摘要：类目调研接入飞书工作流
类目调研是一件很容易被低估的事情。
表面上看，它只是“查一下这个类目能不能做”。
但真正做起来，你会发现它不是一个动作，而是一串动作。
先找类目链接。
再看市场规模。
再看头部集中度。
再看品牌和卖家结构。
再看主力价格带。
再看评论门槛。
再看新品有没有机会。
再看 A+、视频这些内容竞争。
再拉头部竞品列表。
再拆关键词。
再判断类目里有哪些细分市场。
最后还要写成一份老板和团队都能看懂的报告。
如果认真做，一次类目调研很容易花掉几个小时。
更麻烦的是，调研结果经常散落在不同地方：
聊天记录里有一段结论。
Excel 里有几张表。
截图在某个文件夹里。
飞书文档是另一个版本。
运营 A 做过一次，运营 B 下次又重新做。
老板问“当时为什么没进这个类目”，大家只能翻聊天记录。
所以我做了一个 amazon-category-research Skill。
它的目标很简单：
只要给一个 Amazon BSR 类目链接，Agent 自动完成市场总览、集中度、卖家结构、价格评价门槛、新品机会、内容竞争、竞品列表、关键词、细分市场和综合结论，并把图文报告沉淀到飞书文档里。
这篇文章不只是介绍一个 Skill。
我更想讲的是：类目调研应该从“人手工做一次”，升级成“团队可以重复调用的工作流”。
一、类目调研最耗时间的，不是查数据，而是组织判断
很多卖家以为类目调研慢，是因为数据难查。
其实现在工具已经很多。
真正慢的是把数据组织成判断。
比如你看到一个类目月销售额不错，能不能说明它值得进入？
不一定。
如果 Top3 品牌拿走了 70% 以上销量，这可能是一个头部垄断市场。
如果平均评论数 2000+，新品信任成本会很高。
如果 Amazon 自营占比很高，你要考虑平台自营压力。
如果退货率异常，你要考虑售后和产品适配风险。
如果 6 个月新品几乎没有上榜，说明市场可能已经固化。
如果 A+ 和视频覆盖率很高，内容门槛就不是“锦上添花”，而是入场标配。
所以类目调研不是看单点指标。
它本质上是在回答 6 个问题：
这个市场够不够大？
需求还在不在增长？
竞争是不是已经被头部锁死？
新品有没有活路？
价格和评论门槛高不高？
我们能不能找到一个细分切入口？
这就是为什么类目调研很难靠一句提示词解决。
你不能只问 AI：
这个类目适不适合做？
如果没有真实数据，AI 只能给你商业常识。
常识可以启发思考，但不能替代决策。
一个真正可用的类目调研 Skill，必须先把数据管道接上，再把判断流程固定下来。
在这个 Skill 里，卖家精灵 MCP 就是数据管道。
Agent 不是凭感觉写报告，而是按流程调用 market_research、market_brand_concentration、market_price_distribution、product_research、traffic_keyword、asin_detail 等工具，把类目的关键数据拿回来，再进入分析。
二、这个 Skill 的核心：从一个 BSR 链接开始
这个 Skill 的入口故意设计得很简单：
给一个 Amazon BSR 类目链接。
比如：
https://www.amazon.com/gp/bestsellers/hpc/5006368011
Agent 会先解析链接里的 nodeId。
然后通过 product_node 获取完整的 nodeIdPath 和类目路径。
这一步很关键。
因为后面所有 market 系列工具，真正需要的不是页面 URL，而是类目节点路径。
拿到类目路径之后，Agent 才开始正式调研。
整个流程可以拆成 6 个阶段：
Step 0：解析 URL，确认类目路径。
Phase 1：调用约 16 个 market 工具，完成市场总览、集中度、卖家结构、价格评价、新品机会、内容竞争。
Phase 2：获取头部竞品和 BSR Top 100 产品详情，用于竞品列表和细分市场分类。
Phase 3：获取头部 ASIN 的流量词，筛选共同关键词和长尾词机会。
Phase 4：生成图表，把数据变成可读的视觉证据。
Phase 5：生成 Markdown 报告，并导入飞书文档。
Phase 6：基于全部数据做六维评分和最终建议。
这套流程大概会触发 130 次左右 MCP 调用。
