Amazon One Shot

亚马逊一站式产品调研

一站式综合亚马逊产品分析。为任意ASIN生成9份报告。

工作流程概述

第一阶段：数据收集 — 通过Playwright抓取目标产品和竞争对手 第二阶段：报告生成 — 将9份markdown报告写入带时间戳的目录

第一阶段：数据收集

第一步：提取目标产品信息

导航到 https://www.amazon.com/dp/{ASIN} 并提取：

使用 browser_evaluate() 提取：
- 标题 (document.getElementById('productTitle'))
- 价格 (.a-price-whole + .a-price-fraction) — 注意：可能以CNY显示
- 评分 (#acrCustomerReviewText, .a-icon-star .a-icon-alt)
- 评论数 (#acrCustomerReviewText)
- 品牌 (#bylineInfo)
- 五点 (#feature-bullets ul li span) — 全部5条
- 图片数量 (#altImages img count，排除视频缩略图)
- 是否有A+内容 (querySelector('#aplus') || querySelector('.aplus-v2'))
- A+文本 (#aplus_feature_div innerText，前1500字符)
- 评论 ([data-hook="review-body"] 前10条评论，每条前200字符)
- BSR和来自产品详情表格的类目信息
- 星级分布（86% 7% 2% 1% 4% 直方图模式）
- 产品详情表格（所有table.productDetails、table.a-keyvalue）
- 面包屑路径 (#wayfinding-breadcrumbs_container a)
- 重要信息/警告 (#importantInformation_feature_div)
- Byline/品牌店铺链接 (#bylineInfo)

第二步：关键词研究

针对目标产品，导航到5+个关键词变体的亚马逊搜索：

使用的搜索关键词（从产品标题和类目派生）：
1. "{主关键词} toy"（例如 "buzz lightyear toy"）
2. "{主关键词} action figure"
3. "{品牌} {主关键词}"（例如 "disney toy story figure"）
4. "{主关键词} talking toy {尺寸}"
5. "{品牌} {类目} interactive toy gift kids"

对于每个搜索，记录：
- 总搜索结果数 (bodyText.match(/共([\d,]+)条/))
- 前10个产品标题及价格 (.a-price .a-offscreen)
- 这给出了竞争密度和价格范围数据

第三步：寻找竞争对手

从第一个搜索结果页面：

使用 browser_evaluate() 提取：
- 所有产品链接：document.querySelectorAll('a[href*="/dp/"]')
- 从href中提取ASIN：href.match(/\/dp\/([A-Z0-9]+)/)
- 匹配标题以找到前3-4个直接竞争对手（相同类目、相似功能）

然后导航到每个竞争对手ASIN页面，提取与第一步相同的数据（标题、价格、评分、评论数、五点、BSR、A+类型、产品详情表格）。

第四步：评论分析（需要登录增强版）

如果已登录，导航到按星级筛选的评论页面：

1星评论：/product-reviews/{ASIN}?filterByStar=one_star&sortBy=helpful
2星评论：/product-reviews/{ASIN}?filterByStar=two_star&sortBy=helpful
3星评论：/product-reviews/{ASIN}?filterByStar=three_star&sortBy=recent
最新评论：/product-reviews/{ASIN}?sortBy=recent

从每个页面提取：
- 评论正文 ([data-hook="review-body"] span)
- 日期 ([data-hook="review-date"])
- 格式/变体 ([data-hook="format-strip"]) — 关键：识别评论是关于哪个产品变体的
- 已验证购买 ([data-hook="avp-badge"])
- 有帮助投票 ([data-hook="helpful-vote-statement"])

目标：每个星级（1星、2星、3星）10条评论 + 10条最新评论 = 40条总评论

如果未登录： 直接从产品详情页面提取评论（通常可见8-15条评论）。在报告中注明此限制。

第五步：图片分析

从产品页面：
- 统计所有图片 (#altImages img，排除URL中含.SS40或.SX的视频缩略图)
- 记录视频存在情况
- 截取产品页面上部截图作为视觉参考
- 记录图片URL和alt文本

