\r \r

选品分析器 (Product Research - LLM Agent 驱动版)\r

\r

定位\r

\r 基于 Sorftime MCP + LLM Agent 的深度选品调研。LLM 直接执行分析逻辑，脚本仅负责数据采集和报告渲染。\r \r 核心特点：\r

• LLM 驱动：分析、洞察、决策全部由 LLM 完成\r
• 交互式执行：逐步推进，用户可中途干预\r
• 轻量脚本：仅用于 API 调用和 Dashboard 渲染\r \r ---\r \r

Script Directory\r

\r | 脚本 | 用途 | 何时调用 |\r |------|------|---------|\r | run_analysis.py | 主入口脚本：整合数据采集、分析、报告生成 | 推荐使用 |\r | collect_data.py | Sorftime 数据采集（类目、Top100、关键词、趋势） | Step 1 |\r | get_reviews.py | 竞品差评数据采集 | Step 4 |\r | api_client.py | Sorftime API 调用 + SSE 解析 + 编码修复 | 每次 API 调用 |\r | render_dashboard.py | 生成 Dashboard 可视化看板（v3.1 修复版） | 报告生成阶段 |\r | fix_data_json.py | 数据验证和修复脚本：校验并自动修复 data.json | Dashboard 生成前 |\r | validate_data.py | 数据验证脚本：校验 data.json 字段命名和数据一致性 | 报告生成前 |\r \r 脚本职责：\r

• 不做分析判断：所有分析由 LLM 完成\r
• 不做复杂计算：交叉分析让 LLM 从数据中发现\r
• 仅做数据搬运：API → 结构化数据\r \r 推荐使用方式：\r \r

# 阶段1：数据采集（基础版 Dashboard）\r
python scripts/run_analysis.py "earbuds" US\r
\r
# 阶段2：LLM 分析完成后，生成最终版报告\r
python scripts/run_analysis.py "earbuds" US --final\r
\r
# 其他选项\r
python scripts/run_analysis.py "earbuds" US --collect-only  # 仅数据采集\r
python scripts/run_analysis.py "earbuds" US --no-reviews     # 跳过差评采集\r
```\r
\r
---\r
\r
## 执行流程（两阶段）\r
\r
**重要**：选品分析分为两个阶段，数据采集由脚本自动完成，LLM 分析需要人工参与。\r
\r
### 阶段1：数据采集（脚本自动）\r
\r
```bash\r
python scripts/run_analysis.py "keyword" US\r
```\r
\r
**输出**：\r
- `data.json` - 基础数据结构（不含分析结论）\r
- `dashboard.html` - 基础版看板（不含决策评分、VOC 等）\r
- `raw/` - 原始数据文件\r
\r
**脚本自动完成**：\r
1. 类目搜索 → 获取 nodeId\r
2. Top100 产品数据采集\r
3. 关键词数据采集\r
4. 类目趋势数据采集\r
5. 竞品差评采集\r
6. 市场分析（价格区间、品牌分布）\r
\r
### 阶段2：LLM 分析（交互式）\r
\r
**必须完成的 LLM 分析任务**：\r
\r
| 步骤 | 任务 | 输出到 data.json |\r
|------|------|------------------|\r
| 1 | 属性标注 | `product_types`、`dimensions_analysis` |\r
| 2 | 交叉分析 | `cross_analysis` |\r
| 3 | VOC 分析 | `voc_analysis.dimensions` |\r
| 4 | 壁垒评估 | `barriers` |\r
| 5 | 决策评估 | `decision` (overall_score, verdict) |\r
\r
**完成后运行**：\r
\r
```bash\r
python scripts/run_analysis.py "keyword" US --final\r
```\r
\r
`--final` 参数会：\r
1. ✅ 验证分析数据完整性\r
2. ✅ 更新 data.json\r
3. ✅ 生成完整版 Dashboard（含决策评分、VOC 等）\r
4. ✅ 如果数据不完整，会提示缺失的字段\r
\r
### 数据完整性检查\r
\r
也可以单独检查数据完整性：\r
\r
```bash\r