所以它不是“秒回型问答”。
它更像一个自动化调研员，接到任务后花 10 到 15 分钟跑完整流程，最后交付一份可以复盘的报告。
三、十大模块：不是堆数据，而是让判断有顺序
这个 Skill 把类目调研拆成 10 个模块。
拆模块的目的，不是让报告看起来更长。
而是让判断顺序稳定。
第 1 个模块是类目总览。
它回答市场有没有基本体量。
看月销量、月销售额、商品数、平均售价、平均毛利率、平均评分、平均评论数、退货率、搜索购买比、新品表现。
这一节解决的是“这是不是一个值得继续研究的市场”。
第 2 个模块是集中度分析。
它看品牌、商品、卖家三层集中度。
品牌集中度高，说明头部品牌心智强。
商品集中度高，说明少数 ASIN 拿走大部分销量。
卖家集中度高，说明供给端可能被少数玩家控制。
这一节解决的是“这个市场是不是被锁死”。
第 3 个模块是卖家结构。
它看 Amazon 自营、FBA、FBM 占比，也看中国卖家、本土卖家和其他国家卖家的份额。
对跨境卖家来说，这一节很重要。
如果中国卖家已经占比很高，说明供应链和打法可能更卷。
如果本土卖家占比高，可能意味着品牌、合规、渠道或本地化壁垒更强。
如果 Amazon 自营很强，就要谨慎评估自营压力。
第 4 个模块是价格与评价门槛。
它看主力价格带、评分分布、评论数分布。
很多类目不是不能做，而是你进去之后很难站稳。
如果大部分销量集中在 500+ 评论产品里，新品就要准备更长的信任建设周期。
如果 0-50 评论区间仍然有可观销量，说明新品至少有生存空间。
如果主力价格带过低，利润空间可能被压缩。
如果高价带也有销量，可能存在升级款或差异化机会。
第 5 个模块是新品机会。
它看 3 个月新品、6 个月新品、新品销量贡献、上架趋势和潜力新品列表。
这一节不是看“有没有新品”，而是看新品有没有真实销量。
有新品但卖不动，说明市场没有给新品机会。
新品少但有几款冲出来，说明可能存在差异化切口。
新品平均评论少但销量不错，说明进入门槛可能没有想象中高。
第 6 个模块是内容竞争。
它看 A+ 和视频矩阵。
这部分经常被忽略，但它直接影响转化门槛。
如果“有 A+ 有视频”的产品拿走绝大多数销量，那内容已经不是加分项，而是入场门票。
第 7 个模块是竞品列表。
它把头部 Top 20 产品和增长最快的潜力新品拉出来。
这一步是后续选品、定价、视觉、卖点拆解的基础。
第 8 个模块是关键词分析。
它不是随便拿一个 ASIN 的词，而是对 Top 10 ASIN 的流量词做交集统计。
比如筛选“被 6 个以上 ASIN 共有”的关键词。
这样得到的才更接近类目核心流量入口，而不是某一个竞品的个别词。
第 9 个模块是细分市场。
这是我认为最关键的一块。
Skill 会拿 BSR Top 100 产品，逐个调用 asin_detail 获取标题、五点、图片等信息，再让 AI 根据用途场景、目标人群、材质设计、功能特性、尺寸规格等维度做分类。
最后它会把 100 个产品分成 4 到 8 个，或者更多可解释的细分市场。
每个细分都会统计：
产品数。
均价。
平均月销量。
平均月销售额。
平均评论数。
平均评分。
新品数量和新品占比。
Top3 集中度。
代表 ASIN。
进入友好度。
这一步的意义很大。
因为很多类目整体看起来很难，但里面的某个细分可能有机会。
也有一些类目整体看起来不错，但细分拆开后，你会发现真正有销量的部分已经被头部垄断。
第 10 个模块是综合结论。
它用六维评分把前面的数据收束起来：
市场规模。
增长潜力。
竞争强度。
进入门槛。
利润空间。
新品接受度。
最终输出不是“这个类目不错”，而是：
是否值得进入。
推荐哪个细分。
建议定价区间。
内容门槛是什么。
关键词应该怎么打。
风险信号有哪些。
下一步应该做什么。
四、样例报告说明：图表让团队更容易达成共识
为了避免暴露真实调研类目，我把这一节的样例做成了脱敏版。
下面用一个 dash camera 类目的演示案例来说明报告结构。
这里的图表数据是按照原 Skill 报告结构重新绘制的脱敏示例，主要用于展示“报告应该怎么读”，不代表今天的实时市场结论。
但它很适合说明这个 Skill 的输出方式。
比如报告里会有价格分布图。
这种图的价值不是“好看”。
