LeoYeAI/agent-master-skills / skills/amazon-sorftime-research-reviews-skill
review-analysis
Verified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.
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 16.9 KB |
| _meta.json | config | 333 B |
| assets/email_templates/quality_issue.md | markdown | 10.2 KB |
| references/painpoint_taxonomy.md | markdown | 5.5 KB |
| 设计文档.md | markdown | 14.6 KB |
设计文档.md
View on GitHub# 评论分析 Skill 设计文档 (LLM Agent 版)
## 1. 概述
**Skill 名称**: `review-analysis`
**功能描述**: 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,并生成改进建议和客服回复模板。
**触发方式**: `/review-analyse {ASIN} {SITE}`
**架构模式**: **LLM Agent 驱动** - 完全由 AI Agent 逐步执行,不依赖 Python 脚本
---
## 2. 核心架构
### 2.1 LLM Agent 工作流
```
┌─────────────────────────────────────────────────────────────────┐
│ LLM Agent 执行流程 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ Step 1 │───▶│ Step 2 │───▶│ Step 3 │───▶│ Step 4 │ │
│ │ 数据获取 │ │ 数据解析 │ │ LLM分析 │ │ 报告生成 │ │
│ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ │
│ │ │ │ │ │
│ ▼ ▼ ▼ ▼ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │ API调用 │ │ 文件解析 │ │ 痛点分类 │ │ Markdown │ │
│ │ curl │ │ JSON │ │ 情感分析 │ │ 模板渲染 │ │
│ └─────────┘ └─────────┘ └─────────┘ └─────────┘ │
│ │ │ │ │ │
│ ▼ ▼ ▼ ▼ │
│ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │
│ │文件保存 │ │文件保存 │ │文件保存 │ │报告文件 │ │
│ │01_*.json│ │02_*.json│ │03_*.json│ │report.md│ │
│ └─────────┘ └─────────┘ └─────────┘ └─────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
```
### 2.2 与 Python 脚本架构的对比
| 维度 | Python 脚本架构 | LLM Agent 架构 ✅ |
|------|-----------------|-------------------|
| 执行方式 | 运行 .py 文件 | Claude AI 直接执行指令 |
| 数据处理 | 硬编码算法 | LLM 理解和分类 |
| 痛点分类 | 正则表达式匹配 | AI 语义理解 |
| 灵活性 | 需要修改代码 | 调整提示词即可 |
| 扩展性 | 需要重新编程 | 自然语言描述需求 |
| 文件生成 | 程序输出 | Agent 逐步保存 |
---
## 3. 痛点分析框架
### 3.1 五大痛点类别
| 类别 | 典型关键词 | 示例评论 |
|------|------------|----------|
| **结构/组装问题** | 孔位对不上、螺丝滑丝、安装困难、摇晃 | "孔位对不上,装不起来" |
| **电子模块故障** | USB没电、LED不亮、APP闪退、蓝牙失败 | "灯完全不亮,充不进电" |
| **设计/功能缺陷** | 抽屉浅、灯光刺眼、储物不够、线乱 | "抽屉太浅,A4纸都放不下" |
| **外观/材质问题** | 划痕、色差、异味、甲醛、生锈 | "味道很大,开窗散了3天" |
| **描述不符** | 比想象中小、颜色不一样、材质不是 | "比图片小了很多,失望" |
### 3.2 严重程度评估
| 程度 | 判断标准 | 示例 |
|------|----------|------|
| **高** | 影响核心功能或安全隐患 | "柜子散架"、"味道头晕" |
| **中** | 影响使用体验 | "安装花了两小时"、"偶尔连不上" |
| **低** | 外观细节或个人偏好 | "有个小划痕"、"我不喜欢这个颜色" |
---
## 4. 文件流转架构
### 4.1 完整文件链
```
用户输入: /review-analyse B07PWTJ4H1 US
│
▼
┌─────────────────────────┐
│ 创建工作目录 │
│ reports/review-analysis/│
│ {ASIN}_{SITE}_{DATE}/ │
└─────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Step 1: 获取产品详情 │
│ → 01_product_detail.json (ASIN, 标题, 品牌, 价格, 评分) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Step 2: 获取评论数据 (curl product_reviews API) │
│ → 02_reviews_raw.txt (SSE 格式原始响应) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Step 3: 解析评论 (解码 Unicode + 修复 Mojibake) │
