keyword-research"

# 关键词调研分析 Skill ## 快速参考 | 步骤 | Sorftime API | 用途 | 数据量 | |------|--------------|------|--------| | 1 | `product_traffic_terms` | 产品流量关键词 | 50-200 | | 2 | `competitor_product_keywords` | 竞品布局关键词 | 100-500 | | 3 | `category_keywords` | 类目核心关键词 | 100-500 | | 4 | `keyword_related_words` | 长尾词扩展 | 1000-2000 | | 5 | **LLM Agent** | 8 维智能分类 | 全量 | **一键执行**: ```bash # 在 Claude Code 环境中运行（自动触发 LLM 分类） python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --claude-code-env ``` **其他选项**: ```bash # 跳过分类，仅采集数据（后续可手动LLM分类） python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --skip-classification # 禁用LLM分类，使用规则分类 python .claude/skills/keyword-research/scripts/workflow.py B07PWTJ4H1 US --disable-llm-classification ``` ## 触发条件 当用户使用以下方式请求时启动此分析流程： - **命令**: `/keyword-research {ASIN} {站点}` - **示例**: `/keyword-research B07PWTJ4H1 US` - **自然语言**: "分析这个产品的关键词词库"、"调研 B07PWTJ4H1 的关键词" --- ## 角色设定 你是一位拥有 10 年经验的"亚马逊 PPC 广告专家"和"关键词策略分析师"。你精通亚马逊 A9 算法和关键词布局策略，能够从海量关键词中识别出高价值词和需要排除的词。 --- ## 数据采集策略：方案 A（基于 ASIN 的深度分析） ``` 输入: ASIN + 站点 + (可选) 产品信息 ↓ ┌─────────────────────────────────────────────────────────────┐ │ Step 1: 基础数据采集 │ ├─────────────────────────────────────────────────────────────┤ │ 1. product_traffic_terms → 产品流量词 (50-200个) │ │ 2. competitor_product_keywords → 竞品布局词 (100-500个) │ │ 3. category_keywords → 类目核心词 (100-500个) │ └─────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────┐ │ Step 2: 长尾词扩展 │ ├─────────────────────────────────────────────────────────────┤ │ 从基础词中选择 Top 30 核心词 │ │ → 对每个调用 keyword_related_words (50-100个延伸词) │ │ → 预计获取 1000-2000 个长尾词 │ └─────────────────────────────────────────────────────────────┘ ↓ ┌─────────────────────────────────────────────────────────────┐ │ Step 3: 数据清洗 │ ├─────────────────────────────────────────────────────────────┤ │ 1. 去重（归一化：小写、去除特殊字符） │ │ 2. 过滤无效词（过短、非英文、乱码） │ │ 3. 合并搜索量/CPC 等指标 │ └─────────────────────────────────────────────────────────────┘ ↓ 最终词库: 2000+ 关键词 ``` --- ## 关键词分类：8 维智能分类模型 ### 分类维度 | 维度 | 标识 | 识别规则 | 应用策略 | |------|------|----------|----------| | **否定/敏感词** | NEGATIVE | 与产品不相关、描述不符的词 | 直接添加为否定关键词 | | **品牌词** | BRAND | 竞品品牌名称 | 竞品打法或否定 | | **材质词** | MATERIAL | 产品材质相关词 | 精准词组匹配 | | **场景词** | SCENARIO | 使用场景/位置词 | 按场景拆分广告组 | | **属性修饰词** | ATTRIBUTE | 产品属性/特性词 | 长尾精准匹配 | | **功能词** | FUNCTION | 产品功能相关词 | 广泛匹配扩流 | | **核心产品词** | CORE | 产品核心名称 | 大词投放占领坑位 | | **其他** | OTHER | 未分类、拼写错误、其他语言 | 补充埋词 | ### 分类识别示例（以 Coat Rack 为例） ``` 产品信息: Coat Rack Wall Mount, Wood, 5 Hooks, Entryway 否定词: freestanding, over door, floor, tree, shoe 品牌词: umbra, simplehuman, mDesign, household essentials 材质词: wood, wooden, metal, aluminum, bamboo 场景词: entryway, bathroom, mudroom, garage, bedroom 属性词: wall mount, heavy duty, rustic, vintage, expandable, 5 hook 功能词: hanging, storage, organizer, display 核心词: coat rack, hook, hanger, hat rack, towel rack 其他: coatrac (拼写错误), perchero (西语) ``` --- ## 执行流程 ### 阶段一：数据采集 #### Step 1.1: 获取产品流量词 ```bash 