category-selection

快速参考

一键执行工作流 (推荐)

# 使用品类名称
python .claude/skills/category-selection/scripts/workflow.py "Sofas" US 20

# 直接使用 NodeID (推荐，避免类目搜索问题)
python .claude/skills/category-selection/scripts/workflow.py 679394011 US 20

# 指定分析数量
python .claude/skills/category-selection/scripts/workflow.py "Kitchen" US 50

重要更新 (v4.0):

• ✅ 自动读取 API Key: 无需设置环境变量，自动从 .mcp.json 读取
• ✅ 修复控制字符: 自动处理 JSON 字符串值中的未转义换行符、制表符
• ✅ 改进类目搜索: 支持模糊匹配和关键词变体
• ✅ 详细日志: 执行日志保存到 execution.log

核心 API 工具

步骤	工具/操作	用途	返回数据大小
1. 搜索类目	category_name_search	获取类目 nodeId	小
2. 类目报告	category_report	获取 Top 产品列表和统计数据	大 (>25KB)
3. 产品详情	product_detail	获取单个产品详情	小
4. 类目关键词	category_keywords	获取类目核心关键词	大 (>25KB)
5. 类目趋势	category_trend	获取25个月历史趋势	中
6. 1688采购	products_1688	获取采购成本数据	小

调用格式

curl -s -X POST "https://mcp.sorftime.com?key=YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":N,"method":"tools/call","params":{"name":"TOOL_NAME","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}'

---

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: /category-selection {品类名称} {站点} [--limit N]
• 示例: /category-selection "Sofas" US --limit 20
• 自然语言: "分析Amazon美国站的Sofas品类"、"Sofas品类市场调研"、"Sofas品类选品"

---

角色设定

你是一位拥有10年经验的"亚马逊选品专家"和"市场分析师"。你精通品类分析方法论，能够通过数据洞察市场机会、竞争格局和进入壁垒，为用户提供可执行的选品建议。

---

五维评分模型 (标准版)

评分标准详解:

维度	分值	评分标准	数据来源
市场规模	20 分	>$10M=20分, >$5M=17分, >$1M=14分, 其他=10分	类目月销额 (top100产品月销额)
增长潜力	25 分	低评论产品占比>40%=22分, >20%=18分, 其他=14分	评论数<100的产品占比
竞争烈度	20 分	Top3品牌占比<30%=18分, <50%=14分, 其他=8分	CR3 品牌集中度
进入壁垒	20 分	Amazon占比<20%且新品>40%=20分, 其他组合6-18分	Amazon自营占比 + 低评论占比
利润空间	15 分	均价>$300=12分, >$150=10分, >$50=7分, 其他=4分	Top100产品平均价格

评级标准:

总分	评级	建议
80-100	优秀	强烈推荐进入
70-79	良好	可以考虑进入
50-69	一般	谨慎进入
0-49	较差	不建议进入

完整标准请参考: scoring-standard.md

---

完整分析流程

阶段一: 数据收集

步骤 1: 搜索类目获取 nodeId

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":"category_name_search","arguments":{"amzSite":"US","searchName":"品类关键词"}}}'

处理多个类目结果时：

• 大类目（如 "Clothing, Shoes & Jewelry"）通常只返回子类目列表
• 展示给用户让其选择最匹配的类目
• 或使用具体的子类目 NodeID 直接查询

常见类目 NodeID 参考:

Traditional Laptop Computers: 13896615011
2 in 1 Laptop Computers: 13896609011
Women's Fashion Sneakers: 679394011
Women's Road Running Shoes: 14210388011
Men's Fashion Sneakers: 679312011
Kitchen Storage Accessories: 3744031

步骤 2: 获取类目报告 (Top100 + 统计)

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":"category_report","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}'

关键: category_report 返回数据通常>25KB，会保存到临时文件

响应处理:

# 使用 workflow.py 自动处理 (推荐)
python .claude/skills/category-selection/scripts/workflow.py "Sofas" US 20

# 或手动解码 SSE 响应
python .claude/skills/category-selection/scripts/sse_decoder.py {temp_file} {output_dir} 20

步骤 3: 获取 Top N 产品详情 (并发)

# 并发获取 Top3 产品详情
curl ... '{"id":3,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN1"}}}' &
curl ... '{"id":4,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN2"}}}' &
curl ... '{"id":5,"method":"tools/call","params":{"name":"product_detail","arguments":{"amzSite":"US","asin":"ASIN3"}}}' &
wait

步骤 4: 获取类目关键词 (可选)

curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":6,"method":"tools/call","params":{"name":"category_keywords","arguments":{"amzSite":"US","nodeId":"NODE_ID","page":1}}}'

处理关键词数据:

python .claude/skills/category-selection/scripts/keywords_parser.py \
  {temp_file} \
  {output_dir} \
  20

步骤 5: 获取历史趋势数据 (可选)

curl -s -X POST "https://mcp.sorftime.com?key={API_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":7,"method":"tools/call","params":{"name":"category_trend","arguments":{"amzSite":"US","nodeId":"NODE_ID"}}}'

