Skill 系列 01：用 Amazon 产品分析 Skill，让 Agent 自动完成选品调研报告

一个好的 Skill，不是多写几句提示词。

它更像是把一套成熟的业务判断流程，交给 AI 稳定执行。

今天开始，我们会不定期分享一些自己正在用、觉得比较有价值的 Skill。

第一篇，先讲一个和跨境卖家关系很近的：

Amazon 产品深度分析 Skill。

这个 Skill 解决的问题很具体：

当你从卖家精灵黑盒、选品工具或者团队资料里拿到一批候选产品时，怎么让 AI 不靠感觉，而是基于真实数据，自动完成一份产品调研报告。

过去这件事通常需要运营手动做很多步骤。

先看产品价格、销量、BSR、Review。

再看类目竞争、品牌集中度、卖家分布、中国卖家占比。

还要看关键词搜索量、PPC 竞价、供需比、Google 趋势。

最后再把这些信息整理成一份报告。

如果认真做，一个产品就可能花掉几十分钟。

如果一次要看 10 个、20 个产品，基本就是半天甚至一天的工作。

而这个 Skill 的价值，就是把这套流程标准化：

从候选产品清洗，到数据采集，到三维评分，再到最终报告输出，都交给 Agent 按固定步骤执行。

先说结论：这个 Skill 不是让 AI 猜产品能不能做

很多人用 AI 做选品分析，容易犯一个错误：

直接把产品名丢给 AI，然后问：

这个产品适不适合做亚马逊？

这种问法看起来很方便，但结果通常不可靠。

因为 AI 如果没有真实销量、类目、关键词、竞品和趋势数据，就只能根据常识回答。

常识可以提供思路，但不能替代选品判断。

这个 Skill 的思路不一样。

它不是让 AI 凭感觉判断产品。

它是先规定一套分析流程，再让 AI 去调用数据源，把关键指标查回来，最后按统一标准打分。

简单说，它做的是三件事：

第一，先把不适合分析的产品筛掉。

第二，对保留下来的产品做单品、类目、关键词三层数据验证。

第三，输出市场趋势、竞争难度、利润潜力三项评分，以及最终推荐等级。

这才是 Agent 真正适合做的事。

不是聊天，而是执行流程。

拆开看：这个 Skill 目录里到底有什么？

为了避免这篇文章只讲概念，我们把这个 Skill 的结构拆开看。

一个能稳定工作的 Skill，通常不是只有一段提示词。

我们这个 amazon-product-analysis 里，核心由四块组成：

amazon-product-analysis/
  SKILL.md
  scripts/
    read_excel.py
  mcp-tools-reference.md
  report-template.md

这四个文件分别解决不同问题。

SKILL.md 是主流程说明书。

它告诉 Agent：什么时候应该使用这个 Skill，需要什么前置条件，先做什么，后做什么，遇到异常怎么处理，最后应该输出什么。

scripts/read_excel.py 是数据入口脚本。

它负责读取卖家精灵导出的 Excel，把产品列表变成结构化数据，并先做一轮自动排除。

mcp-tools-reference.md 是工具字典。

它记录卖家精灵 MCP 里每个工具的用途、参数和调用方式。这样 Agent 不需要每次重新猜 traffic_keyword 或 keyword_research 应该怎么传参。

