keyword-research

name keyword-research description 亚马逊关键词深度调研与智能分类分析。基于 Sorftime MCP 数据采集 2000+ 关键词，通过 LLM Agent 按 8 维度智能分类（否定词、品牌词、材质词、场景词、属性词、功能词、核心词、其他），生成 Markdown 报告、CSV 词库和 HTML 仪表板。触发方式：/keyword-research {ASIN} {SITE} 关键词调研分析 Skill 快速参考 步骤 Sorftime API 用途 数据量 1 product_traffic_terms 产品流量关键词 50-200 2 competitor_product_keywords 竞品布局关键词 100-500 3 category_keywords 类目核心关键词 100-500 4 keyword_related_words 长尾词扩展 1000-2000 5 LLM Agent 8 维智能分类 全量 一键执行 : # 在 Claude Code 环境中运行（自动触发 LLM 分类） python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --claude-code-env 其他选项 : # 跳过分类，仅采集数据（后续可手动LLM分类） python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --skip-classification # 禁用LLM分类，使用规则分类 python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --disable-llm-classification 触发条件 当用户使用以下方式请求时启动此分析流程： 命令 : /keyword-research {ASIN} {站点} 示例 : /keyword-research B07PWTJ4H1 US 自然语言 : "分析这个产品的关键词词库"、"调研 B07PWTJ4H1 的关键词" 角色设定 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。 数据采集策略：方案 A（基于 ASIN 的深度分析） 输入: ASIN + 站点 + (可选) 产品信息 ↓ ┌─────────────────────────────────────────────────────────────┐ │ Step 1: 基础数据采集 │ ├─────────────────────────────────────────────────────────────┤ │ 1. product_traffic_terms → 产品流量词 (50-200个) │ │ 2. competitor_product_keywords → 竞品布局词 (100-500个) │ │ 3. category_keywords → 类目核心词 (100-500个) │ └─────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────┐ │ Step 2: 长尾词扩展 │ ├─────────────────────────────────────────────────────────────┤ │ 从基础词中选择 Top 30 核心词 │ │ → 对每个调用 keyword_related_words (50-100个延伸词) │ │ → 预计获取 1000-2000 个长尾词 │ └─────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────┐ │ Step 3: 数据清洗 │ ├─────────────────────────────────────────────────────────────┤ │ 1. 去重（归一化：小写、去除特殊字符） │ │ 2. 过滤无效词（过短、非英文、乱码） │ │ 3. 合并搜索量/CPC 等指标 │ └─────────────────────────────────────────────────────────────┘ ↓ 最终词库: 2000+ 关键词 关键词分类：8 维智能分类模型 分类维度 维度 标识 识别规则 应用策略 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 品牌词 BRAND 竞品品牌名称 竞品打法或否定 材质词 MATERIAL 产品材质相关词 精准词组匹配 场景词 SCENARIO 使用场景/位置词 按场景拆分广告组 属性修饰词 ATTRIBUTE 产品属性/特性词 长尾精准匹配 功能词 FUNCTION 产品功能相关词 广泛匹配扩流 核心产品词 CORE 产品核心名称 大词投放占领坑位 其他 OTHER 未分类、拼写错误、其他语言 补充埋词 分类识别示例（以 Coat Rack 为例） 产品信息: Coat Rack Wall Mount, Wood, 5 Hooks, Entryway 否定词: freestanding, over door, floor, tree, shoe 品牌词: umbra, simplehuman, mDesign, household essentials 材质词: wood, wooden, metal, aluminum, bamboo 场景词: entryway, bathroom, mudroom, garage, bedroom 属性词: wall mount, heavy duty, rustic, vintage, expandable, 5 hook 功能词: hanging, storage, organizer, display 核心词: coat rack, hook, hanger, hat rack, towel rack 其他: coatrac (拼写错误), perchero (西语) 执行流程 阶段一：数据采集 Step 1.1: 获取产品流量词 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_traffic_terms","arguments":{"amzSite":"US","asin":"ASIN"}}}' 返回数据 : 关键词列表，包含搜索量、CPC 等指标 Step 1.2: 获取竞品布局词 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":"competitor_product_keywords","arguments":{"amzSite":"US","asin":"ASIN"}}}' 返回数据 : 竞品在各关键词下的排名位置 Step 1.3: 获取类目核心词 # 首先获取产品详情以获取 NodeID curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}' # 然后获取类目关键词 curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":4,"method":"tools/call","params":{"name":"category_keywords","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}' Step 1.4: 长尾词扩展 从基础词中选择 Top 30 核心，对每个调用： curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"keyword_related_words","arguments":{"amzSite":"US","searchKeyword":"KEYWORD"}}}' 阶段二：LLM 智能分类 分类提示词模板 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。 