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_traffic_terms","arguments":{"amzSite":"US","asin":"ASIN"}}}' ``` **返回数据**: 关键词列表，包含搜索量、CPC 等指标 #### Step 1.2: 获取竞品布局词 ```bash 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":"competitor_product_keywords","arguments":{"amzSite":"US","asin":"ASIN"}}}' ``` **返回数据**: 竞品在各关键词下的排名位置 #### Step 1.3: 获取类目核心词 ```bash # 首先获取产品详情以获取 NodeID curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN"}}}' # 然后获取类目关键词 curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":4,"method":"tools/call","params":{"name":"category_keywords","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}' ``` #### Step 1.4: 长尾词扩展 从基础词中选择 Top 30 核心，对每个调用： ```bash curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"keyword_related_words","arguments":{"amzSite":"US","searchKeyword":"KEYWORD"}}}' ``` --- ### 阶段二：LLM 智能分类 #### 分类提示词模板 ``` 你是一位亚马逊关键词分类专家。请根据以下产品信息，将关键词列表按 8 个维度分类。 【产品信息】 产品名称: {product_name} 材质: {material} 核心属性: {features} 使用场景: {use_cases} 否定特征: {negative_features} 【分类维度】 1. NEGATIVE: 不相关的词，需直接否定 2. BRAND: 竞品品牌名称 3. MATERIAL: 材质相关词 (wood, metal, aluminum...) 4. SCENARIO: 使用场景词 (entryway, bathroom...) 5. ATTRIBUTE: 属性修饰词 (wall mount, heavy duty...) 6. FUNCTION: 功能词 (hanging, storage...) 7. CORE: 核心产品词 (coat rack, hook...) 8. OTHER: 其他（拼写错误、其他语言等） 【待分类关键词】 {keywords_json} 【输出格式】 请以 JSON 格式输出： { "NEGATIVE": ["word1", "word2", ...], "BRAND": [...], ... } ``` #### 批量处理策略 - **批次大小**: 每批 150 个关键词 - **并行处理**: 可并发多个批次 - **结果合并**: 统计各分类数量，汇总关键词 --- ### 阶段三：报告生成 #### 输出文件结构 ``` keyword-reports/ └── {ASIN}_{Site}_{YYYYMMDD}/ ├── report.md # Markdown 分析报告 ├── keywords.csv # 完整关键词词库（分类后） ├── negative_words.txt # 否定词清单 ├── brand_words.txt # 品牌词清单 ├── categorized_summary.json # 分类统计 └── dashboard.html # HTML 可视化仪表板 ``` #### keywords.csv 格式 ```csv keyword,category,search_volume,cpc,competition,application,relevance_score coat rack,CORE,54000,1.85,high,广泛匹配,1.00 wooden coat rack,MATERIAL,12000,1.25,medium,精准匹配,0.95 freestanding coat rack,NEGATIVE,4500,0.85,low,直接否定,0.00 ... ``` --- ## 产品信息支持（可选） 为提高分类准确性，支持用户提供产品信息： ### 输入方式 **方式 1**: 命令行参数 ```bash python workflow.py B07PWTJ4H1 US --product-info product.json ``` **方式 2**: 交互式收集 ```bash 请输入产品核心属性（用逗号分隔）: > Wall Mount, 5 Hooks, 16.5 inches, Heavy Duty ``` ### 产品信息 JSON 格式 ```json { "product_name": "Coat Rack Wall Mount", "material": "Wood", "features": ["Wall Mount", "5 Hooks", "16.5 inches", "Heavy Duty"], "use_cases": ["Entryway", "Bathroom", "Mudroom", "Garage"], "negative_features": ["Freestanding", "Over Door", "Floor"] } ``` --- ## Sorftime API 参考 ### 关键词相关接口 | 接口 | 调用消耗 | 参数 | 返回 | |------|----------|------|------| | `product_traffic_terms` | 1 | asin, site | 产品流量词 | | `competitor_product_keywords` | 1 | asin, site | 竞品布局词 | | `category_keywords` | 1 | nodeId, site | 类目核心词 | | `keyword_related_words` | 1 | searchKeyword, site | 延伸长尾词 | | `keyword_detail` | 1 | keyword, site | 关键词详情 | | `product_detail` | 1 | asin, site | 产品详情 | ### 调用格式 ```bash curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \ -H "Content-Type: application/json" \ -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"TOOL_NAME","arguments":{"amzSite":"US","KEY":"VALUE"}}}' ``` --- ## 支持的站点 **Amazon**: US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA --- ## 注意事项 1. **API Key 配置**: 自动从 `.mcp.json` 读取 2. **数据去重**: 归一化处理（小写、去除特殊字符） 3. **LLM 分类**: 批量处理，每批 150 个关键词 4. **输出编码**: UTF-8，支持中文和特殊字符 5. **报告命名**: `{ASIN}_{Site}_{YYYYMMDD}` 格式 --- ## 故障排查 ### 问题 1: API 返回 "未查询到对应产品" **原因**: ASIN 不存在于 Sorftime 数据库 **解决**: 1. 使用 `product_search` 验证 ASIN 2. 检查站点是否正确 ### 问题 2: 分类结果不准确 **原因**: 缺少产品信息上下文或使用了规则分类 **解决**: 1. 提供产品信息 JSON 文件 2. 在 Claude Code 环境中运行以使用 LLM 分类 3. 手动执行 LLM 分类后保存到 `categorized_result.json` ### 问题 3: 长尾词扩展数量不足 **原因**: 核心词选择不准确或 API 限流 **解决**: 1. 调整核心词选择策略，增加搜索量权重 2. 降低 `--long-tail-limit` 数量避免 API 限流 3. 使用 `--skip-long-tail` 跳过长尾扩展 ### 问题 4: 分类显示 "分类失败或未提供结果" 或 使用了规则分类 **原因**: 在命令行环境中运行，没有触发 LLM 分类 **解决**: 1. 使用 `--claude-code-env` 参数强制启用 LLM 分类模式： ```bash python workflow.py B07PWTJ4H1 US --claude-code-env ``` 2. 系统会输出分类提示词，复制提示词发送给 Claude 执行分类 3. 将分类结果保存为 `categorized_result.json` 4. 重新运行 workflow.py 会自动加载分类结果并重新生成报告 ### 问题 5: 如何手动进行 LLM 分类 **场景**: 采集了数据但分类不准确 **解决**: 1. 查看输出目录中的 `classification_prompt.txt` 2. 将提示词发送给 Claude 执行分类 3. 将分类结果保存为 `categorized_result.json` 4. 运行报告重新生成脚本 --- ## 参考文档 - [Sorftime API 文档](references/sorftime-keyword-api.md) - [分类规则说明](references/classification-rules.md) --- ## 手动 LLM 分类流程 如果规则分类结果不准确，可以手动执行 LLM 分类： ### 步骤 1: 查看分类提示词 ```bash cat keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/classification_prompt.txt ``` ### 步骤 2: 将提示词发送给 Claude 复制整个提示词内容，发送给 Claude 执行分类 ### 步骤 3: 保存分类结果 将 Claude 返回的 JSON 保存到： ```bash keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/categorized_result.json ``` ### 步骤 4: 重新生成报告 `regenerate_reports.py` 支持多种使用方式： #### 方式 1: 从报告目录内运行（自动检测） ```bash cd keyword-reports/{ASIN}_{Site}_{YYYYMMDD}/ python ../../.claude/skills/keyword-research/scripts/regenerate_reports.py ``` #### 方式 2: 指定 ASIN 和站点 ```bash python .claude/skills/keyword-research/scripts/regenerate_reports.py --asin B0FG6QG8C8 --site US ``` #### 方式 3: 指定完整输出目录 ```bash python .claude/skills/keyword-research/scripts/regenerate_reports.py --dir "keyword-reports\B0FG6QG8C8_US_20260314" ``` #### 方式 4: 列出所有可用的报告目录 ```bash python .claude/skills/keyword-research/scripts/regenerate_reports.py --list ``` --- ## 版本更新记录 ### v1.3 (2026-03-14) - ✅ **优化 regenerate_reports.py**: 移除硬编码 ASIN - ✅ **支持多种使用方式**: - 从报告目录内运行（自动检测） - 使用 `--asis` 和 `--site` 参数指定 - 使用 `--dir` 参数指定完整目录 - 使用 `--list` 列出所有可用报告 - ✅ **改进错误提示**: 更友好的错误信息和帮助文档 ### v1.2 (2026-03-14) - ✅ 修复 LLM 分类触发问题 - ✅ 添加 `--claude-code-env` 参数强制启用 LLM 分类 - ✅ 改进环境检测逻辑 - ✅ 在 Claude Code 环境中自动触发 LLM 分类 - ✅ 分类完成后自动使用 LLM 结果重新生成报告 ### v1.1 (2026-03-14) - ✅ 添加 Claude Code 环境检测 - ✅ 添加 `--skip-classification` 选项 - ✅ 改进规则分类：扩展 IP 品牌词识别 - ✅ 改进规则分类：添加主题属性词 - ✅ 更新故障排查文档 ### v1.0 (2026-03-13) - 初始版本 - 支持 Sorftime API 数据采集 - 支持 8 维智能分类 - 生成 Markdown/CSV/HTML 报告 --- *本技能版本: v1.3 | 最后更新: 2026-03-14*