淘宝竞品分析选品雷达 · 新品卖点拆解

输入 1 个淘宝/天猫商品链接，自动做类目级竞品分析：起点商品加 2 个不同店铺竞品，三品一起采主图、详情长图、SKU、价格销量和买家评价，刷单评价自动剔除，再对照 xhs 同词需求，产出面向电商运营的 HTML 报告——同行已经做了什么、买家还在抱怨什么、哪些点没人做，新品上架前就找准差异化机会。当用户给出淘宝/天猫商品链接，想做竞品分析、选品参考、差评分析、买家需求缺口、找新品机会时唤起；只需采集评价做参考用同系列 taobao-review-export。

石建@fatmind

Install

openclaw skills install @fatmind/tb-opportunity-radar

tb-opportunity-radar（新品机会雷达）

一句话：给一个淘宝/天猫商品链接，自动跑完「三品采集 → 图片卖点打标 → 评价分层 → xhs需求源 → HTML 报告」这条类目级竞品分析流水线。

前置条件

本机 Chrome 装了浏览器扩展，并且已在 Chrome 登录淘宝/天猫（未登录会被登录墙拦截，skill 会明确报错并提示登录）；xhs侧需要能正常浏览
浏览器中继服务运行中（HTTP API http://127.0.0.1:3459）
需要判断/归纳的环节走 LLM 子会话，经本地 pipeline 服务（:3460）代跑，因此本地 pipeline 服务需处于运行状态
macOS：图片文案由 LLM 子会话多模态直接读图提取（pipeline :3460 后端模型支持图片；不使用本地 OCR）

使用方式

bash

node skill.mjs input.json
# 或：cat input.json | node skill.mjs

input.json：

json

{
  "productUrl": "https://detail.tmall.com/item.htm?id=1053286842802",
  "searchTerm": "",
  "seed": 20261016,
  "outputDir": "/abs/path/to/output"
}

入参	必填	说明
`productUrl`	是	淘宝 `item.taobao.com/item.htm?id=...` 或天猫 `detail.tmall.com/item.htm?id=...`，纯链接即可
`searchTerm`	否	聚焦搜索词覆盖。不传则从商品标题/类目自动猜（规则：聚焦、不泛，优先「品类词+关键规格」）
`seed`	否	随机选品种子（前 5 选 1 的可复现性），默认当天 `yyyymmdd`
`outputDir`	否	输出目录，默认 `.workbuddy/output/tb-opportunity-radar-run/`

流程

建独立 tab 分组 → 打开起点商品（A），采集标题/店铺（shopName 选择器 + 店铺链接 shopId）/到手价/销量/评价数/SKU/主图
点「图文详情」→ 步进滚动懒加载 → 收详情长图 → 真实点击「查看全部评价」（page.search 取 ref + page.click，合成事件无效）→ 内联卡片边滚边采评价（8 字段）
自动猜聚焦搜索词（子会话；searchTerm 非空时跳过）
淘宝站内搜索（taobao 域 tab 内 location.assign 直达 s.taobao.com/search?q=）→ 取前 5 商品卡片（id 取最长数字串且 ≥11 位滤假 id，店名取卡片 shopNameText--）→ mulberry32(seed) 随机定起点后顺延扫描：同店（卡片店名先比，详情页 shopId 再核实）、失效商品（详情页核实为宝贝不存在/缺价格销量）、重复候选都跳过并记录，直到选出 B、C
B、C 各走一遍第 1~2 步的同管线采集
图片下载 → 转换 → LLM 子会话读图提取文案 + 七维打标（人群/环境/作用/形态/成分/保障/体验，子会话）→ 频次 × 销量加权
评价三层分层（规则化跑真实数字）：① 无效忽略不计分母 ② 跨用户公共子串 ≥18 字剔除 ③ 其余视为真实
xhs：聚焦词 + 1 个变体词检索 → 选帖（子会话，词命中 + 评论密度）→ 深挖 ≥2 篇评论区
需求点归纳 + 结论表（子会话，措辞平实、禁浮夸词）→ 拼装 HTML 报告

输出

outputDir/ 下：

report.html — 报告（关键图 base64 内嵌），板块：判定口径 / 样本构成含种子与前 5 明细 / 频次×销量加权表 / 评价分层结果 / 真实评价满足度表 / xhs需求原话 / 结论表（证据→运营含义→可做的事）/ 边界说明
data/item-{A,B,C}.json — 三品元数据、图片 URL、评价、LLM 提取的图片文案、标签
data/reviews/{A,B,C}/reviews.md — 每品评价明细（含分层标注）
data/review-classify.json — 分层规则与全量明细（含 why）
data/selection.json — 选品记录：种子、聚焦词、搜索 URL、前 5 明细、选中结果与全部顺延跳过原因（同店/失效/重复）
data/tag-matrix.json — 三品标签矩阵 + 加权结果
data/xhs-demand.jsonl — xhs检索/笔记/评论/需求点，一行一条

stdout 只输出一行 JSON：{"status":"success|partial|failed","summary":"...","output_dir":"..."}，其余日志走 stderr。

已知边界

评价内联展开区块上限约 22 条；展开不足 20 条会重取 ref 再点一次，仍不足且页面评价总数更大的记「未到底」并在运行摘要标注（每品 ≥20 条是验收底线，页面总数本身不足的算到底）
同店排除：搜索卡片店名（shopNameText--）先比一轮，详情页 shopId（店铺链接 href）再核实一轮，命中顺延并记录在 skips
候选商品已下架（跳转「宝贝不存在」错误页）或缺价格销量字段时，会自动顺延到下一个候选并记录在 skips；前 5 全部不可用时该样本缺失，status 只能到 partial（不足三个有效样本不会报 success）
销量口径统一取商品页「已售 N+」（「万」按 ×10000 折算）；价格取页面「￥N 起」结构
三品只是类目里的 3 个样本，结论是这三个样本之间的比较，不代表整个类目
全程操作间隔 ≥1.8s、串行采集；商品页或搜索页被登录墙/访问限制拦截时直接报错，提示在 Chrome 登录淘宝后重试