amazon-review-reveyes亚马逊评论回顾

何时运行

• - 用户发送 ASIN 编号并要求抓取或分析评论
• 用户说「帮我看看这个竞品的差评」「分析一下这款产品的用户反馈」
• 用户要了解差评原因、改进产品或 Listing
• 用户要对比同一商品在多个亚马逊站点的口碑
• 用户要导出评论数据做运营分析

参数

从用户消息中提取以下信息：

参数	说明	默认值
asin	亚马逊 ASIN，10 位字母数字（必须）	—
marketplace

站点代码，见下方列表 | US |
| pages | 抓取页数（1-10），1 页约 10 条评论 | 3 |
| filterstar | 星级筛选：allstars positive critical fivestar fourstar threestar twostar onestar | allstars |
| filtersortby | 排序：recent（最新）/ helpful（最有用） | recent |
| filterreviewertype | 评论者类型：allreviews / avponlyreviews（验证购买） | allreviews |
| filtermediatype | 媒体筛选：allcontents / mediareviewsonly（含图片/视频） | allcontents |
| filtervariant | 变体筛选：allformats / 具体变体值 | all_formats |

支持的站点代码（20 个）：
US CA MX UK DE FR IT ES NL SE PL BE IE JP IN SG AE SA AU BR

工作流程

1. 1. 提取参数：从用户消息中识别 ASIN（10 位）、站点代码、页数、星级筛选

- 若用户只给 ASIN，其余使用默认值 - 若用户说「差评」/ 「negative」→ 自动设置 filter_star=critical - 若用户说「好评」/ 「positive」→ 自动设置 filter_star=positive - 若用户说「带图评论」→ 设置 filtermediatype=mediareviewsonly - 若用户说「真实买家」/ 「verified」→ 设置 filterreviewertype=avponlyreviews

1. 2. 执行抓取：调用 scripts/fetch.py，传入参数

python scripts/fetch.py

1. 3. 等待完成：脚本内部自动轮询（最多 5 分钟），完成后输出完整 JSON 结果

1. 4. 展示结构化数据：将 JSON 中所有字段完整呈现（见下方字段说明）

1. 5. AI 深度分析：按照下方「AI 分析提示词」对数据进行跨境电商运营分析

1. 6. 错误处理：

- AUTHERROR → 提示用户检查 REVEYESAPI_KEY 环境变量 - NO_CREDITS → 提示前往 https://www.reveyes.cn 充值 - BAD_PARAMS → 提示检查 ASIN 格式或站点代码是否正确 - TIMEOUT → 告知任务仍在运行，附上 task_id 供后续查询

API 返回字段说明

脚本输出标准 JSON，包含以下所有字段：

顶层字段

字段	类型	说明
task_id	string	本次抓取任务 ID
asin

string | 商品 ASIN | | marketplace | string | 站点代码 | | filter_star | string | 本次星级筛选条件 | | credits_used | int | 本次实际消耗积分 |

summary（汇总统计）

字段	类型	说明
totalreviews	int	抓取到的评论总数
averagerating

float | 平均评分（1-5） | | rating_distribution | object | 各星级数量，key 为 5~1 | | verifiedpurchasecount | int | 验证购买评论数 | | hasimagecount | int | 含图片的评论数 | | hasvideocount | int | 含视频的评论数 | | negative_count | int | 差评数（1-2 星） | | negative_rate | float | 差评率（%） |

items_summary（ASIN 子任务明细）

字段	类型	说明
asin	string	ASIN
marketplace

string | 站点 | | status | string | 子任务状态：pending / running / done / failed | | pages | int | 请求页数 | | actual_pages | int | 实际抓取页数 | | review_count | int | 本 ASIN 实际抓到的评论数 |

negativereviews / allreviews（评论列表，每条评论完整字段）

字段	类型	说明
review_id	string	亚马逊评论唯一 ID
asin

string | 所属 ASIN | | marketplace | string | 所属站点 | | rating | int | 星级（1-5） | | title | string | 评论标题 | | review_date | string | 评论日期（亚马逊原始格式） | | review_content | string | 评论正文（完整） | | user_name | string | 评论者昵称 | | profile_url | string | 评论者主页 URL | | verified_purchase | bool | 是否验证购买 | | helpful_votes | int | 有用投票数 | | product_variant | string | 购买的产品变体（颜色/尺寸等） | | images | array | 评论附带图片列表 | | videos | array | 评论附带视频列表 | | page | int | 来自第几页 |

AI 分析提示词

收到 JSON 数据后，按以下提示词进行分析输出：

---

你是一位资深亚马逊跨境电商卖家顾问，专注于帮助卖家通过评论数据改善产品、优化 Listing、提升 BSR 排名和转化率。

请基于以下评论数据，以卖家运营者身份给出可直接执行的行动建议报告。报告语言简洁、结论先行，每条建议必须说明做什么和怎么做。

分析维度（必须逐一覆盖）：

一、核心运营指标速览

• - 评论总数、平均评分、差评率（1-2 星占比）
• 验证购买占比 — 判断评论真实性，低于 70% 需关注刷评风险
• 含图/视频评论数 — 高质量 UGC 可用于 A+ / 品牌故事素材
• 评分分布直方图（ASCII 格式）
• 一句话风险判断：当前评分是否危及 Listing 流量（低于 4.0 需标注 ⚠️）

二、差评根因诊断与卖家对策

从 negative_reviews 逐条归因，每类必须给出卖家具体对策（不止描述问题）：

1. 1. 产品本身缺陷（材质/耐用性/做工）

- 出现次数 + 代表性引用（原文） - 卖家对策：→ 向供应商提出具体改良要求 / 更换原材料型号 / 升级 QC 抽检比例

1. 2. 功能与预期不符（性能/兼容性/操作）

- 出现次数 + 代表性引用（原文） - 卖家对策：→ 在 Bullet Points 中明确标注适用范围和限制条件 / 在包装内增加快速上手卡片

1. 3. Listing 描述与实物不符（颜色/尺寸/材质偏差）

- 出现次数 + 代表性引用（原文） - 卖家对策：→ 修正主图/副图/尺寸对比图 / 在标题或 Bullet 中加精准规格描述 / 更新 A+ 对比展示模块

1. 4. 包装与物流问题（破损/包装简陋/发货延迟）

- 出现次数 + 代表性引用（原文） - 卖家对策：→ 升级内衬缓冲材料 / 添加易碎品标签 / 核查 FBA 入库包装规范是否达标

1. 5. 售后与客服问题（退换货/响应速度）

- 出现次数 + 代表性引用（原文） - 卖家对策：→ 优化 Buyer-Seller Message 自动回复模板 / 包装内附售后服务卡（含联系方式和常见问题解答）

1. 6. 其他问题