第二阶段：报告生成

将所有报告保存到 reports/{YYYY-MM-DD}_{ASIN}/ 目录。

报告1：产品概览 (01_product_info.md)

结构：

• 基本信息表（ASIN、标题、品牌、价格、CNY + 美元估算÷7.26、评分、评论数、BSR、类目路径）
• 5条五点（完整文本）
• A+内容摘要
• 产品详情表格（材质、尺寸、重量、电池、年龄范围、UPC、型号）
• 重要警告
• 图片数量 + 视频信息

报告2：关键词研究 (02_keyword_research.md)

结构：

• 关键词搜索量表（关键词、结果数、竞争密度、我们的排名）
• 高商业意图关键词
• 长尾机会关键词（低结果 = 高机会）
• 竞争格局（品牌分布、价格范围分析）
• 季节性趋势（Q4高峰55-65%、会员日、黑五）
• 市场机会评分（1-10，说明理由）
• 选品建议

报告3：竞品分析 (03_competitor_analysis.md)

结构：

• 竞争对手概览表（ASIN、品牌、价格、尺寸、评论数、评分、BSR、重量、电池、材质）
• Listing质量比较（标题、五点、图片、A+）
• BSR排名比较与可视化条形图
• 评论量和市场份额估算
• 价格定位图
• 评论情感比较
• 差异化策略总结
• 竞争格局结论（金字塔）
• 选品建议

报告4：评论深度分析 (04_review_analysis.md)

结构：

• 星级分布（86/7/2/1/4）及计算验证
• 正面主题词频排名
• 负面主题词频排名
• 1星评论根因分析（带直接引用）
• 2星评论根因分析
• 3星评论根因分析
• 产品变体质量细分（哪个变体问题最多）
• 买家画像分析（身份%、使用场景、地区）
• 近期趋势分析（2026最新评论）
• UGC挖掘（从真实评论中提取的营销文案）
• 产品改进优先级矩阵（P0/P1/P2）
• 共享评论池发现（如果检测到）

报告5：销售与收入估算 (05_sales_revenue.md)

结构：

• FBA费用计算（尺寸层级、履约费、佣金、仓储、总亚马逊费用）
• 利润分析（毛利润、净利润、利润率%、投资回报率）
• 基于BSR的月销量估算（保守/中等/乐观）
• 单品 vs 系列细分（如果检测到共享评论池）
• 年收入估算
• 评论增长验证方法
• 季节性销售分布（Q1-Q4）
• 关键销售事件（会员日、黑五、圣诞节）
• 选品财务可行性总结

报告6：Listing优化审计 (06_listing_optimization.md)

结构：

• 8维度审计评分表（标题/15、五点/15、图片/15、A+/10、描述/10、定价/10、评论/15、SEO/10）
• 标题分析（关键词覆盖、长度优化、缺失术语）
• 五点分析（结构评估、关键词嵌入、改进建议）
• 图片评估（当前数量、缺失类型、竞争对手比较）
• A+内容评估（自定义 vs 模板、叙事风格）
• SEO关键词覆盖矩阵（哪些关键词出现在哪里，差距）
• 差距分析（优化前后建议）
• 提取的可复用策略

报告7：图片策略 (07_image_strategy.md)

结构：

• 当前图片配置总结
• 每张图片评估（内容、质量、评分、缺失内容）
• 视频评估
• 8维度图片评分
• 识别的缺失图片类型（尺寸对比、信息图、生活方式、开箱内容、互动演示、竞争对手比较）
• 拍摄清单（建议7张图片 + 2个视频，含具体要求）
• 基于常见评论投诉的摄影备注

报告8：Listing模板 (08_listing_templates.md)

结构：

• 标题模板提取（从Disney标题结构得出的公式）
• 五点模板提取（功能递进结构）
• A+内容模板提取（第一人称叙事结构）
• 后台搜索词建议
• 通用模板（可适应任何互动玩具/产品）
• 写作规则总结

