amazon-sorftime-research-reviews-skill

---

name: "review-analysis" description: "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，生成改进建议和客服回复模板。Invoke when user uses /review-analysis command with a product ASIN."

---

亚马逊商品评论深度分析

快速参考

| 步骤 | 操作 | 说明 | |------|------|------| | 1. 获取API密钥 | 读取 .mcp.json | 获取 Sorftime API 密钥 | | 2. 创建报告目录 | mkdir + data子目录 | 创建 review-analysis-reports/{ASIN}_{站点}_{日期}/data/ | | 3. 获取产品数据 | product_detail API | 验证ASIN并获取产品信息，保存原始SSE数据 | | 4. 获取评论数据 | product_reviews API | 获取全部评论数据，保存原始SSE数据 | | 5. 解析并分类差评 | 内存处理 | 提取1-3星评论，按痛点分类 | | 6. 保存分析数据 | JSON输出 | 保存差评分析数据到 data/negative_reviews_analysis.json | | 7. 生成分析报告 | Markdown输出 | 保存最终报告到 report.md |

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）

| 类别 | 判断标准 | |------|----------| | 1. 结构/组装问题 | 零件破损、密封失效、接口断裂、安装孔位偏差、组装困难、结构不稳 | | 2. 电子模块故障 | USB/充电失效、LED不亮、APP连接失败、蓝牙断连、功能失效、电路问题 | | 3. 设计/功能缺陷 | 尺寸不合理、功能缺失、操作复杂、触感不符、人体工程学问题、使用不便 | | 4. 外观/材质问题 | 有异味、材质过敏、色差、划痕、生锈、表面处理差、材质廉價感 | | 5. 描述不符 | 尺寸预期偏差、功能与描述不符、颜色差异、款式与图片不一致、蓝牙版本不符 | | 6. 服务/物流问题 | 客服响应慢、退换货困难、物流延迟、发错货、配件缺失、收到二手产品/瑕疵品、包装破损 |

服务维度细分

服务维度问题需进一步细分统计：

| 细分类别 | 判断标准 | 严重程度 | |----------|----------|----------| | 收到二手/瑕疵品 | 评论提及 used、dirty、ear wax、scratch、opened、previous owner | 高 | | 配件缺失 | 缺少充电线、耳塞、说明书、保修卡等 | 高 | | 退换货困难 | 退货流程复杂、退款慢、卖家推诿、买家承担高额运费 | 中 | | 客服响应慢/态度差 | 客服不回复、回复慢、态度恶劣、无法解决问题 | 中 | | 物流延迟/包装差 | 发货慢、物流停滞、包装破损、快递服务差 | 低 | | 发错货 | 颜色/尺寸/款式发错 | 中 |

严重程度评估

| 程度 | 判断标准 | |------|----------| | 高 | 影响核心功能或存在安全隐患（如破损、泄漏、过敏、漏电） | | 中 | 影响使用体验（如操作复杂、触感不佳、尺寸偏差） | | 低 | 外观细节问题（如轻微划痕、包装瑕疵、个人偏好） |

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: | 问题类型 | 警告阈值 | 危险阈值 | |----------|----------|----------| | 收到二手/瑕疵品 | >2% | >5% | | 配件缺失 | >1% | >3% | | 退换货困难投诉 | >5% | >10% | | 客服负面评价 | >3% | >7% |

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

| 文件名 | 用途 | 格式 | |--------|------|------| | raw_product_sse.txt | 产品详情原始API响应 | SSE格式 | | raw_reviews_sse.txt | 评论数据原始API响应 | SSE格式 | | negative_reviews_analysis.json | 差评分析结构化数据 | JSON |

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*