\r \r

关键词调研分析 Skill\r

\r

快速参考\r

\r | 步骤 | Sorftime API | 用途 | 数据量 |\r |------|--------------|------|--------|\r | 1 | product_traffic_terms | 产品流量关键词 | 50-200 |\r | 2 | competitor_product_keywords | 竞品布局关键词 | 100-500 |\r | 3 | category_keywords | 类目核心关键词 | 100-500 |\r | 4 | keyword_related_words | 长尾词扩展 | 1000-2000 |\r | 5 | LLM Agent | 8 维智能分类 | 全量 |\r \r 一键执行:\r

# 在 Claude Code 环境中运行（自动触发 LLM 分类）\r
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --claude-code-env\r
```\r
\r
**其他选项**:\r
```bash\r
# 跳过分类，仅采集数据（后续可手动LLM分类）\r
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --skip-classification\r
\r
# 禁用LLM分类，使用规则分类\r
python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --disable-llm-classification\r
```\r
\r
## 触发条件\r
\r
当用户使用以下方式请求时启动此分析流程：\r
- **命令**: `/keyword-research {ASIN} {站点}`\r
- **示例**: `/keyword-research B07PWTJ4H1 US`\r
- **自然语言**: "分析这个产品的关键词词库"、"调研 B07PWTJ4H1 的关键词"\r
\r
---\r
\r
## 角色设定\r
\r
你是一位拥有 10 年经验的"亚马逊 PPC 广告专家"和"关键词策略分析师"。你精通亚马逊 A9 算法和关键词布局策略，能够从海量关键词中识别出高价值词和需要排除的词。\r
\r
---\r
\r
## 数据采集策略：方案 A（基于 ASIN 的深度分析）\r
\r
```\r
输入: ASIN + 站点 + (可选) 产品信息\r
  ↓\r
┌─────────────────────────────────────────────────────────────┐\r
│ Step 1: 基础数据采集                                         │\r
├─────────────────────────────────────────────────────────────┤\r
│ 1. product_traffic_terms      → 产品流量词 (50-200个)       │\r
│ 2. competitor_product_keywords → 竞品布局词 (100-500个)     │\r
│ 3. category_keywords           → 类目核心词 (100-500个)      │\r
└─────────────────────────────────────────────────────────────┘\r
  ↓\r
┌─────────────────────────────────────────────────────────────┐\r
│ Step 2: 长尾词扩展                                          │\r
├─────────────────────────────────────────────────────────────┤\r
│ 从基础词中选择 Top 30 核心词                                 │\r
│ → 对每个调用 keyword_related_words (50-100个延伸词)         │\r
│ → 预计获取 1000-2000 个长尾词                               │\r
└─────────────────────────────────────────────────────────────┘\r
  ↓\r
┌─────────────────────────────────────────────────────────────┐\r
│ Step 3: 数据清洗                                            │\r
├─────────────────────────────────────────────────────────────┤\r
│ 1. 去重（归一化：小写、去除特殊字符）                        │\r
│ 2. 过滤无效词（过短、非英文、乱码）                          │\r
│ 3. 合并搜索量/CPC 等指标                                    │\r
└─────────────────────────────────────────────────────────────┘\r
  ↓\r
最终词库: 2000+ 关键词\r
```\r
\r
---\r
\r
## 关键词分类：8 维智能分类模型\r
\r
### 分类维度\r
\r
| 维度 | 标识 | 识别规则 | 应用策略 |\r
|------|------|----------|----------|\r
| **否定/敏感词** | NEGATIVE | 与产品不相关、描述不符的词 | 直接添加为否定关键词 |\r
| **品牌词** | BRAND | 竞品品牌名称 | 竞品打法或否定 |\r
| **材质词** | MATERIAL | 产品材质相关词 | 精准词组匹配 |\r
