zach-feature-demand-validator

Name: zach-feature-demand-validator
Author: zach22-1999

123stars32forks

How to install zach-feature-demand-validator?

zach22-1999/amazon-skills/zach-feature-demand-validator

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

Installs into the current project.

Summary

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

Files · 1

View on GitHub

SKILL.md

1	## 前置建议
2
3	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。
4
5	开始执行前，建议先阅读本 Skill 自带的参考材料：
6
7	- `references/judgment_criteria.md` — 三维需求判断标准
8	- `references/report_template.md` — 报告结构
9	- `references/csv_schema.md` — 交付 CSV 结构
10	- `references/review_fallback_pack.md` — 无 Sorftime 时的评论证据包格式
11
12	## 定位
13
14	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：
15
16	- 加一个小功能
17	- 补一个小结构
18	- 优化一个小体验
19
20	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。
21
22	这个 Skill 的定位，不是帮你发明新物种，而是判断：
23
24	这个微创新，到底是不是用户真的在意。
25
26	它通过三个独立维度交叉验证，避免“感觉有需求就开模”。
27
28	\| 维度 \| 首选数据源 \| 无 Sorftime 时的替代方案 \|
29	\|------\|-----------\|----------------------\|
30	\| Review 信号 \| Sorftime `product_reviews` \| WebSearch + WebFetch 主动抓取 Amazon Review 页面，或用户提供 `review_source_pack` \|
31	\| 关键词信号 \| Sorftime `keyword_detail` / `keyword_trend` / `keyword_extends` \| Google Trends（WebFetch）+ Amazon Autocomplete（WebSearch）+ 第三方搜索量估算 \|
32	\| 社区信号 \| WebSearch（Reddit + Quora） \| 继续可执行（不依赖 Sorftime） \|
33
34	## 上游 / 下游
35
36	- 上游：`zach-product-research`、`zach-competitor-deep-dive`
37	- 下游：`zach-new-product-listing-writer`
38
39	---
40
41	## 执行优先级
42
43	### 路线 A：Sorftime 完整版
44
45	适用条件：当前环境可调用 Sorftime MCP。
46
47	1. Review 维度走 Sorftime `product_reviews`
48	2. 关键词维度走 Sorftime 关键词工具
49	3. 社区维度走 WebSearch
50
51	### 路线 B：无 Sorftime 替代版
52
53	适用条件：当前环境没有 Sorftime MCP。
54
55	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`
56	2. 关键词维度：用 Google Trends + Amazon Autocomplete + 第三方工具获取免费搜索数据
57	3. 社区维度：继续走 WebSearch
58
59	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。
60
61	---
62
63	## 输入方式
64
65	### 业务输入
66
67	支持两类：
68
69	\| 输入方式 \| 示例 \| 处理逻辑 \|
70	\|---------\|------\|---------\|
71	\| 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 \|
72	\| ASIN + 功能描述 \| `B0XXXX + self-cleaning` \| 直接围绕指定产品和相邻竞品验证 \|
73
74	默认站点：`US`
75
76	### Review fallback 输入
77
78	当 Sorftime 不可用时，用户需要提供本地评论证据包：
79
80	```text
81	review_source_pack/
82	├── source_manifest.json
83	└── raw/
84	├── reviews.csv
85	├── reviews.txt
86	└── reviews.html
87	```
88
89	详细格式见 `references/review_fallback_pack.md`。
90
91	---
92
93	## 执行流程
94
95	### Step 0：解析任务与构造关键词
96
97	1. 确认输入是“品类 + 功能”还是“ASIN + 功能”
98	2. 确认站点，默认 `US`
99	3. 基于 `references/keyword_construction_guide.md` 构造 3-5 个英文关键词变体
100	4. 判断当前走 Sorftime 完整版还是 Review fallback 降级版
