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.json7. 生成分析报告Markdown输出保存最终报告到 report.md

报告输出结构#

text

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:

text

/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
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：

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=${API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}' \
  > "$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：

bash

# 获取差评（1-3星），保存原始SSE响应
curl -s -X POST "https://mcp.sorftime.com?key=${API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":2,"method":"tools/call","params":{"name":"product_reviews","arguments":{"amzSite":"US","asin":"ASIN","reviewType":"Negative"}}}' \
  > "$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：

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 "$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：

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
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：

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: $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#

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
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：

text

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：

1. 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）
2. 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#

markdown

# {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
- **配件管理**: 建立配件清单核对机制，确保包装完整
- **物流合作**: 评估物流服务商，选择可靠的配送渠道

---

## 亚马逊差评回复邮件模板库

### 模板类型（根据痛点类别提供）

1. **产品质量问题**（电子模块故障、结构问题、设计缺陷）
2. **服务问题**（收到二手/瑕疵品、配件缺失、退换货困难）
3. **物流问题**（延迟、包装破损、发错货）
4. **描述不符**（功能预期偏差、尺寸颜色差异）

[根据具体产品类型和痛点提供3-5个针对性模板]

### 服务问题专项模板示例

**收到二手/瑕疵品**:

Subject: 我们深表歉意 - 立即为您更换全新产品 Dear [Customer Name], 我们非常抱歉您收到了有瑕疵的产品。这绝不符合我们的质量标准。 请立即联系 [support email]，我们将为您免费更换全新产品，无需退回原产品。 再次致歉！ [Brand] Customer Service

text

---

## 操作建议（避坑指南）

1. **话术避讳**: 严禁使用 "Change your review" 或 "Remove your review"
2. **回复渠道**: 使用亚马逊后台 "Contact Buyer" 功能
3. **时效性**: 1星评价4小时内响应，2星12小时内，3星24小时内
4. **跟进策略**: 首封邮件聚焦解决问题，不主动提补偿

---

*报告生成时间: {时间戳}*
*数据来源: Sorftime MCP*
*分析方法: LLM 整体评论分析*

亚马逊合规要求#

生成邮件模板时必须遵守：

1. 严禁直接请求删除/修改评价
2. 不得用利益交换评价
3. 使用官方渠道 Contact Buyer
4. 24小时内响应差评

支持的站点#

US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA

故障排查#

API 授权失败#

症状: 返回 "Authentication required" 或 "授权失败"

解决方案:

1. 访问 https://sorftime.com/zh-cn/mcp 获取新密钥
2. 更新 .mcp.json 中的 API 密钥
3. 重新执行分析

产品未找到#

症状: 返回 "未查询到对应产品"

解决方案:

1. 检查 ASIN 格式（10位字母数字）
2. 确认站点是否正确
3. 尝试使用其他站点

中文乱码#

症状: 返回的数据包含 \u4ea7\u54c1 等 Unicode 转义

解决方案:

• Python: json.loads() 会自动解码
• 如有 Mojibake: text.encode('latin-1').decode('utf-8')

数据过大被截断#

症状: 返回 "Output too large... saved to: {temp_file}"

解决方案:

1. 从提示的临时文件路径读取完整数据
2. 使用 Read 工具的 offset/limit 参数分块读取
3. 或使用 Grep 工具提取特定模式

服务问题识别#

症状: 评论中频繁出现服务相关差评

服务维度警告阈值:

问题类型警告阈值危险阈值收到二手/瑕疵品>2%>5%配件缺失>1%>3%退换货困难投诉>5%>10%客服负面评价>3%>7%

改进建议:

• 二手/瑕疵品问题: 立即审查仓库质检流程，考虑产品召回
• 配件缺失: 检查包装流水线，增加配件扫码核对
• 退换货困难: 简化退货流程，提供预付运费标签
• 客服问题: 增加客服培训，建立24小时响应机制

差评数量很少#

症状: 产品显示有几百条评论，但只返回几条差评

可能原因:

1. 产品质量好: 差评率低是好事，说明客户满意度高
2. API限制: Sorftime API 最多返回100条评论
3. 使用 reviewType: "Negative": 只获取1-3星评论，数量自然会少

数据分析建议:

• 如果差评少于5条：分析结果仅供参考，建议结合其他数据源
• 如果差评少于10条：在报告中明确说明样本量限制
• 如果差评超过20条：分析结果具有较高的统计意义

补充数据方案:

1. 手动查看亚马逊产品页面的差评
2. 使用其他评论抓取工具获取更多数据
3. 结合客服记录了解常见问题

最佳实践#

1. 路径处理: 在 Windows 环境下使用正斜杠 / 或反斜杠 \ 均可，但保持一致
2. 数据保存: 所有中间数据必须保存到 data/ 子目录，确保可追溯和复用
3. JSON结构: 分析数据应采用结构化JSON格式，便于后续程序化处理
4. 错误处理: 每个步骤后检查返回结果，及时发现问题
5. 用户反馈: 遇到问题时清晰告知用户原因和解决方案

中间数据文件说明#

文件名用途格式raw_product_sse.txt产品详情原始API响应SSE格式raw_reviews_sse.txt评论数据原始API响应SSE格式negative_reviews_analysis.json差评分析结构化数据JSON

数据复用场景#

• 趋势分析: 对比同一产品不同时间段的差评变化
• 竞品对比: 批量分析多个产品的差评数据
• 质量追溯: 基于原始数据验证分析结论的准确性
• 报表生成: 基于JSON数据自动生成Excel/图表

---

本技能文档版本: v7.0 (6维分析框架) | 最后更新: 2026-03-15