python scripts/render_dashboard.py data.json --check\r
```\r
\r
输出示例：\r
```\r
✓ 数据完整，可以渲染完整版 Dashboard\r
  包含: decision.overall_score, voc_analysis.dimensions, barriers, cross_analysis\r
```\r
\r
或\r
\r
```\r
⚠️ 数据不完整，缺少以下字段:\r
  - decision.overall_score\r
  - voc_analysis.dimensions\r
\r
ℹ️ 请先完成 LLM 分析，然后重新运行渲染\r
```\r
\r
---\r
\r
## 执行流程（交互式）\r
\r
### Step 0: 信息收集\r
\r
```\r
📋 选品分析 - 信息确认\r
\r
1. 产品/类目关键词：[用户提供]\r
2. 目标站点：[US/GB/DE/FR/IT/ES/CA/JP，默认US]\r
3. 选品场景：[新手入门/蓝海发现/季节性/品牌打造/定向品类]\r
4. 约束条件（可选）：\r
   - 价格区间：如 $10-40\r
   - 月销量：如 > 1000\r
   - 预算：如 10万人民币\r
```\r
\r
### Step 1: 数据采集（增强版 v3.0）\r
\r
**API 调用顺序**：\r
\r
| 步骤 | API | 输出 | 说明 | 优先级 |\r
|------|-----|------|------|----------|\r
| 0.5 | `search_categories_broadly` | blue_ocean_categories.json | **【新增】蓝海市场发现** | 📋 按需 |\r
| 1.1 | `category_name_search` | category_info.json | 按产品名搜索类目（使用 searchName 参数） | ⛔ 必调 |\r
| 1.2 | `category_report` | top100.json | Top100 产品数据 | ⛔ 必调 |\r
| 1.3 | `keyword_detail` × 3+ | keywords.json | 多维度关键词对比 | ⛔ 必调 |\r
| 1.4 | `category_trend` | trend.json | 新品占比趋势 | ⛔ 必调 |\r
| 1.5 | `keyword_extends` | keyword_extends.json | **【新增】关键词延伸词（维度发现）** | 📋 推荐 |\r
| 1.6 | `potential_product` | potential_products.json | **【新增】潜力产品发现** | 📋 推荐 |\r
| 1.7 | `product_detail` × 6-10 | products.json | 竞品详情（按需） | 📋 按需 |\r
| 1.8 | `product_reviews` × 6-10 | reviews.json | 竞品差评（按需） | 📋 按需 |\r
\r
**⚠️ 重要：API 参数说明（v3.0）**\r
\r
- `category_name_search` 参数：`{"amzSite": "US", "searchName": "bluetooth speaker"}`\r
  - **正确的类目搜索 API，参数名是 searchName**\r
- `search_categories_broadly` 参数（蓝海发现）：`{"amzSite": "US", "top3Product_sales_share": 0.4}`\r
- `potential_product` 参数（潜力产品）：`{"amzSite": "US", "monthlySales_min": 500}`\r
- `keyword_extends` 参数（延伸词）：`{"amzSite": "US", "keyword": "bluetooth speaker"}`\r
- `category_report` 参数：`{"amzSite": "US", "nodeId": "7073956011"}`\r
  - **nodeId 是字符串类型**\r
\r
**脚本调用方式**：\r
\r
```python\r
# 方法1: 使用 collect_data.py (推荐)\r
from scripts.collect_data import collect_data\r
result = collect_data("bluetooth speaker", "US")\r
\r
# 方法2: 使用 api_client.py\r
from scripts.api_client import SorftimeClient\r
\r
client = SorftimeClient()\r
\r