报告9：最终评估 (09_final_assessment.md)

结构：

• 市场吸引力矩阵（8个维度各1-10分）
• SWOT分析（优势、劣势、机会、威胁）
• 三种策略的产品选品评分卡：
• 同IP竞争对手（通常不可行）
• 非IP互动产品
• 配件/外设
• 每种策略：可行性、预期月利润、入场成本、建议评分
• 从该产品中学到的Top 5（无论是否进入该市场）
• 如果进入的MVP建议
• 风险警告
• 报告索引（列出全部9份报告）

重要实施说明

1. 人民币定价： 亚马逊可能以人民币显示价格。除以~7.26得到美元估算。始终注明两个值。

2. 共享评论池： Disney/出版商产品可能在变体间共享评论。检查ASIN间的评论数和BSR是否几乎相同。检查评论中的样式:标签以识别每条评论是关于哪个变体的。

3. 浏览器限制：

• 如果产品详情表格首次未加载，向下滚动并等待3秒，然后重试
• 评论页面需要登录 — 如果未登录，只从产品页面提取并在报告中注明限制
• 亚马逊可能重定向到登录/captcha — 等待并重试
• 谷歌趋势可能无法访问 — 使用一般知识判断季节性趋势

4. 错误恢复：

• 如果页面返回空产品数据，等待3秒并重试
• 如果导航被captcha阻止，关闭浏览器，重新打开，然后继续
• 如果评论页面重定向到登录，尝试产品页面的评论部分

5. 语言： 该技能适用于中文语言环境亚马逊页面（文本为中文）。所有报告输出应为中文。

6. 输出： 将所有9份报告保存为markdown文件到 reports/{YYYY-MM-DD}_{ASIN}/ 目录。使用会话的工作目录作为 reports/ 路径的基础。

7. 语气： 客观、数据驱动的分析。清晰呈现事实和数据。广泛使用表格。在相关处包含直接评论引用。用⚠️标记估计值。

Amazon 一站式深度调研（One-Shot Product Research）

概述

一站式深度调研是 Amazon Skills 体系中最核心的综合分析技能。只需提供一个 ASIN，即可自动完成从数据采集到报告生成的全流程，输出 9 份覆盖选品决策全链路的专业分析报告——包括产品信息提取、关键词研究、竞品对比、评论深度分析、销量估算、Listing 审计、图片策略、写作模板提取和最终选品评分。

这个技能的本质是一个自动化产品调研流水线：它将原本需要卖家使用 6-8 个独立工具分别完成的分析任务，整合为一次调用即可完成的端到端工作流。每份报告都基于 Amazon 产品页面的实时抓取数据，而非静态数据库或估算值，确保分析结果的时效性和准确性。

为什么需要一站式调研？

传统的产品调研流程通常是碎片化的：先用关键词工具查市场，再用竞品工具看对手，再用评论分析工具挖痛点，最后用 FBA 计算器算利润。这个过程存在三个核心问题：

1. 数据断层：每个工具独立运行，分析结论之间缺乏关联。例如，评论分析发现的品质问题没有传递给图片策略报告，导致重复劳动或结论矛盾。 2. 时间成本高：完成一个产品的全维度调研通常需要 2-4 小时的人工操作。 3. 一致性差：不同工具的分析框架和评分标准不统一，难以横向对比多个产品。

一站式调研通过统一的数据采集 → 集中式分析 → 结构化输出流程解决了这三个问题。9 份报告共享同一份底层数据，分析结论自动关联（例如评论中的品质问题会同时出现在评论分析、图片策略和改进优先矩阵中），且输出格式统一，可跨产品对比。

---

核心原理

数据采集原理：浏览器自动化实时抓取

技能使用 Playwright 浏览器自动化技术，直接访问 Amazon 产品页面并通过 DOM 选择器提取结构化数据。这比调用第三方 API 或使用静态数据库有以下优势：