趋势数据类型:

• 类目月销量趋势 (25个月)
• 平均售价趋势
• 平均星级趋势
• 品牌数量趋势

阶段二: 数据分析

核心分析指标

1. 市场集中度分析

# HHI 指数 (赫芬达尔-赫希曼指数)
# 计算: 各品牌市场份额平方和 × 10000
# 解读: <1500=低集中度, 1500-2500=中等, >2500=高集中度

# CR3/CR5 (前N品牌集中度)
# 计算: 前N大品牌销量占比
# 解读: <30%=分散, 30-50%=中等, >50%=集中

2. 品牌分析

# 品牌分布: 按销量/销额排序
# 品牌数量: 统计独立品牌数
# 品牌多样性: HHI 指数评估

3. 卖家来源分析

# Amazon 自营占比
# 中国卖家占比
# 美国本土卖家占比
# 其他国际卖家占比

4. 价格分析

# 价格区间分布
# 平均价格
# 价格中位数
# 价格标准差

5. 新品分析

# 新产品定义: 上架时间 < 90天
# 新品占比: 新品数量 / 总数量
# 新品表现: 新品平均销量、评论数

阶段三: 报告生成

生成完整报告

# 一键生成所有报告格式
python .claude/skills/category-selection/scripts/workflow.py "Sofas" US 20

# 或分步骤生成
python .claude/skills/category-selection/scripts/generate_reports.py {data_json}

输出文件结构:

category-reports/
└── {Category}_{Site}_{YYYYMMDD}/
    ├── report.md                      # Markdown 分析报告
    ├── data.json                      # 完整解码数据 (中文键)
    ├── top_products.json              # Top N 产品列表
    ├── scores.json                    # 五维评分结果
    ├── execution.log                  # 执行日志 (v4.0 新增)
    ├── keywords.json                  # 类目关键词
    ├── trend_data.json                # 25个月趋势数据
    ├── adapted_data.json              # Excel 适配数据 (英文键)
    ├── category_analysis_report.xlsx  # Excel 报告
    ├── dashboard.html                 # HTML 可视化仪表板
    ├── data/                          # 原始数据目录
    │   ├── statistics.csv             # 统计数据
    │   ├── products.csv               # 产品列表
    │   └── scores.csv                 # 评分详情
    └── *_raw.txt                      # 原始 SSE 响应

---

数据处理工具

核心工具脚本

脚本	用途	版本
workflow.py	一键执行完整分析流程	v4.0
sse_decoder.py	解码 category_report SSE 响应	v6.0
keywords_parser.py	解码 category_keywords 响应	v3.0
trend_parser.py	解析趋势数据	v1.0
data_adapter.py	数据格式转换 (中文→英文键)	v1.0
data_utils.py	数据处理工具类	v2.0
generate_reports.py	统一报告生成器	v3.0
generate_excel_report.py	Excel 报告生成	v2.0
generate_markdown_report.py	Markdown 报告生成	v2.0
fix_encoding.py	编码修复工具	v1.0

数据字段映射

API 响应字段 → 标准化字段:

API 字段	标准化字段	说明
ASIN	asin	产品唯一标识
标题/title	title	产品标题
价格/price	price	当前售价
月销量/monthlySales	monthly_sales	月销量
月销额/monthlyRevenue	monthly_revenue	月销售额
评论数/reviews	review_count	评论数量
星级/rating	rating	平均评分
品牌/brand	brand	品牌名称
卖家/seller	seller	卖家名称
上架时间/daysOnline	days_online	上架天数

---

HTML 可视化仪表板

特性

• 基于 ECharts 的交互式图表
• 五维评分可视化进度条
• KPI 指标卡片展示
• 7 个动态图表：销量趋势、价格趋势、价格分布、评分分布、品牌份额、卖家来源、品牌评分趋势
• Top50 产品详细表格
• 关键发现智能分析

模板变量支持

变量类型	示例变量	说明
基础信息	{{CATEGORY_NAME}}, {{SITE}}, {{DATA_DATE}}	报告基本信息
五维评分	{{MARKET_SIZE_SCORE}}, {{MARKET_SIZE_PERCENT}}	各维度得分和进度条百分比
KPI指标	{{TOTAL_PRODUCTS}}, {{AVG_PRICE}}, {{CR3}}	关键指标数据
图表数据	{{SALES_TREND_DATA}}, {{BRAND_SHARE_DATA}}	JavaScript JSON 数据
分析结论	{{CONCENTRATION_LEVEL}}, {{RECOMMENDATION}}	智能分析文本

---

故障排查

常见问题与解决方案 (v4.0 更新)

1. API Key 未设置

问题: ❌ API Key 未设置 或 Authentication required

原因:

1. 环境变量 SORFTIME_API_KEY 未设置
2. .mcp.json 文件不存在或格式错误

解决方案 (v4.0 已修复):

