Amazon Review Analyzer

使用 Reveyes API 批量抓取亚马逊商品评论，支持 20 个站点。 输出完整评论数据（含所有字段），并由 AI 从跨境电商运营者视角深度分析差评， 提供产品质量、物流包装、Listing 准确性、客服反馈、改善优先级等结构化分析报告。 Use when: 用户提到抓评论、查差评、分析竞品口碑、给出 ASI...

Security Scan

The skill's code, runtime instructions, and required environment variable (REVEYES_API_KEY) are consistent with its stated purpose of fetching and analyzing Amazon reviews via the Reveyes API.

Purpose & Capability

Name/description describe fetching reviews and running an AI analysis; the skill only requires REVEYES_API_KEY and uses a Reveyes Python SDK and API, which is coherent and expected for this purpose.

Instruction Scope

SKILL.md instructs the agent to run scripts/fetch.py with ASIN and parameters, present the full JSON output, and run an AI analysis prompt. The instructions do not ask the agent to read unrelated files or other credentials. Note: returned JSON can include reviewer usernames/profile URLs and full review text (potential PII); consider privacy when sharing outputs outside your environment.

Install Mechanism

No install script bundled; the skill is instruction-first and the only external requirement is the reveyes Python package (pip). This is a low-risk, common dependency model. As always, verify the reveyes package/source before installation (PyPI/package supply-chain risk).

Credentials

Only REVEYES_API_KEY is required (declared). That single credential is proportional to the stated behavior of calling the Reveyes API. There are no unrelated credentials or config paths requested.

Persistence & Privilege

Skill does not request always:true, does not modify other skills, and contains no installation steps that persist unusual system-wide configuration. Runtime behavior is limited to calling the Reveyes API and printing results.

Assessment

This skill appears coherent with its description, but consider the following before installing: 1) Trust and verify the reveyes service and Python package (inspect the PyPI package and the GitHub repo referenced in README) because networked dependencies can exfiltrate data. 2) Provide REVEYES_API_KEY only if you trust Reveyes; avoid placing the key in shared/open config files (e.g., ~/.openclaw/openclaw.json) unless you understand access scope. 3) Outputs include reviewer names, profile URLs and full review text — treat as potentially sensitive and avoid pasting into public places. 4) Confirm billing/credit model on reveyes.cn (skill references per-page credits). 5) If you need stronger isolation, run the skill in an environment with restricted network access or a dedicated API key you can revoke. If any of these are unacceptable, don’t install or restrict the skill’s access.

When to Run

• 用户发送 ASIN 编号并要求抓取或分析评论
• 用户说「帮我看看这个竞品的差评」「分析一下这款产品的用户反馈」
• 用户要了解差评原因、改进产品或 Listing
• 用户要对比同一商品在多个亚马逊站点的口碑
• 用户要导出评论数据做运营分析

Parameters

从用户消息中提取以下信息：

参数	说明	默认值
asin	亚马逊 ASIN，10 位字母数字（必须）	—
marketplace	站点代码，见下方列表	US
pages	抓取页数（1-10），1 页约 10 条评论	3
filter_star	星级筛选：all_stars positive critical five_star four_star three_star two_star one_star	all_stars
filter_sort_by	排序：recent（最新）/ helpful（最有用）	recent
filter_reviewer_type	评论者类型：all_reviews / avp_only_reviews（验证购买）	all_reviews
filter_media_type	媒体筛选：all_contents / media_reviews_only（含图片/视频）	all_contents
filter_variant	变体筛选：all_formats / 具体变体值	all_formats

支持的站点代码（20 个）： US CA MX UK DE FR IT ES NL SE PL BE IE JP IN SG AE SA AU BR

Workflow

1. 提取参数：从用户消息中识别 ASIN（10 位）、站点代码、页数、星级筛选

   • 若用户只给 ASIN，其余使用默认值
   • 若用户说「差评」/ 「negative」→ 自动设置 filter_star=critical
   • 若用户说「好评」/ 「positive」→ 自动设置 filter_star=positive
   • 若用户说「带图评论」→ 设置 filter_media_type=media_reviews_only
   • 若用户说「真实买家」/ 「verified」→ 设置 filter_reviewer_type=avp_only_reviews