# 获取类目ID（正确的方式）\r
category = client.search_category_by_product_name("US", "bluetooth speaker")\r
node_id = category[0]['nodeId']\r
\r
# 获取Top100\r
top100 = client.get_category_report("US", node_id)\r
\r
# 获取关键词详情\r
keywords = client.get_keyword_detail("US", "bluetooth speaker")\r
```\r
\r
### Step 2: 属性标注（LLM 驱动）\r
\r
**LLM 任务**：从 Top100 标题中提取关键差异化维度\r
\r
```markdown\r
## 属性标注任务\r
\r
基于以下 Top100 产品标题，提取 3-6 个关键差异化维度：\r
\r
### 标题样本\r
[提供 Top20-30 标题作为样本]\r
\r
### 提取要求\r
1. 识别差异化维度（如：功率、防水、续航、形态等）\r
2. 为每个产品标注维度值\r
3. 标注置信度（高/中/低）\r
\r
### 输出格式\r
| ASIN | 功率 | 防水 | 续航 | ... | 置信度 |\r
```\r
\r
**对低置信度产品**：调用 `product_detail` 补充验证\r
\r
### Step 3: 交叉分析（LLM 直接发现）\r
\r
**LLM 任务**：从标注数据中发现供需缺口\r
\r
```markdown\r
## 交叉分析任务\r
\r
基于以下已标注的 Top100 产品数据，执行交叉分析：\r
\r
### 数据\r
[提供标注后的产品数据]\r
\r
### 分析要求\r
1. 选择 2-3 对有意义的维度组合（如：功率×价格、防水×场景）\r
2. 识别：空白点（0产品）、薄供给（≤2产品）、高需求低供给\r
3. 分析每个缺口的原因（技术限制？需求不存在？被忽视？）\r
4. 按机会价值排序\r
\r
### 输出格式\r
| 维度组合 | 状态 | 产品数 | 月销量 | 原因分析 | 机会评级 |\r
```\r
\r
**关键点**：让 LLM 直接从数据中发现规律，而不是用 Python 脚本计算\r
\r
### Step 4: 竞品与 VOC 分析\r
\r
**竞品选择逻辑表**（LLM 按细分段选择）：\r
\r
| ASIN | 品牌 | 选择理由 | 类型 | 覆盖维度 |\r
|------|------|----------|------|----------|\r
| [LLM 选择 6-10 个代表性竞品] |\r
\r
**⛔ 差评维度归类（关键步骤）**\r
\r
**必须按维度归类，禁止按 ASIN 组织**\r
\r
**LLM 任务**：将竞品差评按属性维度归类，并映射到品牌能力和产品方案\r
\r
**输入**：`competitor_reviews.json`（按 ASIN 组织的原始差评）\r
**输出**：`data.json` 中的 `voc_analysis` 字段（按维度归类）\r
\r
**归类要求**：\r
1. **识别主要维度**（3-6 个）- 基于差评内容提取痛点类别\r
2. **每个维度包含**：\r
   - `dimension`: 维度名称（如：音质/音量、舒适度、续航）\r
   - `pain_point`: 痛点描述\r
   - `frequency`: 提及频次\r
   - `percentage`: 占比（如 "32%"）\r
   - `affected_brands`: 涉及品牌列表\r
   - `brand_opportunity`: 品牌/供应链能力如何解决\r
   - `product_solution`: 具体产品改进方向\r
\r
**输出格式示例**：\r
\r
```json\r
{\r
  "voc_analysis": {\r
    "dimensions": [\r
      {\r
        "dimension": "音质/音量",\r
        "pain_point": "音量太小，户外听不清",\r
        "frequency": 45,\r
        "percentage": "32%",\r
        "affected_brands": ["SHOKZ", "JLab"],\r
        "brand_opportunity": "有14.2mm大动圈供应链",\r
        "product_solution": "14.2mm动圈+音量增强模式"\r
      }\r
    ],\r
    "summary": "主要痛点集中在音质(32%)、舒适度(28%)、续航(18%)"\r
  }\r
}\r
```\r
\r