report-template.md 是交付标准。

它规定最后报告长什么样，哪些指标必须出现，评分表怎么写，汇总对比表怎么输出。

你可以把这四块理解成：

流程说明书 + 数据清洗脚本 + 工具调用手册 + 报告模板。

这就是一个实用 Skill 和普通提示词最大的区别。

普通提示词通常只告诉 AI：

请你帮我分析一个产品。

而 Skill 会告诉 Agent：

先读文件，按规则过滤，再调用哪些工具，按什么顺序采集数据，用什么公式评分，最后按什么格式交付。

SKILL.md 里最关键的是三段流程

这个 Skill 的 SKILL.md 不是一大段泛泛而谈的描述。

它把 Amazon 产品分析拆成了三个 Phase。

Phase 1，是读取和筛选产品。

Agent 会先运行 Excel 读取脚本，拿到全部产品，再按类目和标题规则排除不适合做的产品。

这一步结束后，会得到两张表：

一张是“排除产品表”。

一张是“保留产品表”。

Phase 2，是逐产品深度数据采集。

这一阶段会对每个 ASIN 调用单品工具，对每个去重类目调用市场工具，再对核心关键词调用关键词工具。

这里有一个非常实用的设计：

同一个类目的市场数据，只查一次。

比如 5 个产品都属于同一个类目，就不需要重复调用 5 遍类目市场分析工具。

这能减少重复查询，也能让多个产品在同一套类目数据下对比。

Phase 3，是分析和输出报告。

Agent 会基于已经采集到的数据，从市场趋势、竞争难度、利润潜力三个维度评分，然后输出单品报告、汇总排名和 Excel。

这三个 Phase 其实就是把一个运营的选品思路写成了机器能执行的 SOP。

读取 Excel 的脚本，具体做了什么？

这里再看细一点。

read_excel.py 不是简单把 Excel 打开。

它会把卖家精灵导出的字段整理成结构化 JSON。

保留下来的字段包括：

• ASIN
• Title
• Category
• Subcategory
• Price
• ASIN Sales
• ASIN Revenue
• BSR
• Reviews Rating
• Review Count
• Brand
• Seller
• Seller Country/Region
• Fulfillment

这些字段刚好覆盖产品初筛最常用的信息。

比如价格、销量、销售额，帮助判断商业体量。

BSR、评分、Review 数，帮助判断竞争成熟度。

品牌、卖家和卖家国家，帮助判断市场玩家结构。

配送方式，帮助判断是否主要依赖 FBA。

脚本里还有一组排除规则。

它不是只看类目，还会同时看 Category、Subcategory 和 Title。

比如标题里出现 powder，可能会被标记为粉状产品。

标题里出现 liquid、spray、oil、lotion、shampoo，可能会被标记为液体类。

类目里出现 Grocery、Books、Clothing、Beauty、Health、Video Games 等，会被归入对应排除原因。

如果是 Pet Supplies 类目，还会进一步判断是否包含 supplement、vitamin、chew、medicine、powder、health 这类词，避免把宠物保健品混进来。

