跳至正文
OpenAgentSkill
浏览已开放 · 目录记录日期 2026-11-21 · 自动更新和账户服务暂时关闭。
浏览器与自动化

zach-feature-demand-validator

功能需求真伪验证器。用三维数据(Review/关键词/社区)验证微创新是否真实需求。 使用时机:品类选定后评估微创新、竞品分析发现差异点后判断要不要跟进。 触发词:/zach-feature-demand-validator

zach22-1999 · 已有 AI 审核记录

安装与使用

运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。

npx skills add zach22-1999/amazon-skills --skill zach-feature-demand-validator

技能说明


name: zach-feature-demand-validator description: | 功能需求真伪验证器。用三维数据(Review/关键词/社区)验证微创新是否真实需求。 使用时机:品类选定后评估微创新、竞品分析发现差异点后判断要不要跟进。 触发词:/zach-feature-demand-validator benefits-from: [zach-product-research] user-invocable: true allowed-tools: [Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch, mcp__sorftime__product_reviews, mcp__sorftime__keyword_detail, mcp__sorftime__keyword_extends] risk-level: low

前置建议

本公开版 Skill 是自包含的,不依赖任何私有工作区文件、内部参考库或品牌专属协议。

开始执行前,建议先阅读本 Skill 自带的参考材料:

  • references/judgment_criteria.md — 三维需求判断标准
  • references/report_template.md — 报告结构
  • references/csv_schema.md — 交付 CSV 结构
  • references/review_fallback_pack.md — 无 Sorftime 时的评论证据包格式

定位

亚马逊卖家的产品开发,大多数时候不是做颠覆式创新,而是在现有供给上做微创新:

  • 加一个小功能
  • 补一个小结构
  • 优化一个小体验

危险点也恰好在这里。很多功能看起来合理,但很可能只是卖家自己的想象,不是消费者真实在意的点。

这个 Skill 的定位,不是帮你发明新物种,而是判断:

这个微创新,到底是不是用户真的在意。

它通过三个独立维度交叉验证,避免“感觉有需求就开模”。

维度首选数据源无 Sorftime 时的替代方案
Review 信号Sorftime product_reviewsWebSearch + WebFetch 主动抓取 Amazon Review 页面,或用户提供 review_source_pack
关键词信号Sorftime keyword_detail / keyword_trend / keyword_extendsGoogle Trends(WebFetch)+ Amazon Autocomplete(WebSearch)+ 第三方搜索量估算
社区信号WebSearch(Reddit + Quora)继续可执行(不依赖 Sorftime)

上游 / 下游

  • 上游:zach-product-research、zach-competitor-deep-dive
  • 下游:zach-new-product-listing-writer

执行优先级

路线 A:Sorftime 完整版

适用条件:当前环境可调用 Sorftime MCP。

  1. Review 维度走 Sorftime product_reviews
  2. 关键词维度走 Sorftime 关键词工具
  3. 社区维度走 WebSearch

路线 B:无 Sorftime 替代版

适用条件:当前环境没有 Sorftime MCP。

  1. Review 维度:优先用 WebSearch + WebFetch 主动抓取 Amazon Review;若抓取失败,再降级到用户提供的 review_source_pack
  2. 关键词维度:用 Google Trends + Amazon Autocomplete + 第三方工具获取免费搜索数据
  3. 社区维度:继续走 WebSearch

注意:替代版的数据精度不如 Sorftime(无法拿到精确周搜索量和 CPC),但三个维度都有真实数据支撑,不存在”空白维度”。报告中需标注数据来源差异。


输入方式

业务输入

支持两类:

输入方式示例处理逻辑
品类 + 功能描述air fryer + steam feature先找市场上是否已有带该功能的产品
ASIN + 功能描述B0XXXX + self-cleaning直接围绕指定产品和相邻竞品验证

默认站点:US

Review fallback 输入

当 Sorftime 不可用时,用户需要提供本地评论证据包:

review_source_pack/
├── source_manifest.json
└── raw/
    ├── reviews.csv
    ├── reviews.txt
    └── reviews.html

详细格式见 references/review_fallback_pack.md。


执行流程

Step 0:解析任务与构造关键词

  1. 确认输入是“品类 + 功能”还是“ASIN + 功能”
  2. 确认站点,默认 US
  3. 基于 references/keyword_construction_guide.md 构造 3-5 个英文关键词变体
  4. 判断当前走 Sorftime 完整版还是 Review fallback 降级版

Step 1:Review 信号采集

1.1 Sorftime 完整版

  1. 若用户给的是品类:
    • 调 product_search 找含该功能的产品
    • 优先选 3-5 个月销高、评论多、标题明确带功能词的 ASIN
  2. 若用户给的是 ASIN:
    • 直接用该 ASIN
    • 必要时调 product_detail 确认功能是否真实存在
  3. 对每个目标 ASIN 调 product_reviews
  4. 把返回结果保存为 JSON,再调用脚本:

macOS / Linux:

python3 skills/zach-feature-demand-validator/scripts/parse_reviews.py \
  --input <reviews.json> \
  --asin <ASIN> \
  --keywords "steam,steamer,steaming" \
  --source-url "sorftime://product_reviews/<ASIN>" \
  --output <数据源目录>/01_review_信号_原始数据.csv