【产品信息】 产品名称: {product_name} 材质: {material} 核心属性: {features} 使用场景: {use_cases} 否定特征: {negative_features} 【分类维度】 1. NEGATIVE: 不相关的词，需直接否定 2. BRAND: 竞品品牌名称 3. MATERIAL: 材质相关词 (wood, metal, aluminum...) 4. SCENARIO: 使用场景词 (entryway, bathroom...) 5. ATTRIBUTE: 属性修饰词 (wall mount, heavy duty...) 6. FUNCTION: 功能词 (hanging, storage...) 7. CORE: 核心产品词 (coat rack, hook...) 8. OTHER: 其他（拼写错误、其他语言等） 【待分类关键词】 {keywords_json} 【输出格式】 请以 JSON 格式输出： { "NEGATIVE": ["word1", "word2", ...], "BRAND": [...], ... } 批量处理策略 批次大小 : 每批 150 个关键词 并行处理 : 可并发多个批次 结果合并 : 统计各分类数量，汇总关键词 阶段三：报告生成 输出文件结构 keyword-reports/ └── {ASIN}_{Site}_{YYYYMMDD}/ ├── report.md # Markdown 分析报告 ├── keywords.csv # 完整关键词词库（分类后） ├── negative_words.txt # 否定词清单 ├── brand_words.txt # 品牌词清单 ├── categorized_summary.json # 分类统计 └── dashboard.html # HTML 可视化仪表板 keywords.csv 格式 keyword,category,search_volume,cpc,competition,application,relevance_score coat rack,CORE,54000,1.85,high,广泛匹配,1.00 wooden coat rack,MATERIAL,12000,1.25,medium,精准匹配,0.95 freestanding coat rack,NEGATIVE,4500,0.85,low,直接否定,0.00 ... 产品信息支持（可选） 为提高分类准确性，支持用户提供产品信息： 输入方式 方式 1 : 命令行参数 python workflow.py B07PWTJ4H1 US --product-info product.json 方式 2 : 交互式收集 请输入产品核心属性（用逗号分隔）: > Wall Mount, 5 Hooks, 16.5 inches, Heavy Duty 产品信息 JSON 格式 { "product_name" : "Coat Rack Wall Mount" , "material" : "Wood" , "features" : [ "Wall Mount" , "5 Hooks" , "16.5 inches" , "Heavy Duty" ] , "use_cases" : [ "Entryway" , "Bathroom" , "Mudroom" , "Garage" ] , "negative_features" : [ "Freestanding" , "Over Door" , "Floor" ] } Sorftime API 参考 关键词相关接口 接口 调用消耗 参数 返回 product_traffic_terms 1 asin, site 产品流量词 competitor_product_keywords 1 asin, site 竞品布局词 category_keywords 1 nodeId, site 类目核心词 keyword_related_words 1 searchKeyword, site 延伸长尾词 keyword_detail 1 keyword, site 关键词详情 product_detail 1 asin, site 产品详情 调用格式 curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"TOOL_NAME","arguments":{"amzSite":"US","KEY":"VALUE"}}}' 支持的站点 Amazon : US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA 注意事项 API Key 配置 : 自动从 .mcp.json 读取 数据去重 : 归一化处理（小写、去除特殊字符） LLM 分类 : 批量处理，每批 150 个关键词 输出编码 : UTF-8，支持中文和特殊字符 报告命名 : {ASIN}_{Site}_{YYYYMMDD} 格式 故障排查 问题 1: API 返回 "未查询到对应产品" 原因 : ASIN 不存在于 Sorftime 数据库 解决 : 使用 product_search 验证 ASIN 检查站点是否正确 问题 2: 分类结果不准确 原因 : 缺少产品信息上下文或使用了规则分类 解决 : 提供产品信息 JSON 文件 在 Claude Code 环境中运行以使用 LLM 分类 手动执行 LLM 分类后保存到 categorized_result.json 问题 3: 长尾词扩展数量不足 原因 : 核心词选择不准确或 API 限流 解决 : 调整核心词选择策略，增加搜索量权重 降低 --long-tail-limit 数量避免 API 限流 使用 --skip-long-tail 跳过长尾扩展 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 原因 : 在命令行环境中运行，没有触发 LLM 分类 解决 : 使用 --claude-code-env 参数强制启用 LLM 分类模式： python workflow.py B07PWTJ4H1 US --claude-code-env 系统会输出分类提示词，复制提示词发送给 Claude 执行分类 将分类结果保存为 categorized_result.json 重新运行 workflow.py 会自动加载分类结果并重新生成报告 问题 5: 如何手动进行 LLM 分类 场景 : 采集了数据但分类不准确 解决 : 查看输出目录中的 classification_prompt.txt 将提示词发送给 Claude 执行分类 将分类结果保存为 categorized_result.json 运行报告重新生成脚本 参考文档 Sorftime API 文档 分类规则说明 手动 LLM 分类流程 如果规则分类结果不准确，可以手动执行 LLM 分类： 步骤 1: 查看分类提示词