/keyword-research

name: "keyword-research"
description: "亚马逊关键词深度调研与智能分类分析。基于 Sorftime MCP 数据采集 2000+ 关键词，通过 LLM Agent 按 8 维度智能分类（否定词、品牌词、材质词、场景词、属性词、功能词、核心词、其他），生成 Markdown 报告、CSV 词库和 HTML 仪表板。触发方式：/keyword-research {ASIN} {SITE}"

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**:

# 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**:

# 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

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

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

# 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：

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_sum