/zach-feature-demand-validator

name: zach-feature-demand-validator
description: |
  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
benefits-from: [zach-product-research]
user-invocable: true
allowed-tools: [Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch, mcp__sorftime__product_reviews, mcp__sorftime__keyword_detail, mcp__sorftime__keyword_extends]
risk-level: low

前置建议

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。

开始执行前，建议先阅读本 Skill 自带的参考材料：

• `references/judgment_criteria.md` — 三维需求判断标准
• `references/report_template.md` — 报告结构
• `references/csv_schema.md` — 交付 CSV 结构
• `references/review_fallback_pack.md` — 无 Sorftime 时的评论证据包格式

定位

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：

• 加一个小功能
• 补一个小结构
• 优化一个小体验

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。

这个 Skill 的定位，不是帮你发明新物种，而是判断：

**这个微创新，到底是不是用户真的在意。**

它通过三个独立维度交叉验证，避免“感觉有需求就开模”。

| 维度 | 首选数据源 | 无 Sorftime 时的替代方案 | |------|-----------|----------------------| | Review 信号 | Sorftime `product_reviews` | WebSearch + WebFetch 主动抓取 Amazon Review 页面，或用户提供 `review_source_pack` | | 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 | | 社区信号 | WebSearch（Reddit + Quora） | 继续可执行（不依赖 Sorftime） |

上游 / 下游

• **上游**：`zach-product-research`、`zach-competitor-deep-dive`
• **下游**：`zach-new-product-listing-writer`

---

执行优先级

路线 A：Sorftime 完整版

适用条件：当前环境可调用 Sorftime MCP。

1. Review 维度走 Sorftime `product_reviews` 2. 关键词维度走 Sorftime 关键词工具 3. 社区维度走 WebSearch

路线 B：无 Sorftime 替代版

适用条件：当前环境没有 Sorftime MCP。

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` 2. 关键词维度：用 Google Trends + Amazon Autocomplete + 第三方工具获取免费搜索数据 3. 社区维度：继续走 WebSearch

**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。

---

输入方式

业务输入

支持两类：

| 输入方式 | 示例 | 处理逻辑 | |---------|------|---------| | 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 | | ASIN + 功能描述 | `B0XXXX + self-cleaning` | 直接围绕指定产品和相邻竞品验证 |

默认站点：`US`

Review fallback 输入

当 Sorftime 不可用时，用户需要提供本地评论证据包：

review_source_pack/
├── source_manifest.json
└── raw/
    ├── reviews.csv
    ├── reviews.txt
    └── reviews.html

详细格式见 `references/review_fallback_pack.md`。

---

执行流程

Step 0：解析任务与构造关键词

1. 确认输入是“品类 + 功能”还是“ASIN + 功能” 2. 确认站点，默认 `US` 3. 基于 `references/keyword_construction_guide.md` 构造 3-5 个英文关键词变体 4. 判断当前走 Sorftime 完整版还是 Review fallback 降级版

Step 1：Review 信号采集

1.1 Sorftime 完整版

1. 若用户给的是品类：

• 调 `product_search` 找含该功能的产品
• 优先选 3-5 个月销高、评论多、标题明确带功能词的 ASIN

2. 若用户给的是 ASIN：

• 直接用该 ASIN
• 必要时调 `product_detail` 确认功能是否真实存在

3. 对每个目标 ASIN 调 `product_reviews` 4. 把返回结果保存为 JSON，再调用脚本：

macOS / Linux:

python3 skills/zach-feature-demand-validator/scripts/parse_reviews.py \
  --input <reviews.json> \
  --asin <ASIN> \
  --keywords "steam,steamer,steaming" \
  --source-url "sorftime://product_reviews/<ASIN>" \
  --output <数据源目录>/01_review_信号_原始数据.csv

Windows:

py -3 skills/zach-feature-demand-validator/scripts/parse_reviews.py `
  --input <reviews.json> `
  --asin <ASIN> `
  --keywords "steam,steamer,steaming" `
  --source-url "sorftime://product_reviews/<ASIN>" `
  --output <数据源目录>\01_review_信号_原始数据.csv