• 实时性：每次运行都抓取最新页面数据，包括当天更新的价格、评论和 BSR
• 完整性：可直接提取 Amazon 页面上的任何可见数据（标题、Bullet、A+、评论、产品参数表等）
• 灵活性：可通过 JavaScript 表达式提取自定义数据结构，适应 Amazon 页面结构的局部变化

关键技术细节：

• 使用 document.getElementById('productTitle') 提取标题
• 使用 document.querySelectorAll('#feature-bullets ul li span') 提取 Bullet Points
• 使用 document.querySelectorAll('#histogramTable .a-text-right') 提取星级分布
• 使用 document.querySelectorAll('table.productDetails') 提取产品参数表
• 使用 document.querySelectorAll('[data-hook="review-body"]') 提取评论内容

竞品发现原理：搜索结果 ASIN 提取

从 Amazon 搜索结果页面（/s?k=keyword）提取产品列表，通过正则表达式 /\/dp\/([A-Z0-9]+)/) 从链接中提取 ASIN。然后自动导航到每个竞品 ASIN 页面，使用与目标产品相同的数据提取逻辑获取完整信息。

销量估算原理：BSR-销量映射 + 评论增长验证

技能使用两种独立方法估算月销量，并通过交叉验证提高准确性：

1. BSR 排名映射：基于行业通用的 BSR-销量对应关系（例如 BSR #11-50 对应日均 1,000-3,000 件），给出保守/中位/乐观三档估算 2. 评论增长推算：基于总评论数和行业平均评论率（2-5%），反推历史总销量

两种方法独立运行，结果取交集作为最终估算区间。如果两种方法的结果差异过大（超过 3 倍），会在报告中标注警告。

共享评论池检测原理

某些品牌（如 Disney、Mattel）会将同一产品系列的不同变体共享同一个评论池。技能通过以下指标检测：

• 多个 ASIN 的评论数完全相同
• 多个 ASIN 的 BSR 排名完全相同
• 多个 ASIN 的星级分布百分比完全相同
• 评论内容中出现其他变体的角色名（例如 Ram Man 页面出现 Beastman 评论）

如果检测到共享评论池，所有相关报告会调整数据口径，注明"评论为 X 款产品共享"。

货币处理

Amazon 可能因用户 locale 显示 CNY（人民币）价格。技能默认按 ¥1 = ~$0.138（即除以 ~7.26）换算为 USD 估算值，并在报告中同时标注两种币种。

---

工作流程

整个流程分为两个阶段：Phase 1 数据采集（约 5-10 分钟）和 Phase 2 报告生成（约 3-5 分钟）。

Phase 1：数据采集

用户输入 ASIN
     │
     ▼
┌─────────────────────────────┐
│ Step 1: 目标产品信息提取     │  ← 导航到 /dp/{ASIN}
│ • 标题/价格/评分/评论数      │  ← 提取 15+ 个数据维度
│ • Bullet Points (5条)       │  ← A+ 内容全文
│ • 星级分布直方图            │  ← 产品参数表
│ • 产品参数表 (尺寸/重量等)   │  ← 可见评论 (10条)
│ • BSR排名 + 类目路径         │
└─────────────────────────────┘
     │
     ▼
┌─────────────────────────────┐
│ Step 2: 关键词研究           │  ← 搜索 2-3 组关键词
│ • 搜索结果总数 (竞争密度)    │  ← 提取前 10 产品
│ • Top 10 产品标题 + 价格     │  ← 品牌分布统计
└─────────────────────────────┘
     │
     ▼
┌─────────────────────────────┐
│ Step 3: 竞品数据采集         │  ← 逐个访问竞品 ASIN
│ • 3-4 个直接竞品完整数据     │  ← 同 Step 1 提取逻辑
│ • 检测共享评论池             │  ← BSR + 评论数对比
└─────────────────────────────┘
     │
     ▼
┌─────────────────────────────┐
│ Step 4: 评论深度分析         │  ← 登录后可抓取分星级页面
│ • 1星/2星/3星 + 最新评论     │  ← 未登录则用产品页评论
│ • 目标: 40 条评论            │  ← 含日期/格式/投票信息
└─────────────────────────────┘
     │
     ▼
┌─────────────────────────────┐
│ Step 5: 图片分析             │  ← 产品页图片统计
│ • 图片数量/类型/视频         │  ← 截图存档
│ • Alt 文本/URL 提取          │
└─────────────────────────────┘