**禁止的输出方式**：\r
- ❌ 按 ASIN 组织：`{"B0XXX": {"reviews": [...]}}`\r
- ❌ 缺少频次/占比数据\r
- ❌ 缺少品牌机会和产品方案映射\r
\r
### Step 5: 评估与决策\r
\r
**进入壁垒评估**：\r
\r
| 壁垒类型 | 等级 | 数据锚点 | 预估成本 | 缓解方案 |\r
|----------|------|----------|----------|----------|\r
| Review 壁垒 | 中/高 | Top10 均值 XXX 评论 | $XXX | Vine + PPC |\r
| 资金壁垒 | 中/高 | 首批备货 + 广告 | ¥XX | 控制首批 MOQ |\r
| ... | ... | ... | ... | ... |\r
\r
**选品决策评估（五维评分）**：\r
\r
| 维度 | 权重 | 评分(1-10) | 加权分 | 依据 |\r
|------|------|-----------|--------|------|\r
| 市场规模 | 20% | [LLM 评分] | X.X | [数据依据] |\r
| 竞争格局 | 25% | [LLM 评分] | X.X | [数据依据] |\r
| ... | ... | ... | ... | ... |\r
| **总分** | 100% | - | **X.XX** | **决策结论** |\r
\r
**决策结论映射**：\r
- 7.5-10分 → **建议进入** (优先推进)\r
- 6.0-7.4分 → **谨慎进入** (需精准定位，明确准入条件)\r
- 4.0-5.9分 → **暂缓观望** (需更多数据验证)\r
- 0-3.9分 → **不建议进入** (风险大于机会)\r
\r
**产品矩阵**（Tier 1 必填具体规格）：\r
\r
```markdown\r
### Tier 1: [产品定位]\r
\r
**目标市场**：[维度组合空白/机会]\r
**决策理由**：[数据依据]\r
\r
| 维度 | 规格 | 决策依据 |\r
|------|------|----------|\r
| [维度1] | [具体值] | [为什么] |\r
| [维度2] | [具体值] | [为什么] |\r
\r
**目标定价**：$XX.XX\r
**差异化主张**：[一句话]\r
**对标竞品**：[ASIN] — [我们的优势]\r
**预估月销潜力**：XX-XX 件\r
```\r
\r
### Step 6: 报告输出\r
\r
**输出文件**：\r
\r
```\r
product-research-reports/\r
└── {category}_{site}_{YYYYMMDD}/\r
    ├── report.md              # Markdown 完整报告（LLM 直接输出）\r
    ├── data.json              # 结构化数据（供 Dashboard 使用）\r
    ├── dashboard.html         # 可视化看板（脚本渲染）\r
    └── raw/                   # 数据文件\r
        ├── category_info.json # 类目信息\r
        ├── top100.json        # Top100 产品数据\r
        ├── trend.json         # 趋势数据\r
        └── keywords.json      # 关键词数据\r
```\r
\r
**data.json 结构**（简化版）：\r
\r
```json\r
{\r
  "metadata": {\r
    "category": "bluetooth speaker",\r
    "site": "US",\r
    "date": "20260319"\r
  },\r
  "market_overview": {\r
    "top100_monthly_sales": 55000,\r
    "top100_monthly_revenue": 5200000,\r
    "avg_price": 95,\r
    "top3_product_concentration": 0.2578,\r
    "top3_brand_concentration": 0.5058,\r
    "top10_brand_concentration": 0.8234\r
  },\r
  "dimensions": [...],\r
  "cross_analysis": [...],\r
  "competitors": [...],\r
  "voc_analysis": {\r
    "dimensions": [\r
      {\r
        "dimension": "音质/音量",\r