| **场景词** | SCENARIO | 使用场景/位置词 | 按场景拆分广告组 |\r
| **属性修饰词** | ATTRIBUTE | 产品属性/特性词 | 长尾精准匹配 |\r
| **功能词** | FUNCTION | 产品功能相关词 | 广泛匹配扩流 |\r
| **核心产品词** | CORE | 产品核心名称 | 大词投放占领坑位 |\r
| **其他** | OTHER | 未分类、拼写错误、其他语言 | 补充埋词 |\r
\r
### 分类识别示例（以 Coat Rack 为例）\r
\r
```\r
产品信息: Coat Rack Wall Mount, Wood, 5 Hooks, Entryway\r
\r
否定词: freestanding, over door, floor, tree, shoe\r
品牌词: umbra, simplehuman, mDesign, household essentials\r
材质词: wood, wooden, metal, aluminum, bamboo\r
场景词: entryway, bathroom, mudroom, garage, bedroom\r
属性词: wall mount, heavy duty, rustic, vintage, expandable, 5 hook\r
功能词: hanging, storage, organizer, display\r
核心词: coat rack, hook, hanger, hat rack, towel rack\r
其他: coatrac (拼写错误), perchero (西语)\r
```\r
\r
---\r
\r
## 执行流程\r
\r
### 阶段一：数据采集\r
\r
#### Step 1.1: 获取产品流量词\r
\r
```bash\r
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \\r
  -H "Content-Type: application/json" \\r
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"product_traffic_terms","arguments":{"amzSite":"US","asin":"ASIN"}}}'\r
```\r
\r
**返回数据**: 关键词列表，包含搜索量、CPC 等指标\r
\r
#### Step 1.2: 获取竞品布局词\r
\r
```bash\r
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \\r
  -H "Content-Type: application/json" \\r
  -d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"competitor_product_keywords","arguments":{"amzSite":"US","asin":"ASIN"}}}'\r
```\r
\r
**返回数据**: 竞品在各关键词下的排名位置\r
\r
#### Step 1.3: 获取类目核心词\r
\r
```bash\r
# 首先获取产品详情以获取 NodeID\r
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \\r
  -H "Content-Type: application/json" \\r
  -d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}'\r
\r
# 然后获取类目关键词\r
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \\r
  -H "Content-Type: application/json" \\r
  -d '{"jsonrpc":"2.0","id":4,"method":"tools/call","params":{"name":"category_keywords","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}'\r
```\r
\r
#### Step 1.4: 长尾词扩展\r
\r
从基础词中选择 Top 30 核心，对每个调用：\r
\r
```bash\r
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \\r
  -H "Content-Type: application/json" \\r
  -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"keyword_related_words","arguments":{"amzSite":"US","searchKeyword":"KEYWORD"}}}'\r
```\r
\r
---\r
\r
### 阶段二：LLM 智能分类\r
\r
#### 分类提示词模板\r
\r
```\r
你是一位亚马逊关键词分类专家。请根据以下产品信息，将关键词列表按 8 个维度分类。\r
\r
【产品信息】\r
产品名称: {product_name}\r
材质: {material}\r
核心属性: {features}\r
使用场景: {use_cases}\r
否定特征: {negative_features}\r
\r
【分类维度】\r
1. NEGATIVE: 不相关的词，需直接否定\r
2. BRAND: 竞品品牌名称\r
3. MATERIAL: 材质相关词 (wood, metal, aluminum...)\r
4. SCENARIO: 使用场景词 (entryway, bathroom...)\r
5. ATTRIBUTE: 属性修饰词 (wall mount, heavy duty...)\r
6. FUNCTION: 功能词 (hanging, storage...)\r
7. CORE: 核心产品词 (coat rack, hook...)\r
8. OTHER: 其他（拼写错误、其他语言等）\r