Phase 2：报告生成

采集数据汇总
     │
     ▼
┌───────────────────────────────────────────────────┐
│  输出: reports/{YYYY-MM-DD}_{ASIN}/ 目录, 9 份报告  │
│                                                   │
│  01_product_info.md        产品基础信息            │
│  02_keyword_research.md    关键词 + 市场机会       │
│  03_competitor_analysis.md 竞品多维度对比          │
│  04_review_analysis.md     评论情感 + 痛点归因      │
│  05_sales_revenue.md       FBA费用 + 销量 + 利润   │
│  06_listing_optimization.md 8维度Listing审计      │
│  07_image_strategy.md      图片策略 + 拍摄清单     │
│  08_listing_templates.md   可复用写作模板          │
│  09_final_assessment.md    选品评分 + 最终建议      │
└───────────────────────────────────────────────────┘

---

9 份报告详解

Report 1: 产品信息提取 (01_product_info.md)

目的：建立目标产品的完整数据档案，作为后续所有分析的基础。

包含内容：

• 基础信息表（ASIN、标题、品牌、价格 CNY+USD、评分、评论数、BSR、类目路径）
• 5 条 Bullet Points 全文
• A+ 内容摘要（如有，前 1500 字）
• 产品参数表（材质、尺寸、重量、电池、年龄范围、UPC、型号）
• 重要安全警告
• 星级分布（5 星/4 星/.../1 星的百分比和估计数量）
• IP 授权信息（品牌方、被授权方、授权类型）

为什么重要：这份报告确保后续所有分析都基于准确的底层数据。例如，FBA 费用计算依赖精确的尺寸和重量，竞品分析依赖准确的 BSR 和评论数。

Report 2: 关键词研究 (02_keyword_research.md)

目的：评估目标关键词的市场竞争环境和机会大小。

包含内容：

• 2-3 组关键词的搜索结果数（竞争密度）
• 衍生关键词建议（10-15 个，含预估结果数）
• 高商业意图关键词分类
• 长尾机会关键词（低结果 = 高机会）
• 竞品搜索结果品牌分布和价格区间
• 季节性趋势分析
• 市场机会评分（1-10）和选品建议

原理：Amazon 搜索结果数直接反映竞争密度——结果越少意味着越容易获得曝光。价格区间揭示利润空间——如果低价位段拥挤而中价位段空缺，说明有差异化定价机会。品牌分布反映垄断程度——如果单一品牌占据 >50% 搜索位，说明新进入者难以获得自然流量。

Report 3: 竞品对比分析 (03_competitor_analysis.md)

目的：将目标产品与 3-4 个直接竞品进行全面对比，识别竞争优势和劣势。

包含内容：

• 竞品概览表（ASIN、品牌、价格、尺寸、评论、评分、BSR、重量、Bullet 数、A+）
• Listing 质量对比（标题、Bullet、图片、A+ 分别评分）
• BSR 排名对比（可视化柱状图）
• 评论分析和市场份额估计
• 价格定位图（价格 vs 尺寸/功能）
• 星级分布对比
• 差异化策略总结
• 竞争格局金字塔（顶层 → 底层排列）
• 选品建议

原理：竞品分析的核心不是"抄什么"，而是"不做什么"和"做什么别人没做的"。通过系统对比，可以发现被竞品忽视的优化空间（例如全品类都没有尺寸对比图），以及被竞品验证有效的做法（例如剧情驱动的 Bullet 结构）。

Report 4: 评论深度分析 (04_review_analysis.md)