101
102	### Step 1：Review 信号采集
103
104	#### 1.1 Sorftime 完整版
105
106	1. 若用户给的是品类：
107	- 调 `product_search` 找含该功能的产品
108	- 优先选 3-5 个月销高、评论多、标题明确带功能词的 ASIN
109	2. 若用户给的是 ASIN：
110	- 直接用该 ASIN
111	- 必要时调 `product_detail` 确认功能是否真实存在
112	3. 对每个目标 ASIN 调 `product_reviews`
113	4. 把返回结果保存为 JSON，再调用脚本：
114
115	macOS / Linux:
116	```bash
117	python3 skills/zach-feature-demand-validator/scripts/parse_reviews.py \
118	--input <reviews.json> \
119	--asin <ASIN> \
120	--keywords "steam,steamer,steaming" \
121	--source-url "sorftime://product_reviews/<ASIN>" \
122	--output <数据源目录>/01_review_信号_原始数据.csv
123	```
124
125	Windows:
126	```powershell
127	py -3 skills/zach-feature-demand-validator/scripts/parse_reviews.py `
128	--input <reviews.json> `
129	--asin <ASIN> `
130	--keywords "steam,steamer,steaming" `
131	--source-url "sorftime://product_reviews/<ASIN>" `
132	--output <数据源目录>\01_review_信号_原始数据.csv
133	```
134
135	#### 1.2 无 Sorftime 时的 Review 采集
136
137	核心原则：按功能关键词定向选 ASIN，不随机抓。
138
139	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：
140	- 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？）
141	- 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"
142
143	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。
144
145	第一步：用功能关键词定向搜索 ASIN
146
147	1. 用 WebSearch 搜索 `amazon.com [品类] [功能关键词]`
148	- 例：验证"空气炸锅+蒸汽"→ 搜索 `amazon.com air fryer steam`
149	- 从结果中提取 2-3 个已带该功能的真实 ASIN（A 类）
150	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）
151	- 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"
152	3. ⛔ 严禁使用 `B0XXXXX` 等占位符，必须拿到真实可验证的 10 位 ASIN
153	4. 确认每个 ASIN 的产品名、是否带目标功能，记录到报告中
154
155	第二步：抓取 Review
156
157	对每个 ASIN：
158	- 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`
159	- 如果 Amazon 页面可访问，提取评论内容（标题、正文、星级、日期）
160	- 如果被反爬拦截，用 WebSearch 搜索 `site:amazon.com "<ASIN>" reviews` 获取评论摘要
161	- 还可搜索第三方评论聚合站（reviewmeta.com、fakespot.com）
162
163	第三步：数据量要求
164
165	- A 类（带功能）：每个 ASIN 至少 15-30 条 review
166	- B 类（不带功能）：每个 ASIN 至少 15-30 条 review
167	- 总量目标不低于 80 条
168	- 如果单个 ASIN 返回不足，增加同类 ASIN 补足
169	- 实际采集量和 A/B 分类写入报告
170
171	第四步：脚本解析
172
173	将采集到的 review 整理为标准 JSON，再调用 parse_reviews.py 脚本（同 1.1）
174
175	降级路径：用户提供 review_source_pack
176
177	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：
178
179	1. 要求用户提供 `review_source_pack/`
180	2. 检查 `source_manifest.json` 是否包含 ASIN、站点、导出时间、来源 URL、导出方式
181	3. 调脚本统一解析原始证据：
182
183	```bash
184	python3 skills/zach-feature-demand-validator/scripts/parse_review_source_pack.py \
185	--pack <review_source_pack> \
186	--keywords "steam,steamer,steaming" \
187	--output <数据源目录>/01_review_信号_原始数据.csv
188	```
189
190	支持的原始文件格式：CSV、TXT / Markdown、HTML
191
192	#### 1.3 Review 判定
193
194	判定标准见 `references/judgment_criteria.md`，核心仍是：
195
196	- 功能提