2. 执行抓取：调用 scripts/fetch.py，传入参数

   python scripts/fetch.py <ASIN> <marketplace> <pages> <filter_star>
   

3. 等待完成：脚本内部自动轮询（最多 5 分钟），完成后输出完整 JSON 结果

4. 展示结构化数据：将 JSON 中所有字段完整呈现（见下方字段说明）

5. AI 深度分析：按照下方「AI 分析提示词」对数据进行跨境电商运营分析

6. 错误处理：

   • AUTH_ERROR → 提示用户检查 REVEYES_API_KEY 环境变量
   • NO_CREDITS → 提示前往 https://www.reveyes.cn 充值
   • BAD_PARAMS → 提示检查 ASIN 格式或站点代码是否正确
   • TIMEOUT → 告知任务仍在运行，附上 task_id 供后续查询

API 返回字段说明

脚本输出标准 JSON，包含以下所有字段：

顶层字段

字段	类型	说明
task_id	string	本次抓取任务 ID
asin	string	商品 ASIN
marketplace	string	站点代码
filter_star	string	本次星级筛选条件
credits_used	int	本次实际消耗积分

summary（汇总统计）

字段	类型	说明
total_reviews	int	抓取到的评论总数
average_rating	float	平均评分（1-5）
rating_distribution	object	各星级数量，key 为 "5"~"1"
verified_purchase_count	int	验证购买评论数
has_image_count	int	含图片的评论数
has_video_count	int	含视频的评论数
negative_count	int	差评数（1-2 星）
negative_rate	float	差评率（%）

items_summary（ASIN 子任务明细）

字段	类型	说明
asin	string	ASIN
marketplace	string	站点
status	string	子任务状态：pending / running / done / failed
pages	int	请求页数
actual_pages	int	实际抓取页数
review_count	int	本 ASIN 实际抓到的评论数

negative_reviews / all_reviews（评论列表，每条评论完整字段）

字段	类型	说明
review_id	string	亚马逊评论唯一 ID
asin	string	所属 ASIN
marketplace	string	所属站点
rating	int	星级（1-5）
title	string	评论标题
review_date	string	评论日期（亚马逊原始格式）
review_content	string	评论正文（完整）
user_name	string	评论者昵称
profile_url	string	评论者主页 URL
verified_purchase	bool	是否验证购买
helpful_votes	int	有用投票数
product_variant	string	购买的产品变体（颜色/尺寸等）
images	array	评论附带图片列表
videos	array	评论附带视频列表
page	int	来自第几页

AI 分析提示词

收到 JSON 数据后，按以下提示词进行分析输出：

---

你是一位资深亚马逊跨境电商卖家顾问，专注于帮助卖家通过评论数据改善产品、优化 Listing、提升 BSR 排名和转化率。

请基于以下评论数据，以卖家运营者身份给出可直接执行的行动建议报告。报告语言简洁、结论先行，每条建议必须说明"做什么"和"怎么做"。

分析维度（必须逐一覆盖）：

一、核心运营指标速览

• 评论总数、平均评分、差评率（1-2 星占比）
• 验证购买占比 — 判断评论真实性，低于 70% 需关注刷评风险
• 含图/视频评论数 — 高质量 UGC 可用于 A+ / 品牌故事素材
• 评分分布直方图（ASCII 格式）
• 一句话风险判断：当前评分是否危及 Listing 流量（低于 4.0 需标注 ⚠️）

二、差评根因诊断与卖家对策

从 negative_reviews 逐条归因，每类必须给出卖家具体对策（不止描述问题）：

1. 产品本身缺陷（材质/耐用性/做工）

   • 出现次数 + 代表性引用（原文）
   • 卖家对策：→ 向供应商提出具体改良要求 / 更换原材料型号 / 升级 QC 抽检比例

2. 功能与预期不符（性能/兼容性/操作）

   • 出现次数 + 代表性引用（原文）
   • 卖家对策：→ 在 Bullet Points 中明确标注适用范围和限制条件 / 在包装内增加快速上手卡片

3. Listing 描述与实物不符（颜色/尺寸/材质偏差）

   • 出现次数 + 代表性引用（原文）
   • 卖家对策：→ 修正主图/副图/尺寸对比图 / 在标题或 Bullet 中加精准规格描述 / 更新 A+ 对比展示模块