目的：从真实买家评论中提取产品改进方向、买家画像和营销素材。

包含内容：

• 星级分布（5 星占比验证）
• 正面主题词频排名
• 负面主题词频排名
• 1 星/2 星/3 星评论根因分析（含直接引用原文）
• 产品变体质量分析（哪个变体差评最多）
• 买家画像（身份 %、使用场景、地理位置）
• 最新趋势分析（近半年评论变化）
• UGC 营销文案提取（可直接用于 Bullet/A+ 的买家原话）
• 产品改进优先矩阵（P0/P1/P2）
• 共享评论池发现（如有）

原理：买家评论是最真实的消费者反馈。5 星评论中的高频词汇揭示了消费者最看重的卖点（这是营销文案应该强化的），1 星评论中的重复投诉揭示了最紧迫的品质问题（这是产品改进应该优先解决的）。将 1 星评论按"频率 × 严重度"排序，可以得到精准的改进优先级。

Report 5: 销量与收入估算 (05_sales_revenue.md)

目的：从财务角度评估该产品是否值得做，计算利润空间和回本周期。

包含内容：

• FBA 费用计算（尺寸等级判定、配送费、佣金、仓储费、退货处理费、入仓运费）
• 利润分析（售价、成本、总费用、净利润、利润率、ROI）
• 月销量估算（基于 BSR 的保守/中位/乐观三档）
• 共享评论池修正（如检测到）
• 年收入估算（保守/中位/乐观三档）
• 评论增长验证方法
• 季节性销量分布（Q1-Q4）
• 关键销售事件（Prime Day、Black Friday、圣诞节）
• 选品财务可行性总结（盈亏平衡分析）

原理：FBA 费用计算的核心是尺寸分级——Small Standard 配送费约 $3.22，Large Standard 约 $6.10，Small Oversize 约 $8.73。尺寸每增大一个等级，配送费几乎翻倍，这是利润的最大杀手。销量估算通过 BSR 映射和评论增长两种独立方法交叉验证，降低单一方法的偏差。

Report 6: Listing 优化审计 (06_listing_optimization.md)

目的：对目标产品 Listing 进行 8 维度评分，识别优化空间。

8 维度评分体系（满分 100）：

包含内容：

• 8 维度评分表（当前得分 vs 竞品最佳）
• 标题逐维度分析（每个要素是否达标）+ 优化建议（Before → After）
• Bullet 分析（结构、长度、关键词嵌入）
• 图片评估（当前状态 + 缺失项 + 改进建议）
• A+ 内容评估
• SEO 关键词覆盖矩阵（哪些关键词出现在标题/Bullet/描述/A+，哪些缺失）
• Gap 分析（优化前 → 优化后总分对比）
• 可复用策略

Report 7: 图片策略 (07_image_strategy.md)

目的：评估当前图片策略并生成完整的拍摄清单。

包含内容：

• 当前图片配置总览（数量、视频、主图格式）
• 逐张图片评估（内容、质量、评分、缺失元素）
• 8 维度图片评分（满分 100）
• 关键缺失项分析（尺寸对比图、信息图、生活场景图、What's in the Box 等）
• 7 张图片 + 2 视频的黄金配置清单（每张的具体拍摄要求）
• 拍摄注意事项（基于差评中提到的品质问题）

原理：图片是 Amazon 上影响转化率的最大单一因素。研究表明，买家在 Amazon 上的平均决策时间 < 10 秒，在这 10 秒内图片承担了 80% 的信息传递任务。但大量产品的图片策略仍然停留在"白底图 + 功能图"的初级阶段。本报告通过系统评估，指出被忽视的图片类型（尺寸对比图、信息图、生活场景图），这些往往是低成本高回报的优化点。

Report 8: Listing 写作模板 (08_listing_templates.md)