        "pain_point": "音量太小，户外听不清",\r
        "frequency": 45,\r
        "percentage": "32%",\r
        "affected_brands": ["SHOKZ", "JLab"],\r
        "brand_opportunity": "采用更大驱动单元",\r
        "product_solution": "14.2mm动圈+音量增强模式"\r
      }\r
    ],\r
    "summary": "主要痛点集中在音质(32%)、舒适度(28%)、续航(18%)"\r
  },\r
  "barriers": [...],\r
  "go_nogo": {...}\r
}\r
```\r
\r
**⛔ 重要：数据字段命名规范**\r
\r
| 字段名 | 说明 | 示例 |\r
|--------|------|------|\r
| `top3_product_concentration` | Top3 **产品**销量占 Top100 总销量的比例 | 0.2578 = 25.78% |\r
| `top3_brand_concentration` | Top3 **品牌**销量占 Top100 总销量的比例 | 0.5058 = 50.58% |\r
| `top10_brand_concentration` | Top10 **品牌**销量占 Top100 总销量的比例 | 0.8234 = 82.34% |\r
| `new_product_share` | 新品（上架\x3C6个月）销量占比 | 0.26 = 26% |\r
\r
**禁止模糊命名**：\r
- ❌ `top3_concentration`（不明确是产品还是品牌）\r
- ✅ `top3_product_concentration` 或 `top3_brand_concentration`\r
\r
**⛔ 重要：VOC 分析数据结构**\r
\r
`voc_analysis` 字段必须包含按**维度归类**的差评分析，而非按 ASIN 组织：\r
\r
| 字段 | 类型 | 说明 |\r
|------|------|------|\r
| `dimension` | string | 痛点维度（如：音质/音量、舒适度、续航等） |\r
| `pain_point` | string | 痛点描述 |\r
| `frequency` | number | 提及频次 |\r
| `percentage` | string | 占比（如 "32%"）|\r
| `affected_brands` | array | 涉及的品牌列表 |\r
| `brand_opportunity` | string | 品牌/供应链能力如何解决 |\r
| `product_solution` | string | 具体产品改进方案 |\r
\r
---\r
\r
## Dashboard 渲染规范\r
\r
`render_dashboard.py` 负责将 `data.json` 渲染为可视化看板。关键渲染规则：\r
\r
### 产品维度分布\r
- **必须使用表格形式**，禁止使用柱状图\r
- 双栏布局：左侧价格区间分布，右侧产品形态分布\r
- 每行显示：维度值、产品数、占比（带颜色标签）\r
- 占比标签颜色规则：≥30%蓝色、≥20%绿色、≥10%黄色、\x3C10%灰色\r
\r
### 交叉分析（价格区间 × 产品形态）\r
- **必须使用矩阵表格形式**，禁止使用图表\r
- 行：价格区间（$0-30 到 $200+）\r
- 列：产品形态（骨传导、夹耳式、开放式挂耳、入耳式）\r
- 单元格：产品数量\r
- 特殊标记：\r
  - 竞争激烈（≥15款）：红色"红海"标签\r
  - 市场空白（0款）且为机会点：绿色"机会"标签\r
- 底部必须有洞察提示框，说明红海和机会区域\r
\r
### 示例输出\r
```html\r
\x3C!-- 维度分布：双表格布局 -->\r
\x3Cdiv style="display: grid; grid-template-columns: 1fr 1fr; gap: 24px;">\r
  \x3C!-- 价格区间表格 -->\r
  \x3C!-- 产品形态表格 -->\r
\x3C/div>\r
\r
\x3C!-- 交叉分析：矩阵表格 -->\r
\x3Ctable>\r
  \x3Cthead>\x3C!-- 表头：产品形态 -->\x3C/thead>\r
  \x3Ctbody>\x3C!-- 行：价格区间，列：产品数 -->\x3C/tbody>\r
\x3C/table>\r
\x3Cdiv class="insight-box">洞察：...\x3C/div>\r
```\r
\r
---\r
\r
## LLM Prompt 模板库\r
\r