│ → 03_reviews_parsed.json (标准 JSON 格式评论数组) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Step 4: 情感统计 (计算星级分布) │
│ → 04_sentiment_stats.json (好中差评数量/占比) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Step 5: 痛点分析 (LLM 深度分析每条差评) │
│ → 05_painpoints_analysis.json (痛点矩阵+详细分析) │
└─────────────────────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ Step 6: 生成报告 (综合所有数据) │
│ → report.md (完整分析报告 + 邮件模板) │
└─────────────────────────────────────────────────────────┘
```
### 4.2 数据文件格式
#### 03_reviews_parsed.json (评论数据)
```json
{
"reviews": [
{
"review_id": "...",
"star_rating": 5,
"review_date": "2024-01-01",
"title": "Great product!",
"content": "评论内容...",
"is_vp": true,
"helpful_votes": 10
}
]
}
```
#### 04_sentiment_stats.json (情感统计)
```json
{
"total_reviews": 100,
"average_rating": 4.2,
"rating_distribution": {
"five_star": 60,
"four_star": 20,
"three_star": 10,
"two_star": 5,
"one_star": 5
},
"sentiment_breakdown": {
"positive": 80,
"neutral": 10,
"negative": 10
}
}
```
#### 05_painpoints_analysis.json (痛点分析)
```json
{
"painpoint_matrix": [
{
"category": "结构/组装问题",
"count": 15,
"percentage": 30,
"severity_breakdown": {"high": 5, "medium": 8, "low": 2},
"typical_quotes": ["孔位对不上", "安装困难"]
}
],
"top_issues": [
{
"rank": 1,
"category": "结构/组装问题",
"severity": "高",
"root_cause": {
"design": "公差设计不合理",
"production": "质检不到位",
"packaging": "N/A",
"manual": "说明书不够详细"
},
"improvement_suggestions": [
"优化孔位公差",
"在零件上标注编号"
],
"customer_quotes": [
"孔位对不上,装不起来",
"螺丝总是滑丝"
]
}
]
}
```
---
## 5. LLM Agent 分析流程
### 5.1 痛点分类 Prompt
当 LLM Agent 分析评论时,使用以下思维过程:
```
对于每条 1-3 星评论:
1. 阅读评论内容
2. 匹配痛点类别(5选1)
3. 评估严重程度(高/中/低)
4. 提取关键问题词
5. 分析根本原因(设计/生产/包装/说明书)
6. 生成改进建议
输出 JSON 格式
```
### 5.2 根源分析维度
| 维度 | 检查点 | 改进方向 |
|------|--------|----------|
| **设计** | 功能设计是否合理 | 修改设计方案 |
| **生产** | 质量控制是否到位 | 更换供应商/加强质检 |
| **包装** | 运输保护是否充分 | 改进包装方案 |
| **说明书** | 用户指引是否清晰 | 优化说明/提供视频 |
### 5.3 解决方案双轨制
1. **产品/供应链改进**:
- ✅ 具体可执行: "建议将抽屉底部无纺布更换为密度板"
- ❌ 笼统模糊: "提高质量"
2. **客服/Listing优化**:
- 安抚话术模板
- Listing 修改建议
- FAQ 补充
---
## 6. 报告输出
### 6.1 报告结构
```markdown
# {产品标题} - 评论深度分析报告
## 执行摘要
## 一、评论情感分布
## 二、痛点分析矩阵
## 三、核心痛点深度分析 (Top 5)
## 四、产品改进优先级
## 五、Listing 优化建议
## 六、邮件回复模板库
```
### 6.2 邮件模板生成规则
基于痛点类别自动匹配对应模板:
| 痛点类别 | 邮件模板 | 关键要素 |
|----------|----------|----------|
| 结构/组装问题 | template_quality.md | 补发配件、技术支持 |
| 电子模块故障 | template_electronics.md | 更换控制器、故障排查 |
| 设计/功能缺陷 | template_design.md | 功能说明、使用指导 |
| 外观/材质问题 | template_quality.md | 退换货、补偿方案 |
| 描述不符 | template_design.md | 尺寸说明、预期管理 |
---
## 7. 与 amazon-analyse 的关系
### 7.1 技术架构对比
| 方面 | amazon-analyse | review-analysis |
|------|----------------|-----------------|
| 数据获取 | curl API | curl API (相同) |
| 数据解析 | SSE 解码 | SSE 解码 (相同) |