1.2 无 Sorftime 时的 Review 采集

**核心原则：按功能关键词定向选 ASIN，不随机抓。**

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：

• **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？）
• **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"

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。

**第一步：用功能关键词定向搜索 ASIN**

1. 用 WebSearch 搜索 `amazon.com [品类] [功能关键词]`

• 例：验证"空气炸锅+蒸汽"→ 搜索 `amazon.com air fryer steam`
• 从结果中提取 2-3 个**已带该功能**的真实 ASIN（A 类）

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）

• 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"

3. ⛔ 严禁使用 `B0XXXXX` 等占位符，必须拿到真实可验证的 10 位 ASIN 4. 确认每个 ASIN 的产品名、是否带目标功能，记录到报告中

**第二步：抓取 Review**

对每个 ASIN：

• 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`
• 如果 Amazon 页面可访问，提取评论内容（标题、正文、星级、日期）
• 如果被反爬拦截，用 WebSearch 搜索 `site:amazon.com "<ASIN>" reviews` 获取评论摘要
• 还可搜索第三方评论聚合站（reviewmeta.com、fakespot.com）

**第三步：数据量要求**

• A 类（带功能）：每个 ASIN 至少 15-30 条 review
• B 类（不带功能）：每个 ASIN 至少 15-30 条 review
• 总量目标不低于 80 条
• 如果单个 ASIN 返回不足，增加同类 ASIN 补足
• 实际采集量和 A/B 分类写入报告

**第四步：脚本解析**

将采集到的 review 整理为标准 JSON，再调用 parse_reviews.py 脚本（同 1.1）

**降级路径：用户提供 review_source_pack**

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：

1. 要求用户提供 `review_source_pack/` 2. 检查 `source_manifest.json` 是否包含 ASIN、站点、导出时间、来源 URL、导出方式 3. 调脚本统一解析原始证据：

python3 skills/zach-feature-demand-validator/scripts/parse_review_source_pack.py \
  --pack <review_source_pack> \
  --keywords "steam,steamer,steaming" \
  --output <数据源目录>/01_review_信号_原始数据.csv

支持的原始文件格式：CSV、TXT / Markdown、HTML

1.3 Review 判定

判定标准见 `references/judgment_criteria.md`，核心仍是：

• 功能提及率
• 需求表达数（如 `wish it had`）
• 正负反馈分布

Step 2：关键词信号采集

2.1 有 Sorftime 时

对关键词变体依次调用：

• `keyword_detail`
• `keyword_trend`
• `keyword_extends`

再用脚本导出标准 CSV：

python3 skills/zach-feature-demand-validator/scripts/generate_keyword_csv.py \
  --type detail \
  --data <detail.json> \
  --source-ref "keyword_detail:steam air fryer" \
  --output <数据源目录>/02_keyword_信号_搜索量数据.csv

2.2 无 Sorftime 时的替代采集

关键词维度不能留空。没有 Sorftime 时，通过以下免费数据源获取替代数据：

**搜索量估算（替代 keyword_detail）：**

1. 用 WebSearch 搜索 `"[功能关键词]" amazon search volume` 或 `"[功能关键词]" keyword search volume` 2. 从 SEO 工具页面（如 Ahrefs 免费版、Ubersuggest、Keywords Everywhere 公开数据）获取大致搜索量级 3. 用 WebFetch 尝试访问 `https://trends.google.com/trends/explore?q=[关键词]&geo=US` 获取 Google Trends 相对热度 4. 在报告中标注数据来源为"第三方估算"，精度不如 Sorftime

**趋势数据（替代 keyword_trend）：**

1. Google Trends 是核心替代源：用 WebFetch 获取过去 12 个月的趋势曲线 2. 对每个关键词变体都查 Google Trends，记录趋势方向（上升/平稳/下降） 3. 用 WebSearch 搜索 `"[功能关键词]" trend 2025 2026` 获取行业讨论中的趋势判断

**延伸词（替代 keyword_extend