review-analysis

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： 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） 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