People who liked this also viewed

6 picks

Type

zach-feature-demand-validator

123stars32forks

View on GitHub

How to install zach-feature-demand-validator?

zach22-1999/amazon-skills/zach-feature-demand-validator

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

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	## 前置建议
2
3	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。
4
5	开始执行前，建议先阅读本 Skill 自带的参考材料：
6
7	- `references/judgment_criteria.md` — 三维需求判断标准
8	- `references/report_template.md` — 报告结构
9	- `references/csv_schema.md` — 交付 CSV 结构
10	- `references/review_fallback_pack.md` — 无 Sorftime 时的评论证据包格式
11
12	## 定位
13
14	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：
15
16	- 加一个小功能
17	- 补一个小结构
18	- 优化一个小体验
19
20	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。
21
22	这个 Skill 的定位，不是帮你发明新物种，而是判断：
23
24	这个微创新，到底是不是用户真的在意。
25
26	它通过三个独立维度交叉验证，避免“感觉有需求就开模”。
27
28	\| 维度 \| 首选数据源 \| 无 Sorftime 时的替代方案 \|
29	\|------\|-----------\|----------------------\|
30	\| Review 信号 \| Sorftime `product_reviews` \| WebSearch + WebFetch 主动抓取 Amazon Review 页面，或用户提供 `review_source_pack` \|
31	\| 关键词信号 \| Sorftime `keyword_detail` / `keyword_trend` / `keyword_extends` \| Google Trends（WebFetch）+ Amazon Autocomplete（WebSearch）+ 第三方搜索量估算 \|
32	\| 社区信号 \| WebSearch（Reddit + Quora） \| 继续可执行（不依赖 Sorftime） \|
33
34	## 上游 / 下游
35
36	- 上游：`zach-product-research`、`zach-competitor-deep-dive`
37	- 下游：`zach-new-product-listing-writer`
38
39	---
40
41	## 执行优先级
42
43	### 路线 A：Sorftime 完整版
44
45	适用条件：当前环境可调用 Sorftime MCP。
46
47	1. Review 维度走 Sorftime `product_reviews`
48	2. 关键词维度走 Sorftime 关键词工具
49	3. 社区维度走 WebSearch
50
51	### 路线 B：无 Sorftime 替代版
52
53	适用条件：当前环境没有 Sorftime MCP。
54
55	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`
56	2. 关键词维度：用 Google Trends + Amazon Autocomplete + 第三方工具获取免费搜索数据
57	3. 社区维度：继续走 WebSearch
58
59	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。
60
61	---
62
63	## 输入方式
64
65	### 业务输入
66
67	支持两类：
68
69	\| 输入方式 \| 示例 \| 处理逻辑 \|
70	\|---------\|------\|---------\|
71	\| 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 \|
72	\| ASIN + 功能描述 \| `B0XXXX + self-cleaning` \| 直接围绕指定产品和相邻竞品验证 \|
73
74	默认站点：`US`
75
76	### Review fallback 输入
77
78	当 Sorftime 不可用时，用户需要提供本地评论证据包：
79
80	```text
81	review_source_pack/
82	├── source_manifest.json
83	└── raw/
84	├── reviews.csv
85	├── reviews.txt
86	└── reviews.html
87	```
88
89	详细格式见 `references/review_fallback_pack.md`。
90
91	---
92
93	## 执行流程
94
95	### Step 0：解析任务与构造关键词
96
97	1. 确认输入是“品类 + 功能”还是“ASIN + 功能”
98	2. 确认站点，默认 `US`
99	3. 基于 `references/keyword_construction_guide.md` 构造 3-5 个英文关键词变体
100	4. 判断当前走 Sorftime 完整版还是 Review fallback 降级版
101
102	### Step 1：Review 信号采集
103
104	#### 1.1 Sorftime 完整版
105
106	1. 若用户给的是品类：
107	- 调 `product_search` 找含该功能的产品
108	- 优先选 3-5 个月销高、评论多、标题明确带功能词的 ASIN
109	2. 若用户给的是 ASIN：
110	- 直接用该 ASIN
111	- 必要时调 `product_detail` 确认功能是否真实存在
112	3. 对每个目标 ASIN 调 `product_reviews`
113	4. 把返回结果保存为 JSON，再调用脚本：
114
115	macOS / Linux:
116	```bash
117	python3 skills/zach-feature-demand-validator/scripts/parse_reviews.py \
118	--input <reviews.json> \
119	--asin <ASIN> \
120	--keywords "steam,steamer,steaming" \
121	--source-url "sorftime://product_reviews/<ASIN>" \
122	--output <数据源目录>/01_review_信号_原始数据.csv
123	```
124
125	Windows:
126	```powershell
127	py -3 skills/zach-feature-demand-validator/scripts/parse_reviews.py `
128	--input <reviews.json> `
129	--asin <ASIN> `
130	--keywords "steam,steamer,steaming" `
131	--source-url "sorftime://product_reviews/<ASIN>" `
132	--output <数据源目录>\01_review_信号_原始数据.csv
133	```
134
135	#### 1.2 无 Sorftime 时的 Review 采集
136
137	核心原则：按功能关键词定向选 ASIN，不随机抓。
138
139	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：
140	- 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？）
141	- 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"
142
143	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。
144
145	第一步：用功能关键词定向搜索 ASIN
146
147	1. 用 WebSearch 搜索 `amazon.com [品类] [功能关键词]`
148	- 例：验证"空气炸锅+蒸汽"→ 搜索 `amazon.com air fryer steam`
149	- 从结果中提取 2-3 个已带该功能的真实 ASIN（A 类）
150	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）
151	- 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"
152	3. ⛔ 严禁使用 `B0XXXXX` 等占位符，必须拿到真实可验证的 10 位 ASIN
153	4. 确认每个 ASIN 的产品名、是否带目标功能，记录到报告中
154
155	第二步：抓取 Review
156
157	对每个 ASIN：
158	- 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`
159	- 如果 Amazon 页面可访问，提取评论内容（标题、正文、星级、日期）
160	- 如果被反爬拦截，用 WebSearch 搜索 `site:amazon.com "<ASIN>" reviews` 获取评论摘要
161	- 还可搜索第三方评论聚合站（reviewmeta.com、fakespot.com）
162
163	第三步：数据量要求
164
165	- A 类（带功能）：每个 ASIN 至少 15-30 条 review
166	- B 类（不带功能）：每个 ASIN 至少 15-30 条 review
167	- 总量目标不低于 80 条
168	- 如果单个 ASIN 返回不足，增加同类 ASIN 补足
169	- 实际采集量和 A/B 分类写入报告
170
171	第四步：脚本解析
172
173	将采集到的 review 整理为标准 JSON，再调用 parse_reviews.py 脚本（同 1.1）
174
175	降级路径：用户提供 review_source_pack
176
177	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：
178
179	1. 要求用户提供 `review_source_pack/`
180	2. 检查 `source_manifest.json` 是否包含 ASIN、站点、导出时间、来源 URL、导出方式
181	3. 调脚本统一解析原始证据：
182
183	```bash
184	python3 skills/zach-feature-demand-validator/scripts/parse_review_source_pack.py \
185	--pack <review_source_pack> \
186	--keywords "steam,steamer,steaming" \
187	--output <数据源目录>/01_review_信号_原始数据.csv
188	```
189
190	支持的原始文件格式：CSV、TXT / Markdown、HTML
191
192	#### 1.3 Review 判定
193
194	判定标准见 `references/judgment_criteria.md`，核心仍是：
195
196	- 功能提

People who liked this also viewed

6 picks

Type