这个细节很重要。

因为真实选品表里的数据并不总是干净的。

同一个不适合的产品，可能不是类目暴露问题，而是标题或子类目暴露问题。

所以脚本需要多字段交叉判断。

第一步：先从卖家精灵 Excel 里清洗候选产品

这个 Skill 的入口，通常是一份卖家精灵黑盒或选品导出的 Excel 文件。

Excel 里会有一批候选产品，比如 ASIN、标题、类目、子类目、价格、销量、销售额、BSR、评分、Review 数、品牌、卖家、卖家国家和配送方式。

如果人工来看，第一步通常不是马上分析，而是先排除明显不适合当前团队做的产品。

这个 Skill 也一样。

它会先读取 Excel，然后自动排除一些类目。

比如：

• 液体类产品
• 食品和零食
• 书籍和影音媒体
• 衣服鞋帽
• 美妆和个人护理
• 保健品和药品
• 游戏类产品
• 宠物保健品
• 粉状产品

为什么要先排除？

因为这些类目往往有额外门槛。

有的涉及合规，有的涉及运输，有的涉及资质，有的退货和售后复杂，有的不是当前团队擅长的供应链。

如果不先过滤，Agent 后面会浪费大量时间分析你根本不会做的产品。

所以这个 Skill 的第一层价值，是把选品候选池先清洗干净。

它会输出两张清单：

一张是排除的产品，说明 ASIN、产品名和排除原因。

一张是保留的产品，列出 ASIN、产品名、售价、月销、类目和美国特色程度。

这里有一个细节很重要。

Skill 还会把产品按“美国特色程度”做初步标注：

极度美国化，比如泳池、钓鱼、院子、橄榄球这类中国家庭很少涉及的产品。

偏美国化，比如 DIY 工具、智能家居、车库用品。

中性，比如两国都有需求的通用产品。

这个判断不直接决定能不能做，但能提醒运营：

这个产品是不是需要更强的本地生活理解。

第二步：做单品画像，不只看销量

保留产品之后，Skill 会进入单品深度分析。

这一层主要回答：

这个 ASIN 本身表现怎么样？

它会调用卖家精灵 MCP 里的多个工具。

比如 asin_detail，用来查产品完整详情，包括价格、评分、Review、BSR、FBA 费用、Listing 质量、变体信息。

比如 asin_prediction，用来看近 14 个月销量、销售额和 BSR 趋势。

比如 keepa_info，用来看历史价格、BSR、评论数、卖家数、FBA 费用、尺寸重量等变化。

比如 traffic_source，用来看这个产品的流量来源结构。

比如 traffic_keyword，用来看这个产品主要靠哪些关键词拿流量。

这一步的重点，不是只看“月销高不高”。

月销高只能说明它现在卖得动。

真正要判断的是：

它是稳定卖，还是最近突然冲起来？

它是自然流量强，还是严重依赖广告？

它的 Review 增长是否健康？

它的价格有没有长期下滑？

它的 BSR 是否波动很大？

它的核心关键词是不是已经被头部产品垄断？

这些问题，单靠一个销量数字是看不出来的。

所以这个 Skill 会先把单品画像做完整，再进入类目判断。

第三步：看类目市场，不被单个爆品误导

很多选品判断会被单个爆品误导。

看到一个 ASIN 月销很高，就觉得这个市场很好。

但实际上，可能整个类目销量都被头部品牌吃掉了。

也可能这个产品只是靠广告硬推。

也可能新品根本没有机会，只是老品在长期收割。

所以这个 Skill 不会只停留在单品层面。

它会从 asin_detail 里拿到产品的类目节点路径，然后对这个类目做市场全景分析。

这里会用到一组卖家精灵 MCP 的 market 工具。

比如：

• product_node：看类目层级和市场规模
• market_research_statistics：看类目均价、毛利率、新品占比等综合数据
• market_product_concentration：看 TOP 商品销量集中度
• market_brand_concentration：看头部品牌集中度
• market_seller_concentration：看卖家集中度
• market_price_distribution：看价格区间和销量分布
• market_rating_distribution：看评分分布
• market_ratings_count_distribution：看 Review 门槛
• market_listing_date_distribution：看新品进入机会
• market_product_demand_trend：看页面浏览量、退货率、搜索购买比
• market_seller_country_distribution：看中国卖家占比
• market_ebc_distribution：看 A+ 页面和视频覆盖率

