---
name: general-aba-keyword-monitor
version: 1.0.0
category: 生活与工具
trigger_words:
tags:
platform: coze
source: DeepseekModel
source_url: https://deepseekmodel.com/skill?id=luotwo-amazon-abakeyword-skill-md
---

name general-ABA-keyword-monitor description 亚马逊 ABA 爆品关键词监测系统（通用版），支持任意类目，从 AMZ123 热搜词榜单自动发现潜力爆发关键词，生成飞书多维表格 + 仪表盘报告 inclusion manual 亚马逊 ABA 爆品关键词监测系统（通用版） 概述 从亚马逊 ABA 热搜词榜单中自动发现指定类目的潜力爆发关键词，生成飞书多维表格 + 仪表盘可视化报告。 支持任意亚马逊类目（对讲机、保健品、宠物用品、美妆护肤等），首次运行时交互式配置。 每周数据自动追加到同一张多维表格，积累历史趋势。 前提 Python 3.8+（依赖自动安装） 必须配置 Sorftime MCP（key 会被 Python 自动提取） 必须配置飞书 lark-cli（通过 npm 安装： npm install -g lark-cli ，并完成 lark-cli config init 初始化） 快速开始（提示语） 小白用户只需在 AI 对话框中说一句话即可启动： 首次初始化： "帮我用 general-ABAkeyword-monitor 监测亚马逊关键词，我做的是【你的类目】，运行 python general-ABAkeyword-monitor/main.py init，然后按流程走完整个监测" 每周例行监测： "帮我跑一下本周的 ABA 关键词监测" 仅生成报告（数据已抓取的情况下）： "帮我运行 python general-ABAkeyword-monitor/main.py step3 生成飞书报告" 首次使用：类目初始化 Step 0：初始化类目 python general-ABAkeyword-monitor/main.py init 按提示输入目标类目名称（如"对讲机"），系统会输出 reports/.exchange/dict_draft.json 。 Agent 任务：生成类目词典 读取 reports/.exchange/dict_draft.json ，按 prompt 要求生成初始词典和排除规则。 写入 reports/.exchange/dict_draft_output.json ： { "category_dict" : { "ingredients" : [ ... ] , "benefits" : [ ... ] , "brands" : [ ... ] , "health_markers" : [ ... ] } , "exclusion_rules" : { "exclude_patterns" : [ ... ] , "exclude_keywords" : [ ... ] } , "classification_labels" : { "description" : "各标签含义描述" } } Step 0.5：确认词典 python general-ABAkeyword-monitor/main.py init-confirm 系统展示词典摘要，用户确认后保存。 日常监测流程（3 步） Step 1：抓取 + 本地词典匹配 python general-ABAkeyword-monitor/main.py step1 输出 reports/.exchange/llm_input.json 。 Agent 任务：LLM 分类 + 中文翻译 读取 reports/.exchange/llm_input.json ，对每个关键词分类并翻译。 分类标签根据类目动态生成（见 llm_input.json 中的 prompt）。 写入 reports/.exchange/llm_output.json ： { "keyword" : { "label" : "ingredient" , "zh" : "中文翻译" } , ... } Step 2：分层 + Sorftime 异步查询 python general-ABAkeyword-monitor/main.py step2 Agent 任务：写分析摘要 读取 reports/.exchange/analysis_input.json ，为每个 Tier 1 关键词写分析摘要。 写入 reports/.exchange/analysis_output.json ： { "keyword_analysis" : { "keyword" : "分析摘要" , ... } , "tracks" : [ { "name" : "赛道名" , "icon" : "emoji" , "keywords" : [ ... ] , "summary" : "描述" } ] , "core_findings" : [ "发现1" , "发现2" , ... ] } Step 3：生成飞书多维表格报告（必须执行） python general-ABAkeyword-monitor/main.py step3 首次运行 会自动创建飞书多维表格（含 3 张数据表 + 仪表盘 + 筛选视图），后续运行复用已有表格追加数据。 完成后告知用户飞书多维表格链接。 飞书多维表格结构 step3 生成的多维表格包含： 3 张数据表 表名 内容 关键词监测 主表，每周关键词的排名/搜索量/CPC/爆发类型/AI分析等 17 个字段 扩展关键词 Tier 1 关键词的延伸变体词数据 周报摘要 每周一条汇总记录（抓取数、各 Tier 数量、核心发现） 2 个筛选视图 Tier 1 高优先级 — 只显示 Tier 1 关键词，按排名变化降序 Tier 2 观察区 — 只显示 Tier 2 关键词，按排名变化降序 仪表盘（5 个图表） 图表 类型 用途 关键词总数 统计卡片 当前数据总量 Tier 分布 饼图 关键词优先级分布 爆发类型分布 饼图 首次爆发/回弹/持续上升等占比 分类分布 饼图 核心产品/功效/品牌等占比 周搜索量趋势 柱状图 跨周搜索量变化趋势 数据持久化 多维表格配置（token、table_id 等）保存在 category_config.json ，后续运行自动复用，无需重建。 踩坑经验 lark-cli 在 Python subprocess 中找不到 Windows 下 lark-cli 是 npm 全局安装的 .cmd 文件，Python 的 subprocess.run(["lark-cli", ...]) 可能找不到。 解决：代码中通过 shutil.which("lark-cli") 自动查找，并兼容 Windows npm 默认路径 %APPDATA%/npm/lark-cli.cmd 。 lark-cli 返回值结构 +base-create → token 在 data.base.base_token ，URL 在 data.base.url +table-create → table_id 在 data.table.id +view-create → view_id 在 data.views[].id +dashboard-create → dashboard_id 在 data.dashboard.dashboard_id 错误信息可能输出到 stderr 而非 stdout，需要两者都读取 字段格式（+table-create 的 --fields） select 类型：用 "type": "select" + "multiple": false + "options": [...] （顶层）， 不是 "type": "single_select" + "property": {"options": [...]} number 类型： "style" 放在顶层， 不是 "property": {"style": {...}} 完整格式参考 lark-base-shortcut-field-properties.md Windows 编码问题 运行 Python 脚本时需要 export PYTHONIOENCODING=utf-8 ，否则中文 emoji 输出会报 GBK 编码错误。 benefit 词误匹配 对讲机等细分品类容易被 "portable"、"wireless"、"rechargeable" 等通用功能词误匹配。 建议在排除规则中加入 portable air conditioners 、 portable fan 、 wireless keyboard and mouse 等高频泛品类词。