详细 Prompt 模板请参考：`references/prompt_templates.md`\r
\r
包含 6 个模板：\r
1. 属性标注 - 从产品标题提取差异化维度\r
2. 交叉分析 - 发现供需缺口\r
3. 竞品选择 - 选择代表性竞品\r
4. 差评归类 - 按属性维度归类痛点\r
5. 选品决策评估 - 五维加权决策\r
6. 产品矩阵规划 - Tier 1/2/3 具体规格\r
\r
---\r
\r
## 硬性规则（⛔ 不可省略）\r
\r
1. ⛔ Top100 必须完整 100 条\r
2. ⛔ 关键词至少 3 个维度对比\r
3. ⛔ 竞品选择 6-10 个，覆盖量级标杆/功能差异/价格带/痛点\r
4. ⛔ **差评必须按维度归类**（非按 ASIN 归类），输出到 `data.json` 的 `voc_analysis` 字段\r
5. ⛔ VOC 分析必须包含：频次、占比、涉及品牌、品牌机会、产品方案\r
6. ⛔ 选品决策评估必须量化评分\r
7. ⛔ Tier 1 产品必须具体到规格（禁止"待确认"占位）\r
8. ⛔ 每个数据表后有"关键洞察"段落\r
9. ⛔ 空白/薄供给必须附带原因分析\r
10. ⛔ **数据字段命名必须清晰**：使用 `top3_product_concentration` / `top3_brand_concentration`，禁止模糊的 `top3_concentration`\r
11. ⛔ **数据一致性校验**：报告生成前必须校验 `data.json` 中的数值与报告文本一致\r
\r
---\r
\r
## 常见场景策略\r
\r
### 场景1：新手入门（预算\x3C15万）\r
- 价格 $10-20\r
- 轻小件\r
- 无售后风险\r
- 中国卖家占比 > 70%\r
\r
### 场景2：蓝海发现\r
- Top3 集中度 \x3C 30%\r
- 新品占比 > 15%\r
- 关键词首页评论 \x3C 500\r
\r
### 场景3：定向品类分析（用户已指定）\r
- 跳过类目扫描，直接进入数据采集\r
- ⛔ 必须执行属性标注\r
- ⛔ 必须执行交叉分析\r
- ⛔ 必须执行选品决策评估（五维评分）\r
\r
---\r
\r
## 与其他 Skills 的关系\r
\r
```\r
category-selection (品类筛选五维评分)\r
        ↓\r
product-research (深度选品调研) ← 本 Skill\r
        ↓\r
amazon-analyse (竞品 Listing 深挖)\r
        ↓\r
review-analysis (评论深度分析)\r
```\r
\r
**区别**：\r
- `category-selection`：品类级别的快速筛选，五维评分\r
- `product-research`：指定品类的深度调研，多维度分析 + 选品决策评估\r
- `amazon-analyse`：单个竞品 Listing 的详细分析\r
- `review-analysis`：评论的深度痛点分析\r
\r
---\r
\r
## 支持的站点\r
\r
US, GB, DE, FR, IT, ES, CA, JP, MX, AE, AU, BR, SA\r
\r
---\r
\r
## 注意事项\r
\r
1. **API Key**：自动从 `.mcp.json` 读取\r
2. **数据时效**：Sorftime 数据可能有 1-7 天延迟\r
3. **API 限流**：每批最多 8 个并发请求\r
4. **编码问题**：脚本自动处理 Unicode-escape 和 Mojibake\r
5. **原始数据**：所有 API 响应保存在 `raw/` 目录供验证\r
\r
---\r
\r
## 故障排查\r
\r
### 常见错误及解决方案\r
\r
| 错误信息 | 原因 | 解决方案 |\r
|----------|------|----------|\r
| `HTTP Error 406: Not Acceptable` | API参数错误 | 检查参数名是否为 `searchName` 而非 `productName` |\r
| `An error occurred invoking 'xxx'` | API工具不存在 | 检查 TOOLS 映射表中的工具名称 |\r
| `未查询到对应产品` | ASIN无效或站点错误 | 验证ASIN格式, 确认产品在该站点销售 |\r
| `Authentication required` | API Key错误 | 检查 `.mcp.json` 中的 key 参数 |\r
| 中文乱码 | Mojibake编码 | 脚本自动修复, 或运行 `fix_encoding.py` |\r
| `IndentationError: unexpected indent` | Windows 命令行问题 | 使用脚本文件而非 `python -c` |\r