这些数据合在一起，回答的是另一个问题：

这个类目是不是还有进入机会？

比如商品集中度很高，说明销量被少数头部 ASIN 吃掉。

品牌集中度很高，说明品牌壁垒更强。

Review 门槛很高，说明新品冷启动更难。

中国卖家占比很高，说明价格战风险可能更大。

A+ 和视频覆盖率很高，说明内容竞争已经比较充分。

新品销量占比高，说明市场对新品还有接受度。

价格区间分布可以告诉你：买家最愿意在哪个价格带下单。

这一步很重要。

因为一个产品能不能做，不是只看这个产品本身，而是要看它所在的市场结构。

第四步：用关键词验证真实需求

单品和类目看完之后，Skill 还会继续看关键词。

它会从 traffic_keyword 里拿到这个产品的 TOP 流量词，再对核心关键词做进一步验证。

这里主要用两个工具：

keyword_research 和 google_trend。

keyword_research 主要看亚马逊内部需求。

比如：

• 月搜索量
• 购买量
• 购买率
• 商品数
• 供需比
• PPC 竞价
• 点击集中度

google_trend 主要看外部搜索趋势。

它可以帮助判断这个词是长期需求，还是短期热点。

这一步解决的是：

这个产品背后的需求是不是稳定存在。

比如一个关键词搜索量很高，但点击集中度也很高，说明流量可能集中在几个头部产品上。

一个关键词购买量高，但 PPC 竞价也很高，说明进入后广告成本可能不低。

一个关键词最近突然上升，但 Google Trend 没有长期趋势，可能只是短期热点。

所以关键词验证不是为了找几个词写进 Listing。

它是为了判断需求质量。

这个 Skill 最后怎么评分？

数据采集完成后，Skill 会按三个维度给产品打分。

第一个维度是市场趋势。

它会看销量趋势、BSR 走势、类目需求、新品接受度和 Google Trend。

如果销量持续增长、外部趋势向上、新品也能拿到销量，市场趋势得分就会更高。

第二个维度是竞争难度。

它会看商品集中度、品牌集中度、卖家集中度、Review 门槛、中国卖家占比、广告依赖度和内容覆盖率。

这里要注意，竞争难度是越低越好。

蓝海市场可能是 1-2 分。

红海市场可能是 9-10 分。

第三个维度是利润潜力。

它会看类目毛利率、价格区间、FBA 费用、PPC 成本、价格战风险和建议定价空间。

最后会用一个综合公式：

综合分 = 市场趋势 × 0.3 + (10 - 竞争难度) × 0.4 + 利润潜力 × 0.3

为什么竞争难度要用 10 - 竞争难度？

因为竞争越低，机会越大。

最后，产品会被分成几类：

强烈推荐。

值得考虑。

谨慎评估。

不推荐。

这套评分不一定永远完美，但它比“我感觉这个产品不错”更稳定。

因为每个产品都按同一套标准分析。

MCP 工具为什么要单独写成参考文档？

这里还有一个容易被忽略的点。

为什么不把所有工具说明都写进 SKILL.md？

因为如果工具太多，主流程会变得很长，Agent 反而不容易抓住重点。

所以这个 Skill 把卖家精灵 MCP 工具单独整理成了 mcp-tools-reference.md。

里面会明确写清楚：

asin_detail 查什么。

traffic_source 的参数怎么填。

traffic_keyword 哪些数组参数是必填。

market_* 工具通用需要 marketplace 和 nodeIdPath。

keyword_research 可以按搜索量、购买量、增长率、点击集中度等字段排序。

competitor_lookup 最多可以一次查 40 个 ASIN。

这些信息看起来像技术细节，但对 Agent 很关键。

因为 Agent 真正执行任务时，不只是“知道要查关键词”，还要知道：

用哪个工具查。

参数叫什么。

哪些字段必填。

结果应该服务于哪一段分析。

这也是我们做 Skill 时的一个经验：

主流程写在 SKILL.md，工具细节拆到 reference 文档，交付格式拆到 template 文档。

这样结构更清楚，后续也更好维护。

最后输出的报告长什么样？

这个 Skill 最终会输出一份结构化产品分析报告。

单个产品会包含这些内容：

• ASIN、售价、月销、月销售额
• 类目、BSR、评分、Review 数
• 品牌、卖家、卖家国家、配送方式
• 市场趋势分析
• 竞争情况分析
• 利润率分析
• 三维评分
• 综合分和推荐等级
• 最终建议和主要风险

所有产品分析完之后，还会输出一个汇总对比表。

比如：

产品 A：市场趋势 8/10，竞争难度 4/10，利润潜力 7/10，综合分 7.2，值得考虑
产品 B：市场趋势 6/10，竞争难度 8/10，利润潜力 5/10，综合分 4.6，谨慎评估
产品 C：市场趋势 9/10，竞争难度 3/10，利润潜力 8/10，综合分 8.1，强烈推荐