它让运营、老板和产品同事一眼看到主力价格带在哪里。
如果销量主要集中在 20-30 美金区间，而你准备做一个 60 美金以上的产品，就不能只说“我们品质更好”。
你必须回答：
高价带有没有销量？
高价产品靠什么卖？
买家是否愿意为功能、材质、品牌或医疗级属性付费？
如果不愿意，我们是不是应该先从主力价格带切入？
再比如集中度雷达图。
品牌集中度、商品集中度、卖家集中度同时偏高时，这个类目就不是简单的“大市场”。
它可能是大市场，但也可能是头部玩家已经很强的市场。
这会直接影响进入策略：
是正面打头部？
还是找低评论细分？
是做价格带错位？
还是做功能差异化？
是否需要先找供应链突破点？
再比如细分市场气泡图。
这张图的价值在于，它把“类目”拆成了多个战场。
横轴是平均价格。
纵轴是平均月销量。
气泡大小是产品数量。
颜色代表新品占比。
一个细分如果销量高、评论门槛低、新品占比高、Top3 集中度不高，就可能是更友好的切入口。
而一个细分如果价格高但销量低、Top3 集中度极高、新品占比低，就算它看起来利润高，也未必适合新卖家进入。
还有 A+ 和视频矩阵。
如果数据告诉你，有 A+ 有视频的产品贡献了绝大多数销量，那你的结论就不该是“后面有空再做 A+”。
而是：
这个类目的内容门槛已经前置。没有 A+ 和视频，广告可能只是把流量送进一个转化不足的页面。
这就是图表的意义。
图表不是装饰。
图表是让团队减少争论，把注意力放回证据上。
五、飞书输出：调研报告不应该停在本地文件
很多自动化到最后都会卡在交付环节。
Agent 跑完了。
Markdown 生成了。
图表也有了。
但文件躺在本地目录里，团队看不到，也不会复盘。
所以这个 Skill 设计了飞书输出层。
它会先生成 Markdown 报告，再通过飞书 CLI 或飞书文档 API 客户端，把报告导入为飞书文档。
飞书这一层不是“顺手上传一下”。
它改变的是协作方式。
以前你要让运营做类目调研，可能是这样：
群里说一句：“你看一下这个类目。”
运营去查数据。
下午发一堆截图和几段结论。
老板追问几个指标。
运营再补数据。
过两周想复盘，已经找不到完整上下文。
接入飞书之后，流程可以变成：
运营在群里发指令。
Agent 解析类目链接。
自动跑完整调研。
生成飞书文档。
把飞书链接回传到群里。
团队在同一份文档里评论、补充和决策。
更进一步，你甚至可以把它接进一个固定工作流：
/category-research https://www.amazon.com/gp/bestsellers/xxx/123456
Agent 接到指令后自动完成所有工作。
最后回传：
Dash Camera 类目调研已完成。
综合评级：B
推荐细分：2K/4K 前后双录、三通道网约车款
飞书报告：https://feishu.cn/docx/xxxxxx
下一步建议：找 3 款代表样品，做主力价格带竞品 1v1 对比。
这样，类目调研就不是一次性的人工输出，而是一个团队可以反复调用的能力。
六、为什么我更建议用多维表格，而不是只靠群消息
如果只是偶尔跑一次类目调研，飞书群指令已经够用。
但如果你想让它真正进入团队日常，我更建议用多维表格承接。
原因很简单：
聊天记录适合发起。
多维表格适合管理。
飞书文档适合阅读和复盘。
三者职责不同。
多维表格里至少应该有这些字段：
类目链接。
站点。
提交人。
负责人。
调研目的。
状态。
Agent 执行时间。
飞书报告链接。
综合评级。
推荐细分。
风险标签。
下一步动作。
复盘结论。
这样做有几个好处。
第一，需求不会丢。
群消息很容易被刷掉，多维表格不会。
第二，状态可追踪。
待处理、执行中、已完成、需补数据、已复盘，每个类目处在哪一步，一眼能看到。
第三，结果可查询。
半年后你想看所有评级为 A 或 B 的类目，直接筛选。
想看哪些类目因为“评论门槛高”被放弃，也可以筛选。
想看某个运营做过哪些类目调研，也可以筛选。
第四，Agent 也能读。
这才是关键。
如果未来你让 Agent 定期复盘多维表格，它可以读取历史报告、比较不同类目的评分、汇总团队选品方向，甚至提醒某些类目需要重新调研。
这就是你说的“人 A 合一”。
不是人被 AI 替代。
而是人负责提出问题、定义标准、做最终判断；Agent 负责执行重复流程、整理数据、沉淀记录。