\r
【待分类关键词】\r
{keywords_json}\r
\r
【输出格式】\r
请以 JSON 格式输出：\r
{\r
  "NEGATIVE": ["word1", "word2", ...],\r
  "BRAND": [...],\r
  ...\r
}\r
```\r
\r
#### 批量处理策略\r
\r
- **批次大小**: 每批 150 个关键词\r
- **并行处理**: 可并发多个批次\r
- **结果合并**: 统计各分类数量，汇总关键词\r
\r
---\r
\r
### 阶段三：报告生成\r
\r
#### 输出文件结构\r
\r
```\r
keyword-reports/\r
└── {ASIN}_{Site}_{YYYYMMDD}/\r
    ├── report.md                    # Markdown 分析报告\r
    ├── keywords.csv                 # 完整关键词词库（分类后）\r
    ├── negative_words.txt           # 否定词清单\r
    ├── brand_words.txt              # 品牌词清单\r
    ├── categorized_summary.json     # 分类统计\r
    └── dashboard.html               # HTML 可视化仪表板\r
```\r
\r
#### keywords.csv 格式\r
\r
```csv\r
keyword,category,search_volume,cpc,competition,application,relevance_score\r
coat rack,CORE,54000,1.85,high,广泛匹配,1.00\r
wooden coat rack,MATERIAL,12000,1.25,medium,精准匹配,0.95\r
freestanding coat rack,NEGATIVE,4500,0.85,low,直接否定,0.00\r
...\r
```\r
\r
---\r
\r
## 产品信息支持（可选）\r
\r
为提高分类准确性，支持用户提供产品信息：\r
\r
### 输入方式\r
\r
**方式 1**: 命令行参数\r
```bash\r
python workflow.py B07PWTJ4H1 US --product-info product.json\r
```\r
\r
**方式 2**: 交互式收集\r
```bash\r
请输入产品核心属性（用逗号分隔）:\r
> Wall Mount, 5 Hooks, 16.5 inches, Heavy Duty\r
```\r
\r
### 产品信息 JSON 格式\r
\r
```json\r
{\r
  "product_name": "Coat Rack Wall Mount",\r
  "material": "Wood",\r
  "features": ["Wall Mount", "5 Hooks", "16.5 inches", "Heavy Duty"],\r
  "use_cases": ["Entryway", "Bathroom", "Mudroom", "Garage"],\r
  "negative_features": ["Freestanding", "Over Door", "Floor"]\r
}\r
```\r
\r
---\r
\r
## Sorftime API 参考\r
\r
### 关键词相关接口\r
\r
| 接口 | 调用消耗 | 参数 | 返回 |\r
|------|----------|------|------|\r
| `product_traffic_terms` | 1 | asin, site | 产品流量词 |\r
| `competitor_product_keywords` | 1 | asin, site | 竞品布局词 |\r
| `category_keywords` | 1 | nodeId, site | 类目核心词 |\r
| `keyword_related_words` | 1 | searchKeyword, site | 延伸长尾词 |\r
| `keyword_detail` | 1 | keyword, site | 关键词详情 |\r
| `product_detail` | 1 | asin, site | 产品详情 |\r
\r
### 调用格式\r
\r
```bash\r
curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \\r
  -H "Content-Type: application/json" \\r
  -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"TOOL_NAME","arguments":{"amzSite":"US","KEY":"VALUE"}}}'\r
```\r
\r
---\r
\r
## 支持的站点\r
\r
**Amazon**: US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA\r
\r
---\r
\r
## 注意事项\r
\r
1. **API Key 配置**: 自动从 `.mcp.json` 读取\r
2. **数据去重**: 归一化处理（小写、去除特殊字符）\r
3. **LLM 分类**: 批量处理，每批 150 个关键词\r
4. **输出编码**: UTF-8，支持中文和特殊字符\r
5. **报告命名**: `{ASIN}_{Site}_{YYYYMMDD}` 格式\r
\r
---\r
\r
## 故障排查\r
\r
### 问题 1: API 返回 "未查询到对应产品"\r
**原因**: ASIN 不存在于 Sorftime 数据库\r
**解决**:\r
1. 使用 `product_search` 验证 ASIN\r
2. 检查站点是否正确\r
\r