目的：从目标产品的 Listing 中提炼可复用的写作框架和模板。

包含内容：

• 标题结构公式提取（品牌 + 角色 + 功能 + 尺寸 + 系列/IP + 差异化）
• Bullet 结构模式提取（递进式 / 剧情驱动式 / 功能递进式）
• A+ Content 结构提取（叙事模式 / 模块布局）
• Backend Search Terms 建议
• 通用模板（可直接套用到同品类其他产品）
• 写作规则总结

原理：每个品类的头部 Listing 都有其独特的写作"DNA"。Disney 用"第一人称叙事 + 具体台词"的 A+ 风格，Mattel 用"剧情驱动"的 Bullet 结构。提取这些框架后，可以生成同品类其他产品的 Listing 时直接套用，确保风格一致性。

Report 9: 选品可行性综合判断 (09_final_assessment.md)

目的：综合前 8 份报告的数据，给出最终选品决策。

包含内容：

• 市场吸引力矩阵（8 维度 1-10 评分，加权平均）
• SWOT 分析（优势/劣势/机会/威胁，各 4-6 项）
• 选品评分卡（3 种策略分别评分）：
• 同 IP 竞品（通常不可行）
• 非 IP 类似产品
• 配件/周边（通常最可行）
• 推荐策略排序（可行性、预期利润、入场成本、推荐度）
• 5 个核心能力提取（无论是否进入该市场都值得学习的经验）
• MVP 建议（如果要进入，第一步做什么）
• 风险提示
• 全部报告索引

原理：最终评分卡的 6 个维度和权重设计反映了选品决策的核心权衡：市场规模（能否赚到钱）× 进入可行性（能否做）× 利润空间（能赚多少）× 竞争强度（是否打得过）× 差异化空间（能否做不同）× 风险控制（最坏情况能否承受）。这种加权评分方法确保决策不是单一因素驱动的，而是综合考虑。

---

使用方法

触发方式

以下任何一种方式都可以触发技能：

# 直接提供 ASIN
"深度调研 B07PQFT83F"
"深度调研：B07PQFT83F"
"analyze B07PQFT83F"

# 提供 Amazon URL
"深度调研 https://www.amazon.com/dp/B07PQFT83F"

# 使用中文指令
"调研 B07PQFT83F"
"深度分析 B07PQFT83F"
"选品分析 B07PQFT83F"

# 使用英文指令
"deep research B07PQFT83F"
"deep analysis B07PQFT83F"
"product research B07PQFT83F"

执行流程

1. 用户提供 ASIN 或产品 URL 2. AI 自动执行 Phase 1 数据采集（约 5-10 分钟，取决于页面加载速度）

• 浏览器自动打开 Amazon 产品页
• 提取产品信息
• 搜索关键词、发现竞品
• 逐个采集竞品数据
• 抓取评论（如已登录 Amazon）
• 拍摄产品页截图

3. AI 自动执行 Phase 2 报告生成（约 3-5 分钟）

• 9 份 Markdown 报告写入 reports/{YYYY-MM-DD}_{ASIN}/ 目录

4. 用户查看报告，做出选品决策

前置要求

登录 Amazon 以获取完整评论

默认情况下，技能只能从产品页提取 8-15 条可见评论。如需获取 40+ 条分星级评论（1 星差评、2 星、3 星、最新评论各 10 条），需要先登录 Amazon：

1. 技能启动后会打开 Playwright 浏览器 2. 在浏览器中手动访问 https://www.amazon.com 并完成登录 3. 登录后告诉 AI "登录了" 4. AI 会继续抓取评论页面

输出结构

reports/
├── 2026-04-18_B07PQFT83F/        ← Disney Buzz Lightyear
│   ├── 01_product_info.md
│   ├── 02_keyword_research.md
│   ├── 03_competitor_analysis.md
│   ├── 04_review_analysis.md
│   ├── 05_sales_revenue.md
│   ├── 06_listing_optimization.md
│   ├── 07_image_strategy.md
│   ├── 08_listing_templates.md
│   ├── 09_final_assessment.md
│   └── product_page_top.png      ← 产品页截图
├── 2026-04-18_B07KW2FPX1/        ← Sonic the Hedgehog
│   └── ...（同上 9 份报告）
└── 2026-04-18_B0FJ27KPKG/        ← MOTU Ram Man
    └── ...（同上 9 份报告）