人和 Agent 共享同一张业务事实表。
这比“我在群里喊一声，AI 回一段话”高级得多。
七、这个 Skill 背后的方法论：把类目调研做成可复用资产
一个好的类目调研系统，不应该只追求“这次报告写得好”。
它应该追求四件事。
第一，输入标准化。
最好的输入不是一段模糊需求，而是结构化字段。
比如：
站点：US。
类目链接：BSR URL。
调研目的：新品立项 / 老品扩类 / 竞品监控 / 供应链验证。
预算等级：低 / 中 / 高。
团队能力：是否能做视频、是否有模具能力、是否有认证资源。
这些字段会影响最终建议。
同一个类目，对不同团队的结论可能不同。
第二，采集流程标准化。
每次都要看同一批模块。
不能今天看价格，明天看评论，后天凭感觉看新品。
只有流程稳定，类目之间才可比较。
第三，评分模型标准化。
这个 Skill 里有一个六维评分模型：
市场规模 15%。
增长潜力 20%。
竞争强度 20%。
进入门槛 15%。
利润空间 15%。
新品接受度 15%。
你不一定要完全照搬这个权重。
如果你的团队现金流强、供应链强，可以提高市场规模和利润空间权重。
如果你是轻资产团队，可以提高进入门槛和新品接受度权重。
如果你有强内容能力，可以把内容竞争从风险项变成机会项。
重点不是权重永远正确。
重点是要把判断标准显性化。
显性化之后，团队才知道为什么某个类目被推荐，为什么某个类目被放弃。
第四，结果沉淀标准化。
报告必须能被复盘。
一次调研结束后，应该留下：
原始类目链接。
数据生成时间。
核心图表。
综合评级。
推荐细分。
风险原因。
下一步动作。
最终业务结果。
比如 3 个月后，你可以回头看：
当时评为 A 的类目，后来真的赚钱吗？
当时因为评论门槛高放弃的类目，是否判断正确？
某些评分模型是否过于乐观？
哪些运营提交的类目质量更高？
哪些细分市场反复出现机会？
这才是调研资产。
八、给运营团队的落地 SOP
如果你想在团队里用这类 Skill，我建议按下面的方式落地。
第一步，先建立类目调研多维表格。
不要一上来就自动化。
先把字段设计好。
至少包括：类目链接、站点、提交人、调研目的、优先级、状态、报告链接、综合评级、推荐细分、风险标签、下一步动作、复盘结论。
第二步，明确触发方式。
可以是群指令，也可以是多维表格新增一行。
如果团队刚开始用，群指令更直观。
如果团队已经有比较多需求，建议从多维表格触发。
第三步，Agent 读取任务。
Agent 拿到类目链接后，先解析 nodeIdPath，再调用卖家精灵 MCP。
如果类目路径解析失败，状态改为“需补充信息”，并回传原因。
第四步，分阶段执行。
不要让 Agent 沉默 15 分钟。
每个阶段完成后回传简短进度：
已完成市场总览。
已完成集中度和卖家结构。
已完成 BSR Top 100 详情。
已完成关键词交集。
已生成图表。
已创建飞书文档。
这样团队知道任务还活着，也方便排错。
第五步，报告写回飞书。
报告不要只存在本地。
飞书文档适合承接图文报告，飞书多维表格适合承接状态和结果。
第六步，运营做二次判断。
Agent 给出的是数据结论，不是最终拍板。
运营需要结合供应链、资金、开发周期、认证、物流、售后、团队内容能力做最终判断。
第七步，把结论转成下一步动作。
如果推荐进入，不是立刻开模或备货。
下一步可能是：
找 3 个代表 ASIN 做 1v1 深度竞品对比。
找供应商验证成本和材料。
拆头部主图和 A+。
验证关键词广告成本。
找样品做真实体验。
估算首批备货和现金流。
如果不推荐进入，也要记录原因。
这样下次团队看到类似类目，就不用重复踩坑。
九、可以直接复制的使用指令
如果只是单次调研，可以这样让 Agent 执行：
请使用 amazon-category-research 做一次亚马逊类目调研。
站点：US
类目链接：https://www.amazon.com/gp/bestsellers/xxx/123456
请按 Skill 流程完成市场总览、集中度、卖家结构、价格评价门槛、新品机会、内容竞争、竞品列表、关键词、细分市场和综合结论。
最后生成图表、Markdown 报告，并创建飞书文档，把链接回传给我。
如果你已经接入飞书工作流，可以让群指令更短：