4. 包装与物流问题（破损/包装简陋/发货延迟）

   • 出现次数 + 代表性引用（原文）
   • 卖家对策：→ 升级内衬缓冲材料 / 添加易碎品标签 / 核查 FBA 入库包装规范是否达标

5. 售后与客服问题（退换货/响应速度）

   • 出现次数 + 代表性引用（原文）
   • 卖家对策：→ 优化 Buyer-Seller Message 自动回复模板 / 包装内附售后服务卡（含联系方式和常见问题解答）

6. 其他问题

   • 出现次数 + 代表性引用 + 卖家建议对策

三、高权重差评处理优先级（helpful_votes Top 5）

这些差评对潜在买家转化影响最大，须优先处理：

逐条列出：

• 星级 / helpful_votes 数 / 是否验证购买 / 所购变体
• 评论标题 + 正文关键句（100 字内，保留原文）
• 卖家应对：① 是否可通过 Comment 公开回复澄清？② 是否需改动产品/Listing？③ 是否需主动联系买家补救？

四、Listing 优化行动清单

基于差评和好评数据，给出各模块直接可用的改写建议：

• 标题：需补充哪些关键属性（给出修改示例）
• 五点 Bullet Points：哪几点需增加/修正，直接给出改写文案
• 主图/副图：缺少哪些展示角度（尺寸对比图 / 使用场景图 / 细节放大图）
• A+ 内容：差评中哪些常见误解可通过 A+ 图文模块主动消除
• Search Terms / PPC 关键词：从评论中提取买家自然语言，列出可补充进 Search Terms 的词，以及应加入 PPC 否定词的词

五、SKU / 变体策略建议

如有多个 product_variant：

• 各变体的好评率与投诉率对比
• 明确指出：哪些变体加大推广、哪些列为改良重点、哪些考虑下架
• 是否存在新变体机会（买家在评论中提到希望有但目前没有的款式/颜色/尺寸）

六、竞品差异化打法（适用于分析竞品 ASIN）

如本次抓取的是竞品 ASIN：

• 竞品核心弱点：买家投诉最多的 2-3 个问题 → 我方产品需针对性优化并在 Listing 中主动对比
• 买家最在意的属性：从评论中提炼竞品买家真正关心的核心诉求
• 我方 Listing 差异化打法：在标题/Bullet/A+ 中如何具体体现"我们解决了竞品的 XX 问题"（给出文案示例）
• PPC 拦截机会：哪些竞品相关词值得投放广告

---

输出规范：

• 每条建议必须可直接执行，避免空话（错误示例："提升质量" → 正确示例："要求供应商将外壳材质从 ABS 升级为 PC+ABS 合金，并在 QC 环节增加跌落测试"）
• 涉及 Listing 文案改动时，直接给出改写示例，而非仅指出问题
• 引用评论保留原文语言，可附中文说明
• 以 Markdown 格式输出，可直接复制到运营 SOP 文档

Output Format

收到脚本 JSON 输出后，AI 依次输出：

📦 ASIN: {asin}  |  站点: {marketplace}  |  筛选: {filter_star}
本次消耗积分: {credits_used}

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
📊 数据概览
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
评论总数: {total_reviews}  |  平均评分: {average_rating}★  |  差评率: {negative_rate}%
验证购买: {verified_purchase_count} 条  |  含图: {has_image_count} 条  |  含视频: {has_video_count} 条

评分分布：
  ★★★★★  {5星数} 条 ({占比}%)  ██████
  ★★★★☆  {4星数} 条 ({占比}%)  ████
  ★★★☆☆  {3星数} 条 ({占比}%)  ██
  ★★☆☆☆  {2星数} 条 ({占比}%)  █
  ★☆☆☆☆  {1星数} 条 ({占比}%)  ███

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
� 差评问题分类
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
1. 产品质量问题（N 条）
   - "Title of review" → 关键问题描述
   ...

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
⚠️  高影响差评 Top 5（按有用票数）
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
1. ★☆ [{helpful_votes} 人觉得有用] [已验证购买]
   "{title}"
   {review_content 前100字}...

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
✅ 好评亮点
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
...

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
🛠 运营改善建议
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
[高] ...
[中] ...
[低] ...