---

已验证的产品案例

跨产品共性发现： 1. 三个 IP 品类（Disney/SEGA/Mattel）的最佳策略一致——配件/周边是最可行路径 2. 全品类图片策略都严重不足（评分 32-36/100），无尺寸对比图/信息图/场景图是通病 3. 品牌方 Listing 质量差异巨大（Disney 84 > Mattel 57 > JAKKS 45），说明Listing优化本身是竞争手段 4. 共享评论池现象在 Disney（Buzz/Woody 4.8万评论）和 Mattel（200X Deluxe 87评论）中均存在

---

数据来源

所有数据均来自 Amazon 公开页面，不依赖任何第三方 API 或付费数据服务。

---

局限性

1. 评论数据量有限：未登录时仅能获取 8-15 条产品页可见评论，登录后可获取 40+ 条分星级评论。对于评论数超过 1,000 的产品，建议登录以获得更准确的差评分析。

2. 搜索结果数因 locale 而异：中文 locale Amazon 显示"共 X 条"，其他 locale 可能显示不同格式。

3. Amazon 反爬机制：频繁访问可能触发验证码（CAPTCHA）或登录跳转。技能包含错误恢复逻辑（等待 3 秒重试、关闭浏览器重新打开），但极端情况下可能需要手动处理。

4. 价格显示：Amazon 可能因用户 locale 显示 CNY 而非 USD，报告中会标注换算关系。

5. 评论获取率假设：销量估算中使用的评论获取率（2-5%）是行业经验值，不同品类的实际评论率可能有差异。

6. 共享评论池影响：检测到共享评论池时，无法精确区分每款变体的独立评论，分析结果反映的是整个系列的混合数据。

7. 语言：技能在中文 locale Amazon 页面运行，报告中数据（标题、Bullet 等）可能显示为中文。所有分析报告输出为中文。

---

与其他技能的关系

                    ┌──────────────────┐
                    │ amazon-one-shot  │
                    │  (一站式深度调研)  │
                    └────────┬─────────┘
                             │ 包含并整合
        ┌────────────────────┼────────────────────┐
        ▼                    ▼                    ▼
┌───────────────┐  ┌────────────────┐  ┌─────────────────┐
│ keyword-      │  │ competitor-    │  │ review-         │
│ research      │  │ analysis       │  │ analyzer        │
└───────┬───────┘  └───────┬────────┘  └────────┬────────┘
        │                  │                    │
        ▼                  ▼                    ▼
┌───────────────┐  ┌────────────────┐  ┌─────────────────┐
│ listing-      │  │ listing-       │  │ image-          │
│ optimization  │  │ optimization  │  │ strategy        │
└───────┬───────┘  └───────┬────────┘  └────────┬────────┘
        │                  │                    │
        ▼                  ▼                    ▼
┌───────────────┐  ┌────────────────┐  ┌─────────────────┐
│ fba-          │  │ sales-         │  │ product-        │
│ calculator    │  │ estimator      │  │ research        │
└───────────────┘  └────────────────┘  └─────────────────┘

amazon-one-shot 是其他技能的编排层（Orchestration Layer）。它不替代任何单一技能，而是按照固定的分析流程依次调用各技能的分析逻辑，并将结果整合到 9 份关联报告中。如果只需要执行某个单一分析（例如只做关键词研究），直接使用对应的独立技能会更高效。

---

版本信息

• 版本: 1.0.0
• 创建日期: 2026-04-18
• 已测试 ASIN: B07PQFT83F, B07KW2FPX1, B0FJ27KPKG
• 平台: Amazon US (amazon.com)
• 语言: 中文输出

---

Part of [Nexscope AI](https://www.nexscope.ai/?co-from=skill) — AI tools for e-commerce sellers.