 (curl product_reviews API)         │
    │ → 02_reviews_raw.txt (SSE 格式原始响应)                  │
    └─────────────────────────────────────────────────────────┘
              │
              ▼
    ┌─────────────────────────────────────────────────────────┐
    │ Step 3: 解析评论 (解码 Unicode + 修复 Mojibake)          │
    │ → 03_reviews_parsed.json (标准 JSON 格式评论数组)        │
    └─────────────────────────────────────────────────────────┘
              │
              ▼
    ┌─────────────────────────────────────────────────────────┐
    │ Step 4: 情感统计 (计算星级分布)                          │
    │ → 04_sentiment_stats.json (好中差评数量/占比)            │
    └─────────────────────────────────────────────────────────┘
              │
              ▼
    ┌─────────────────────────────────────────────────────────┐
    │ Step 5: 痛点分析 (LLM 深度分析每条差评)                  │
    │ → 05_painpoints_analysis.json (痛点矩阵+详细分析)        │
    └─────────────────────────────────────────────────────────┘
              │
              ▼
    ┌─────────────────────────────────────────────────────────┐
    │ Step 6: 生成报告 (综合所有数据)                         │
    │ → report.md (完整分析报告 + 邮件模板)                    │
    └─────────────────────────────────────────────────────────┘

4.2 数据文件格式

03_reviews_parsed.json (评论数据)

{
  "reviews": [
    {
      "review_id": "...",
      "star_rating": 5,
      "review_date": "2024-01-01",
      "title": "Great product!",
      "content": "评论内容...",
      "is_vp": true,
      "helpful_votes": 10
    }
  ]
}

04_sentiment_stats.json (情感统计)

{
  "total_reviews": 100,
  "average_rating": 4.2,
  "rating_distribution": {
    "five_star": 60,
    "four_star": 20,
    "three_star": 10,
    "two_star": 5,
    "one_star": 5
  },
  "sentiment_breakdown": {
    "positive": 80,
    "neutral": 10,
    "negative": 10
  }
}

05_painpoints_analysis.json (痛点分析)

{
  "painpoint_matrix": [
    {
      "category": "结构/组装问题",
      "count": 15,
      "percentage": 30,
      "severity_breakdown": {"high": 5, "medium": 8, "low": 2},
      "typical_quotes": ["孔位对不上", "安装困难"]
    }
  ],
  "top_issues": [
    {
      "rank": 1,
      "category": "结构/组装问题",
      "severity": "高",
      "root_cause": {
        "design": "公差设计不合理",
        "production": "质检不到位",
        "packaging": "N/A",
        "manual": "说明书不够详细"
      },
      "improvement_suggestions": [
        "优化孔位公差",
        "在零件上标注编号"
      ],
      "customer_quotes": [
        "孔位对不上，装不起来",
        "螺丝总是滑丝"
      ]
    }
  ]
}

---

5. LLM Agent 分析流程

5.1 痛点分类 Prompt

当 LLM Agent 分析评论时，使用以下思维过程：

对于每条 1-3 星评论：

1. 阅读评论内容
2. 匹配痛点类别（5选1）
3. 评估严重程度（高/中/低）
4. 提取关键问题词
5. 分析根本原因（设计/生产/包装/说明书）
6. 生成改进建议

输出 JSON 格式

5.2 根源分析维度

5.3 解决方案双轨制

1. 产品/供应链改进:

• ✅ 具体可执行: "建议将抽屉底部无纺布更换为密度板"
• ❌ 笼统模糊: "提高质量"

2. 客服/Listing优化:

• 安抚话术模板
• Listing 修改建议
• FAQ 补充

---

6. 报告输出

6.1 报告结构

# {产品标题} - 评论深度分析报告

## 执行摘要
## 一、评论情感分布
## 二、痛点分析矩阵
## 三、核心痛点深度分析 (Top 5)
## 四、产品改进优先级
## 五、Listing 优化建议
## 六、邮件回复模板库

6.2 邮件模板生成规则

基于痛点类别自动匹配对应模板：

---

7. 与 amazon-analyse 的关系

7.1 技术架构对比

7.2 功能互补

amazon-analyse (竞品全维度分析)
    │
    ├─ Listing 分析
    ├─ 关键词分析
    └─ 评论分析 (Top3 优劣势)
            │
            ▼
    review-analysis (评论深度分析) ← 继承数据获取逻辑
            │
            ├─ 痛点矩阵 (5大类)
            ├─ 严重程度评估
            ├─ 根源分析
            └─ 邮件模板生成

---

8. 技术要点

8.1 SSE 响应处理

Sorftime 返回格式:

event: message
data: {"result":{"content":[{"type":"text","text":"{Unicode转义的JSON}"}]}}

处理步骤: 1. 提取 data: 行 2. 解析 JSON 获取 text 字段 3. 解码 Unicode 转义 (\u4ea7\u54c1 → 产品) 4. 修复 Mojibake 编码 (如有) 5. 保存为标准 JSON

8.2 编码问题处理

# Unicode 解码
decoded = codecs.decode(text, 'unicode-escape')

# Mojibake 修复
fixed = bad_text.encode('latin-1').decode('utf-8')

8.3 JSON 转义处理

保存 JSON 时注意转义:

• 换行符 \n → \\n
• 引号 " → \"
• 反斜杠 \ → \\

---

9. 使用示例

9.1 命令触发

用户: /review-analyse B07PWTJ4H1 US

9.2 Agent 执行流程

Agent: 开始评论分析...
Agent: ✓ 创建工作目录: reports/review-analysis/B07PWTJ4H1_US_20260315/
Agent: ✓ 获取产品详情
Agent: ✓ 获取评论数据 (100条)
Agent: ✓ 解析评论数据
Agent: ✓ 情感统计完成
Agent: ✓ 痛点分析完成 (识别5大类, 23个痛点)
Agent: ✓ 生成报告
Agent: ✓ 生成邮件模板 (3个)
Agent: 分析完成!
       报告位置: reports/review-analysis/B07PWTJ4H1_US_20260315/report.md

---

10. 目录结构

.claude/skills/review-analysis/
├── SKILL.md                      # 主文档 (LLM Agent 执行指令)
├── 设计文档.md                   # 本文档
├── references/
│   └── painpoint_taxonomy.md     # 痛点分类体系参考
└── assets/
    └── email_templates/
        ├── quality_issue.md      # 质量/组装问题模板
        ├── electronics_issue.md  # 电子功能故障模板
        └── expectation_gap.md    # 预期偏差模板

---

文档版本: v2.0 (LLM Agent 架构) 最后更新: 2026-03-15 *参考资料有： https://mp.weixin.qq.com/s/agrml8THPvCmMxOMMmxKzA