Windows:

py -3 skills/zach-feature-demand-validator/scripts/parse_reviews.py `
  --input <reviews.json> `
  --asin <ASIN> `
  --keywords "steam,steamer,steaming" `
  --source-url "sorftime://product_reviews/<ASIN>" `
  --output <数据源目录>\01_review_信号_原始数据.csv

1.2 无 Sorftime 时的 Review 采集

核心原则:按功能关键词定向选 ASIN,不随机抓。

Review 采集的意义在于验证"用户有没有在意这个功能",所以必须定向找两类产品:

  • A 类:已带该功能的产品 → 看用户对这个功能的真实评价(好评提到了?差评说没用?)
  • B 类:同品类但不带该功能的竞品 → 看用户有没有抱怨"缺了这个功能"

随机抓高销量产品的 review 不会命中功能相关内容,没有分析价值。

第一步:用功能关键词定向搜索 ASIN

  1. 用 WebSearch 搜索 amazon.com [品类] [功能关键词]
    • 例:验证"空气炸锅+蒸汽"→ 搜索 amazon.com air fryer steam
    • 从结果中提取 2-3 个已带该功能的真实 ASIN(A 类)
  2. 再搜索 amazon.com [品类] best seller,提取 2-3 个不带该功能但销量高的 ASIN(B 类)
    • 这些是对照组,看主流产品的 review 里有没有人提到"希望有这个功能"
  3. ⛔ 严禁使用 B0XXXXX 等占位符,必须拿到真实可验证的 10 位 ASIN
  4. 确认每个 ASIN 的产品名、是否带目标功能,记录到报告中

第二步:抓取 Review

对每个 ASIN:

  • 用 WebFetch 尝试访问 https://www.amazon.com/product-reviews/<ASIN>/ref=cm_cr_dp_d_show_all_btm?reviewerType=all_reviews&sortBy=recent&pageNumber=1
  • 如果 Amazon 页面可访问,提取评论内容(标题、正文、星级、日期)
  • 如果被反爬拦截,用 WebSearch 搜索 site:amazon.com "<ASIN>" reviews 获取评论摘要
  • 还可搜索第三方评论聚合站(reviewmeta.com、fakespot.com)

第三步:数据量要求

  • A 类(带功能):每个 ASIN 至少 15-30 条 review
  • B 类(不带功能):每个 ASIN 至少 15-30 条 review
  • 总量目标不低于 80 条
  • 如果单个 ASIN 返回不足,增加同类 ASIN 补足
  • 实际采集量和 A/B 分类写入报告

第四步:脚本解析

将采集到的 review 整理为标准 JSON,再调用 parse_reviews.py 脚本(同 1.1)

降级路径:用户提供 review_source_pack

仅当 WebSearch + WebFetch 均无法获取足够 review 数据时,才要求用户手动提供证据包:

  1. 要求用户提供 review_source_pack/
  2. 检查 source_manifest.json 是否包含 ASIN、站点、导出时间、来源 URL、导出方式
  3. 调脚本统一解析原始证据:
python3 skills/zach-feature-demand-validator/scripts/parse_review_source_pack.py \
  --pack <review_source_pack> \
  --keywords "steam,steamer,steaming" \
  --output <数据源目录>/01_review_信号_原始数据.csv

支持的原始文件格式:CSV、TXT / Markdown、HTML

1.3 Review 判定

判定标准见 references/judgment_criteria.md,核心仍是:

  • 功能提及率
  • 需求表达数(如 wish it had)
  • 正负反馈分布

Step 2:关键词信号采集

2.1 有 Sorftime 时

对关键词变体依次调用:

  • keyword_detail
  • keyword_trend
  • keyword_extends

再用脚本导出标准 CSV:

python3 skills/zach-feature-demand-validator/scripts/generate_keyword_csv.py \
  --type detail \
  --data <detail.json> \
  --source-ref "keyword_detail:steam air fryer" \
  --output <数据源目录>/02_keyword_信号_搜索量数据.csv

2.2 无 Sorftime 时的替代采集

关键词维度不能留空。没有 Sorftime 时,通过以下免费数据源获取替代数据:

搜索量估算(替代 keyword_detail):

  1. 用 WebSearch 搜索 "[功能关键词]" amazon search volume 或 "[功能关键词]" keyword search volume
  2. 从 SEO 工具页面(如 Ahrefs 免费版、Ubersuggest、Keywords Everywhere 公开数据)获取大致搜索量级
  3. 用 WebFetch 尝试访问 https://trends.google.com/trends/explore?q=[关键词]&geo=US 获取 Google Trends 相对热度
  4. 在报告中标注数据来源为"第三方估算",精度不如 Sorftime

趋势数据(替代 keyword_trend):

  1. Google Trends 是核心替代源:用 WebFetch 获取过去 12 个月的趋势曲线
  2. 对每个关键词变体都查 Google Trends,记录趋势方向(上升/平稳/下降)
  3. 用 WebSearch 搜索 "[功能关键词]" trend 2025 2026 获取行业讨论中的趋势判断

**延伸词(替代 keyword_extend

阅读完整来源 ↗