| 分析核心 | LLM Agent | LLM Agent (相同) |
| 输出报告 | Markdown | Markdown + 模板 |
| 依赖脚本 | 无 | 无 |
### 7.2 功能互补
```
amazon-analyse (竞品全维度分析)
│
├─ Listing 分析
├─ 关键词分析
└─ 评论分析 (Top3 优劣势)
│
▼
review-analysis (评论深度分析) ← 继承数据获取逻辑
│
├─ 痛点矩阵 (5大类)
├─ 严重程度评估
├─ 根源分析
└─ 邮件模板生成
```
---
## 8. 技术要点
### 8.1 SSE 响应处理
Sorftime 返回格式:
```
event: message
data: {"result":{"content":[{"type":"text","text":"{Unicode转义的JSON}"}]}}
```
处理步骤:
1. 提取 `data:` 行
2. 解析 JSON 获取 `text` 字段
3. 解码 Unicode 转义 (`\u4ea7\u54c1` → `产品`)
4. 修复 Mojibake 编码 (如有)
5. 保存为标准 JSON
### 8.2 编码问题处理
```python
# Unicode 解码
decoded = codecs.decode(text, 'unicode-escape')
# Mojibake 修复
fixed = bad_text.encode('latin-1').decode('utf-8')
```
### 8.3 JSON 转义处理
保存 JSON 时注意转义:
- 换行符 `\n` → `\\n`
- 引号 `"` → `\"`
- 反斜杠 `\` → `\\`
---
## 9. 使用示例
### 9.1 命令触发
```
用户: /review-analyse B07PWTJ4H1 US
```
### 9.2 Agent 执行流程
```
Agent: 开始评论分析...
Agent: ✓ 创建工作目录: reports/review-analysis/B07PWTJ4H1_US_20260315/
Agent: ✓ 获取产品详情
Agent: ✓ 获取评论数据 (100条)
Agent: ✓ 解析评论数据
Agent: ✓ 情感统计完成
Agent: ✓ 痛点分析完成 (识别5大类, 23个痛点)
Agent: ✓ 生成报告
Agent: ✓ 生成邮件模板 (3个)
Agent: 分析完成!
报告位置: reports/review-analysis/B07PWTJ4H1_US_20260315/report.md
```
---
## 10. 目录结构
```
.claude/skills/review-analysis/
├── SKILL.md # 主文档 (LLM Agent 执行指令)
├── 设计文档.md # 本文档
├── references/
│ └── painpoint_taxonomy.md # 痛点分类体系参考
└── assets/
└── email_templates/
├── quality_issue.md # 质量/组装问题模板
├── electronics_issue.md # 电子功能故障模板
└── expectation_gap.md # 预期偏差模板
```
---
*文档版本: v2.0 (LLM Agent 架构)*
*最后更新: 2026-03-15*
*参考资料有: https://mp.weixin.qq.com/s/agrml8THPvCmMxOMMmxKzARelated skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| receiving-code-reviewobra/superpowersUse when receiving code review feedback, before implementing suggestions, especially if feedback seems unclear or technically questionable - requires technical rigor and verification, not performative agreement or blind implementation | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| requesting-code-reviewobra/superpowersUse when completing tasks, implementing major features, or before merging to verify work meets requirements | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| using-git-worktreesobra/superpowersUse when starting feature work that needs isolation from current workspace or before executing implementation plans - ensures an isolated workspace exists via native tools or git worktree fallback | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |
| verification-before-completionobra/superpowersUse when about to claim work is complete, fixed, or passing, before committing or creating PRs - requires running verification commands and confirming output before making any success claims; evidence before assertions always | Stars: 323k | Updated | Claude CodeCodex | Verified | Install |