最后还可以导出 Excel。

Excel 里可以分成几个 Sheet：

• 综合评分
• 单品数据
• 类目市场
• 关键词数据
• 竞争分析

这样运营不只是拿到一段文字，而是拿到一份可以继续复盘、筛选、讨论的资料。

怎么结合 Hermes Agent 驱动这个 Skill？

这个 Skill 真正有价值的地方，不只是手动运行。

更大的价值，是接到 Hermes Agent 里。

我们自己的 Hermes Agent 搭建好之后，可以通过飞书消息调用。

比如你在飞书群里对 Agent 说：

帮我分析调研一下这个产品。

或者：

帮我分析这份卖家精灵黑盒导出的产品表，筛出最值得继续看的 5 个产品，并给我一份详细报告。

Agent 收到消息后，不是简单回复几句建议。

它会按预设流程工作：

第一步，识别任务类型。

它知道这是一个 Amazon 产品调研任务，需要调用 amazon-product-analysis 这个 Skill。

第二步，读取输入资料。

如果你发的是 Excel，它会读取产品列表。

如果你发的是 ASIN，它会围绕 ASIN 直接进入单品分析。

第三步，执行候选池清洗。

它会先排除不适合团队做的类目，再保留候选产品。

原始 Skill 里，这一步会让用户确认后再进入深度分析。

接入 Hermes 后，可以根据团队习惯设置成两种模式：

一种是自动模式。

比如默认分析保留清单里综合条件最好的前 5 个产品，全程不需要人工确认。

另一种是半自动模式。

Agent 先把筛选清单发到飞书群，运营回复“继续”，它再进入深度分析。

如果你的目标是全程无人值守，就可以采用自动模式。

第四步，调用卖家精灵 MCP。

Agent 会自动查询单品数据、类目数据、关键词数据和趋势数据。

它不需要人工一项一项打开网页，也不需要人工复制粘贴数据。

第五步，生成报告。

Agent 会把市场趋势、竞争难度、利润潜力、风险点、建议进入策略整理成一份报告。

第六步，回传飞书群。

最后，Agent 把完整报告发回群里。

如果有 Excel 文件，也可以作为附件返回。

这就是我们想要的工作方式：

人只负责提出任务和做最后决策，Agent 负责跑流程、查数据、整理报告。

这个流程适合哪些场景？

第一个场景，是选品初筛。

你从卖家精灵黑盒导出一批产品，让 Agent 先排除不适合的，再找出最值得深挖的候选产品。

第二个场景，是竞品调研。

你看到一个竞品 ASIN，想知道它所在市场是不是还有机会，就让 Agent 跑一份完整分析。

第三个场景，是新品立项前评估。

团队准备进入某个方向前，先让 Agent 从市场、竞争和利润三个维度给出判断。

第四个场景，是周度选品复盘。

每周把新收集的候选产品交给 Hermes，让它自动生成一份候选池报告。

第五个场景，是老板或运营在群里临时提问。

看到一个产品，直接在飞书群里让 Agent 调研，不需要再安排人手去查。

怎么做一个类似的 Skill？

如果你也想做一个类似的 Skill，不一定要手写所有文件。

可以用 Codex 或 Claude Code 帮你生成第一版。

关键不是让它“随便写一个 Skill”，而是把业务流程讲清楚。

你可以直接复制下面这段提示词，按自己的业务场景修改。

请帮我创建一个 Codex / Claude Code 可用的 Skill，名称叫 amazon-product-analysis。

这个 Skill 的目标：
帮助跨境电商团队分析 Amazon 候选产品。输入可以是一份卖家精灵黑盒导出的 Excel 文件，也可以是一组 ASIN。输出一份有数据支撑的产品调研报告。

请你按下面结构生成文件：

amazon-product-analysis/
  SKILL.md
  scripts/
    read_excel.py
  mcp-tools-reference.md
  report-template.md

SKILL.md 要包含：
1. 什么时候触发这个 Skill：当用户说产品分析、选品调研、竞品分析、利润分析、Amazon 产品评估时触发。
2. 前置条件：用户提供 Excel 或 ASIN；已启用卖家精灵 MCP；Python 可以运行 openpyxl。
3. 工作流程分成 3 个 Phase：
   - Phase 1：读取 Excel，清洗候选产品，排除不适合当前团队做的类目。
   - Phase 2：调用卖家精灵 MCP 采集单品、类目、关键词三层数据。
   - Phase 3：按市场趋势、竞争难度、利润潜力三维评分，并输出报告。
4. 执行节奏：每分析完一个产品就输出进度，全部完成后输出汇总对比表。
5. 异常处理：某个 API 调用失败时记录错误，继续分析下一项，不中断整体任务。

read_excel.py 要实现：
1. 读取 Excel 第一张表。
2. 输出 JSON。
3. 保留字段：ASIN、Title、Category、Subcategory、Price、ASIN Sales、ASIN Revenue、BSR、Reviews Rating、Review Count、Brand、Seller、Seller Country/Region、Fulfillment。
4. 自动排除食品、液体、粉状产品、服装、美妆、保健品、药品、游戏、书籍、影音媒体、宠物保健品等类目。
5. 输出 kept 和 excluded 两组结果，并说明排除原因。