### 问题 2: 分类结果不准确\r
**原因**: 缺少产品信息上下文或使用了规则分类\r
**解决**:\r
1. 提供产品信息 JSON 文件\r
2. 在 Claude Code 环境中运行以使用 LLM 分类\r
3. 手动执行 LLM 分类后保存到 `categorized_result.json`\r
\r
### 问题 3: 长尾词扩展数量不足\r
**原因**: 核心词选择不准确或 API 限流\r
**解决**:\r
1. 调整核心词选择策略，增加搜索量权重\r
2. 降低 `--long-tail-limit` 数量避免 API 限流\r
3. 使用 `--skip-long-tail` 跳过长尾扩展\r
\r
### 问题 4: 分类显示 "分类失败或未提供结果" 或 使用了规则分类\r
**原因**: 在命令行环境中运行，没有触发 LLM 分类\r
**解决**:\r
1. 使用 `--claude-code-env` 参数强制启用 LLM 分类模式：\r
   ```bash\r
   python workflow.py B07PWTJ4H1 US --claude-code-env\r
   ```\r
2. 系统会输出分类提示词，复制提示词发送给 Claude 执行分类\r
3. 将分类结果保存为 `categorized_result.json`\r
4. 重新运行 workflow.py 会自动加载分类结果并重新生成报告\r
\r
### 问题 5: 如何手动进行 LLM 分类\r
**场景**: 采集了数据但分类不准确\r
**解决**:\r
1. 查看输出目录中的 `classification_prompt.txt`\r
2. 将提示词发送给 Claude 执行分类\r
3. 将分类结果保存为 `categorized_result.json`\r
4. 运行报告重新生成脚本\r
\r
---\r
\r
## 参考文档\r
\r
- [Sorftime API 文档](references/sorftime-keyword-api.md)\r
- [分类规则说明](references/classification-rules.md)\r
\r
---\r
\r
## 手动 LLM 分类流程\r
\r
如果规则分类结果不准确，可以手动执行 LLM 分类：\r
\r
### 步骤 1: 查看分类提示词\r
```bash\r
cat keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/classification_prompt.txt\r
```\r
\r
### 步骤 2: 将提示词发送给 Claude\r
复制整个提示词内容，发送给 Claude 执行分类\r
\r
### 步骤 3: 保存分类结果\r
将 Claude 返回的 JSON 保存到：\r
```bash\r
keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/categorized_result.json\r
```\r
\r
### 步骤 4: 重新生成报告\r
\r
`regenerate_reports.py` 支持多种使用方式：\r
\r
#### 方式 1: 从报告目录内运行（自动检测）\r
```bash\r
cd keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/\r
python ../../.claude/skills/keyword-research/scripts/regenerate_reports.py\r
```\r
\r
#### 方式 2: 指定 ASIN 和站点\r
```bash\r
python .claude/skills/keyword-research/scripts/regenerate_reports.py --asin B0FG6QG8C8 --site US\r
```\r
\r
#### 方式 3: 指定完整输出目录\r
```bash\r
python .claude/skills/keyword-research/scripts/regenerate_reports.py --dir "keyword-reports\B0FG6QG8C8_US_20260314"\r
```\r
\r
#### 方式 4: 列出所有可用的报告目录\r
```bash\r
python .claude/skills/keyword-research/scripts/regenerate_reports.py --list\r
```\r
\r
---\r
\r
## 版本更新记录\r
\r
### v1.3 (2026-03-14)\r
- ✅ **优化 regenerate_reports.py**: 移除硬编码 ASIN\r
- ✅ **支持多种使用方式**:\r
  - 从报告目录内运行（自动检测）\r
  - 使用 `--asis` 和 `--site` 参数指定\r
  - 使用 `--dir` 参数指定完整目录\r
  - 使用 `--list` 列出所有可用报告\r
- ✅ **改进错误提示**: 更友好的错误信息和帮助文档\r
\r
### v1.2 (2026-03-14)\r
- ✅ 修复 LLM 分类触发问题\r
- ✅ 添加 `--claude-code-env` 参数强制启用 LLM 分类\r
- ✅ 改进环境检测逻辑\r
- ✅ 在 Claude Code 环境中自动触发 LLM 分类\r
- ✅ 分类完成后自动使用 LLM 结果重新生成报告\r
\r
### v1.1 (2026-03-14)\r
- ✅ 添加 Claude Code 环境检测\r
- ✅ 添加 `--skip-classification` 选项\r
- ✅ 改进规则分类：扩展 IP 品牌词识别\r
- ✅ 改进规则分类：添加主题属性词\r
- ✅ 更新故障排查文档\r
\r
### v1.0 (2026-03-13)\r
- 初始版本\r
- 支持 Sorftime API 数据采集\r
- 支持 8 维智能分类\r
- 生成 Markdown/CSV/HTML 报告\r
\r
---\r
\r
*本技能版本: v1.3 | 最后更新: 2026-03-14*\r