闲社服务运行正常AI智能体自动化平台
客户端下载帮助中心服务商入驻
免费注册
技能集市 > AI智能 > review-analysis"
r

评论分析

技能标识：review-analysis"

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."

作者：admin | 来源记录：ClawHub
下载
登记来源
ClawHub
版本
V 1.0.0
检测标记
后台标记通过
免费
免费获取
0
收藏
来源与检测标记为平台登记信息，并不代表已展示可复核的检测报告。使用前请核对版本、依赖和所需权限，建议先在隔离环境中运行。
概述
安装方式
版本历史

评论分析

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/negativereviewsanalysis.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
├── rawproductsse.txt # 原始产品详情SSE响应
├── rawreviewssse.txt # 原始评论SSE响应
└── negativereviewsanalysis.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

python

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

bash

创建报告目录和数据子目录


REPORTDIR=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：

bash

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}}} \
> $REPORTDIR/data/rawproduct_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：

bash

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}}} \
> $REPORTDIR/data/rawreviews_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：
bash

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 $REPORTDIR/data/rawreviews_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：

python
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 jsonstr = content[startidx:] 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([{) reviewsjson = text[reviewsstart:] 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：
python

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：

bash

使用 Write 工具生成分析数据文件


文件路径: $REPORTDIR/data/negativereviews_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

python
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 jsonstr = content[startidx:] 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([{) reviewsjson = text[reviewsstart:] 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

标签

skill ai

通过对话安装

以下为平台配置的接入选项，并非逐项实测通过。能否安装取决于客户端支持、技能来源和运行环境：

OpenClaw WorkBuddy QClaw Kimi Claude

方式一：安装 SkillHub 和技能

帮我安装 SkillHub 和 amazon-sorftime-research-reviews-skill-1776055982 技能

方式二：设置 SkillHub 为优先技能安装源

设置 SkillHub 为我的优先技能安装源，然后帮我安装 amazon-sorftime-research-reviews-skill-1776055982 技能

通过命令行安装

skillhub install amazon-sorftime-research-reviews-skill-1776055982

下载

⬇ 下载 review-analysis" v1.0.0（免费）

文件大小: 20.17 KB | 发布时间: 2026-4-14 12:04

v1.0.0 最新 2026-4-14 12:04
Initial release – provides deep Amazon product review analysis with actionable insights.

- Adds a 7-step workflow to fetch, parse, and categorize Amazon product reviews (specifically negative, 1–3 star reviews).
- Uses a 6-category pain point classification system, including a detailed service/logistics sub-dimension.
- Outputs structured JSON analytics and a comprehensive Markdown report covering pain points, root causes, improvement suggestions, and customer service templates.
- Designed for use with the `/review-analysis {ASIN} {站点}` command.
- Offers clear instructions on API key management, error handling, and file organization for repeatable analysis.

相关推荐

s

self-improvement

Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Claude ('No, that's wrong...', 'Actually...'), (3) User requests a capability that doesn't exist, (4) An external API or tool fails, (5) Claude realizes its knowledge is outdated or incorrect, (6) A better approach is discovered for a recurring task. Also review learnings before major tasks.

AI智能
s

self-improvement

Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Claude ('No, that's wrong...', 'Actually...'), (3) User requests a capability that doesn't exist, (4) An external API or tool fails, (5) Claude realizes its knowledge is outdated or incorrect, (6) A better approach is discovered for a recurring task. Also review learnings before major tasks.

AI智能
s

self-improvement

Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Claude ('No, that's wrong...', 'Actually...'), (3) User requests a capability that doesn't exist, (4) An external API or tool fails, (5) Claude realizes its knowledge is outdated or incorrect, (6) A better approach is discovered for a recurring task. Also review learnings before major tasks.

AI智能
s

self-improvement

Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Claude ('No, that's wrong...', 'Actually...'), (3) User requests a capability that doesn't exist, (4) An external API or tool fails, (5) Claude realizes its knowledge is outdated or incorrect, (6) A better approach is discovered for a recurring task. Also review learnings before major tasks.

AI智能
返回顶部