mcp-tools-reference.md 要包含：
1. asin_detail、asin_prediction、keepa_info 的用途和参数。
2. traffic_source、traffic_keyword 的用途和参数。
3. market_research_statistics、market_product_concentration、market_brand_concentration、market_seller_concentration、market_price_distribution、market_ratings_count_distribution、market_seller_country_distribution、market_ebc_distribution 等类目分析工具的用途。
4. keyword_research、google_trend 的用途。
5. 每个工具返回的数据应该服务于哪个分析维度。

report-template.md 要包含：
1. 单品基础信息：ASIN、价格、月销、销售额、BSR、评分、Review、品牌、卖家、配送方式。
2. 市场趋势分析：销量趋势、BSR 趋势、类目需求、新品接受度、Google Trends。
3. 竞争情况分析：商品集中度、品牌集中度、卖家集中度、Review 门槛、中国卖家占比、广告依赖度、A+ 和视频覆盖率。
4. 利润潜力分析：类目毛利率、FBA 费用、PPC 成本、价格区间、价格战风险、建议定价。
5. 综合评分公式：
   综合分 = 市场趋势 × 0.3 + (10 - 竞争难度) × 0.4 + 利润潜力 × 0.3
6. 推荐等级：强烈推荐、值得考虑、谨慎评估、不推荐。
7. 最后输出所有产品的汇总对比表和推荐排名。

请注意：
- 这个 Skill 面向跨境电商运营，不要写成程序员看不懂的技术文档。
- SKILL.md 要让 Agent 能照着执行，而不是只描述理念。
- 工具参数要尽量明确，避免 Agent 调用 MCP 时猜参数。
- 报告模板要适合直接发到飞书群或导出给团队讨论。

这段提示词可以用在 Codex，也可以用在 Claude Code。

如果你已经有自己的选品 SOP，可以把排除类目、评分权重、报告模板都换成自己的。

比如你的团队只做轻小件，就把大件、液体、带电、侵权风险高的产品加入排除规则。

如果你更看重利润，就把利润潜力权重调高。

如果你更看重新品机会，就增加新品销量占比、低 Review 商品销量占比、上架时间分布这些指标。

这就是 Skill 最有价值的地方：

它不是一次性的提示词，而是可以不断迭代的团队 SOP。

这个 Skill 对跨境团队的真正意义

我觉得这个 Skill 的重点，不是它调用了多少工具。

重点是它把“产品分析”这件事，从个人经验变成了标准流程。

以前，不同运营分析同一个产品，可能看的指标不同，结论也不一样。

有人更看销量。

有人更看利润。

有人更看关键词。

有人更看竞争。

这些判断都没错，但如果没有统一流程，团队很难复盘。

这个 Skill 做的事情，就是把判断标准写下来。

以后每个产品都按同一套逻辑分析：

先清洗。

再看单品。

再看类目。

再看关键词。

最后打分和排名。

这样团队就可以逐步沉淀自己的选品方法。

更重要的是，当这个流程接入 Hermes Agent 后，它就不再依赖某个人有没有时间。

你只要在飞书群里发一句话，Agent 就可以开始工作。

这才是 Skill + Agent 的真正价值：

不是让 AI 回答一个问题，而是让 AI 接手一段可重复的业务流程。

最后说一句

很多人现在还在把 AI 当聊天工具。

问一句，答一句。

但对跨境卖家来说，更值得关注的是下一步：

把自己的业务流程，沉淀成 Skill。

再用 Agent 去驱动 Skill。

再把 Agent 接到飞书、表格、MCP、数据工具和内部系统里。

这样 AI 才会真正进入日常运营。

Amazon 产品分析 Skill 只是一个例子。

它展示的是一种思路：

凡是你每周都要重复做、每次都要查多个数据源、最后还要写报告的工作，都值得被做成 Skill。

选品分析可以这样做。

广告复盘也可以这样做。

Listing 质检也可以这样做。

竞品监控也可以这样做。

未来跨境团队的效率差距，可能不只是“谁更会用 AI”。

而是：

谁更早把自己的业务流程，变成 Agent 可以稳定执行的 Skill。