/category-research US https://www.amazon.com/gp/bestsellers/xxx/123456
如果你用多维表格承接，可以让 Agent 定期扫描：
请扫描“类目调研需求表”中状态为“待处理”的记录。
对每条记录执行 amazon-category-research。
完成后把飞书报告链接、综合评级、推荐细分、风险标签、下一步动作写回表格。
如果执行失败，把状态改为“需补数据”，并写明失败原因。
如果你要做复盘，可以这样问：
请汇总过去 30 天所有已完成的类目调研。
按综合评级、推荐细分、风险标签、提交人、下一步动作做透视分析。
找出最值得继续推进的 5 个类目，以及最常见的放弃原因。
这里的关键不是 prompt 写得漂亮。
关键是你的团队有一个固定入口、固定字段、固定输出和固定复盘方式。
十、不要误读：它不是自动选品机器
这个 Skill 很适合做类目初筛和深度调研，但不要把它误读成“自动选品机器”。
它有几个边界。
第一，它依赖卖家精灵 MCP 数据。
如果 MCP 调用失败、数据缺失、类目节点不准确，报告质量会受影响。
所以 Skill 里必须有错误处理和进度回传。
第二，它基于类目层数据，不等于产品级验证。
类目值得研究，不代表你的具体产品一定能做。
类目调研之后，仍然要做具体竞品 1v1 对比、供应链验证、成本核算、合规确认和样品体验。
第三，细分市场分类是 AI 基于标题、五点和图片做的业务分类。
它很有价值，但不是官方类目结构。
分类结果要由运营复核。
第四，六维评分是决策辅助，不是绝对真理。
不同团队能力不同，评分权重应该可以调整。
比如有视频和内容团队的卖家，可以把内容竞争看成机会。
没有供应链优势的团队，就要更看重进入门槛和评论壁垒。
现金流紧张的团队，不能只看市场大，还要看试错成本。
第五，飞书文档创建需要凭证和权限。
无论是通过 feishu-cli 还是飞书开放平台 API，都要确保应用权限、文档目录、图片上传和网络环境配置正确。
如果飞书输出失败，至少要保留本地 Markdown 和图表，不能让整次调研结果丢掉。
自动化不是为了让人不判断。
自动化是为了让人把时间花在更重要的判断上。
十一、真正的终局：让组织拥有“调研记忆”
我做这个 Skill 的时候，最看重的不是它能不能一次性生成一份漂亮报告。
我更看重它能不能让团队拥有调研记忆。
一个成熟的跨境团队，不应该每次都从零开始判断市场。
它应该知道：
我们过去看过哪些类目。
哪些类目被放弃，为什么放弃。
哪些类目被推进，后面表现如何。
哪些评分模型过于乐观。
哪些运营的类目判断更准确。
哪些供应链方向反复出现机会。
哪些风险信号后来真的变成了问题。
这些东西如果只在人的脑子里，就会随着人员流动消失。
如果只在聊天记录里，就会随着消息刷新沉没。
如果沉淀在飞书文档和多维表格里，Agent 以后也能读，人也能读，团队就有了复盘基础。
这就是我理解的“人 A 合一”。
不是把人变成机器，也不是把 Agent 当神。
而是让人、Agent、数据和业务流程共享同一套上下文。
人负责提出更好的问题。
Agent 负责把重复工作跑完整。
数据负责约束结论。
飞书负责沉淀协作过程。
团队负责复盘和修正判断模型。
最后，类目调研就不再是一个运营临时接到的任务。
它会变成团队的基础设施。
给一个类目链接，得到一份报告，这只是第一步。
更重要的是：
让每一次调研都进入组织记忆，让每一次判断都能被复盘，让下一个决策比上一个更准。
资料来源与说明
本文关于 amazon-category-research 的流程、模块、评分模型、图表和飞书输出方式，来自用户提供的本地 Skill 压缩包：C:/Users/peter/.cursor/skills/amazon-category-research.zip。
文中 dash camera 图表为基于本地 Skill 样例结构重新制作的脱敏演示图，仅用于说明输出结构，不代表当前实时市场结论。
飞书文档创建和块写入能力应以飞书开放平台官方文档为准：
创建文档 — 飞书开放平台
创建块 — 飞书开放平台
文中关于类目进入建议、细分市场判断和工作流设计，属于基于本地 Skill 结构的业务方法论总结，实际落地时需要结合团队供应链、资金、合规、内容能力和广告预算做人工复核。