• workflow.py v4.0 会自动从 .mcp.json 读取 API Key
• 确保项目根目录存在 .mcp.json 文件，格式如下：

{
  "mcpServers": {
    "sorftime": {
      "url": "https://mcp.sorftime.com?key=YOUR_API_KEY"
    }
  }
}

手动设置环境变量 (备用):

# Windows PowerShell
$env:SORFTIME_API_KEY="your_api_key"

# Linux/Mac
export SORFTIME_API_KEY="your_api_key"

2. JSON 解析失败 - 未转义的控制字符

问题: JSONDecodeError: Invalid control character at: line 1 column 3401

原因: API 返回的 JSON 字符串值中包含原始的换行符（\n）、制表符（\t）等控制字符，这些控制字符没有被正确转义

示例:

// 错误格式（API 返回的原始格式）
{"标题": "类目：Renewed Laptops，排名:2
类目：Traditional Laptops，排名:11"}

// 正确格式
{"标题": "类目：Renewed Laptops，排名:2\\n类目：Traditional Laptops，排名:11"}

解决方案 (v4.0 已修复):

• escape_control_chars_in_json_strings() 函数自动转义字符串值内的控制字符
• 该函数只处理字符串值内部的控制字符，不影响 JSON 结构

3. 类目未找到

问题: 搜索类目时返回"未查询到对应类目"

原因:

1. 大类目（如 "Computers & Accessories"）可能只返回子类目列表
2. 类目名称不准确

解决方案 (v4.0 已改进):

1. workflow.py v4.0 会自动尝试多种搜索变体
2. 使用更具体的子类目名称
3. 推荐: 直接使用类目 NodeID 查询

获取 NodeID 的方法:

# 先用大类目搜索，查看返回的子类目列表
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":"category_name_search","arguments":{"amzSite":"US","searchName":"Laptop"}}}'

4. 数据解析失败 (Mojibake 编码问题)

问题: data.json 中的中文显示为 "Top100产å" 等乱码

原因: API 返回 Unicode-escape 格式 (\u4ea7\u54c1)，解码后产生 Mojibake

解决方案 (v4.0 已自动修复):

• fix_mojibake() 函数自动修复编码问题
• 在 Unicode-escape 解码后立即应用 .encode('latin-1').decode('utf-8')

5. Python dict 格式问题

问题: "Expecting property name enclosed in double quotes"

原因: API 返回 Python dict 格式（单引号），不是标准 JSON

解决方案 (v4.0 已修复):

• python_dict_to_json() 函数正确处理单引号转换
• 同时处理 True/False/None 字面量

6. 大类目搜索失败

问题: "Computers & Accessories" 等大类目搜索无结果

解决方案:

1. 使用子类目名称（如 "Laptops", "Computer Accessories"）
2. 先搜索大类目获取子类目列表，让用户选择
3. 直接使用已知 NodeID

版本更新记录

脚本	版本	更新内容
workflow.py	v4.0	✅ 从 .mcp.json 自动读取 API Key<br>✅ 修复 JSON 字符串中未转义的控制字符<br>✅ 改进类目搜索策略<br>✅ 新增执行日志<br>✅ 更详细的错误信息
sse_decoder.py	v6.0	Mojibake 自动修复、括号匹配、Python dict 转换
generate_reports.py	v3.0	完整变量替换、分析文本生成

调试技巧

1. 查看执行日志:

# workflow.py v4.0 会自动保存执行日志
cat category-reports/{Category}_{Site}_{YYYYMMDD}/execution.log

2. 查看原始响应:

# workflow.py 会自动保存原始 SSE 响应
cat category-reports/{Category}_{Site}_{YYYYMMDD}/category_report_raw.txt

3. 检查编码问题:

# 检查文件字节
with open('data.json', 'rb') as f:
    print(f.read(100))

4. 验证 JSON 格式:

# 使用 Python 验证 JSON
python -m json.tool data.json

5. 测试 API 连接:

curl -s -X POST "https://mcp.sorftime.com?key={YOUR_KEY}" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"category_name_search","arguments":{"amzSite":"US","searchName":"Kitchen"}}}'

---

支持的站点

Amazon: US, GB, DE, FR, IN, CA, JP, ES, IT, MX, AE, AU, BR, SA TikTok: US, GB, MY, PH, VN, ID 1688: 中国批发平台

---

注意事项

1. API Key 配置:
   • 推荐在 .mcp.json 中配置（v4.0 自动读取）
   • 也可以使用环境变量 SORFTIME_API_KEY
2. 参数名称: 使用 amzSite 而非 site
3. id 递增: 每个请求的 id 字段必须递增 (1, 2, 3...)
4. 并发限制: 建议最多 3-5 个并发请求
5. 数据时效: 数据可能有 1-7 天延迟
6. 报告命名: 使用 {Category}_{Site}_{YYYYMMDD} 格式

---

参考文档

• 评分标准详解
• API 快速参考
• Sorftime MCP API 文档
• 类目 API 参考

---

本 Skill 由 Claude Code 维护 | 最后更新: 2026-03-05 (v4.0)