| `输出目录路径错误` | 相对路径问题 | 使用 `run_analysis.py`，自动处理路径 |\r
| `NameError: name 'xxx' is not defined` | 缺少 datetime 导入 | 检查脚本 import 语句 |\r
| **Dashboard 渲染问题** | | |\r
| Dashboard 显示空白 | data.json 结构不匹配 | **v3.5 已修复**：`run_analysis.py` 自动渲染 Dashboard |\r
| Dashboard 未自动生成 | 旧版本未集成渲染 | **v3.5 已修复**：数据采集完成后自动渲染 |\r
| `PermissionError: [Errno 13]` | 传递目录路径而非文件路径 | 使用绝对路径调用：`python render_dashboard.py -o output.html data.json` |\r
| `unrecognized arguments` | 参数顺序错误 | 正确格式：`python render_dashboard.py -o dashboard.html data.json` |\r
| Dashboard 缺少 VOC 数据 | LLM 未生成完整 voc_analysis | 确保 LLM 生成包含 voc_analysis.dimensions 的完整 data.json |\r
| Dashboard 交叉分析为空 | price_type_matrix 数据缺失 | 确保数据采集包含价格区间分析 |\r
| `KeyError: 'xxx'` | 字段名不一致 | **v3.4 已修复**：支持新旧字段名兼容 |\r
| `AttributeError: 'str' object has no attribute 'get'` | data.json 格式问题 | **v3.4 已修复**：自动转换为列表格式 |\r
\r
### Dashboard 手动渲染方法\r
\r
如果自动渲染失败，可以手动调用：\r
\r
```bash\r
# 从输出目录调用\r
python .claude/skills/product-research/scripts/render_dashboard.py \\r
    -o product-research-reports/{keyword}_{site}_{date}/dashboard.html \\r
    product-research-reports/{keyword}_{site}_{date}/data.json\r
\r
# 或者使用绝对路径\r
python "D:\amazon-mcp\.claude\skills\product-research\scripts\render_dashboard.py" \\r
    -o "D:\amazon-mcp\product-research-reports\{keyword}_{site}_{date}\dashboard.html" \\r
    "D:\amazon-mcp\product-research-reports\{keyword}_{site}_{date}\data.json"\r
```\r
\r
### API 工具名称对照表\r
\r
| 功能 | 工具名称 | 参数 |\r
|------|----------|------|\r
| 类目搜索 | `category_name_search` | `amzSite`, `searchName` |\r
| 类目报告 | `category_report` | `amzSite`, `nodeId` |\r
| 类目趋势 | `category_trend` | `amzSite`, `nodeId`, `trendIndex` |\r
| 关键词详情 | `keyword_detail` | `amzSite`, `keyword` |\r
| 产品详情 | `product_detail` | `amzSite`, `asin` |\r
| 产品评论 | `product_reviews` | `amzSite`, `asin`, `reviewType` |\r
\r
### 调试技巧\r
\r
1. **启用详细输出**: 在脚本中添加 `print()` 调试信息\r
2. **检查原始响应**: 查看 SSE 响应的实际内容\r
3. **分步执行**: 使用 Python 交互式环境逐行调试\r
4. **验证API Key**: `curl "https://mcp.sorftime.com?key=YOUR_KEY" -d '{"jsonrpc":"2.0","id":1,"method":"tools/list"}'`\r
\r
---\r
\r
*版本: v3.6 (两阶段工作流 + 数据验证) | 最后更新: 2026-03-19*\r