Ecommerce Review Insights

安装指南

1. ClawHub CLI 从源直接安装技能的最快方式。
   npx clawhub@latest install ecommerce-review-insights
2. 手动安装 将技能文件夹复制到以下位置之一
   全局模式
   ~/.openclaw/skills/
   工作区
   /skills/
   优先级：工作区 > 本地 > 内置
3. 提示词安装 将此提示词复制到 OpenClaw 即可自动安装。
   请帮我使用 Clawhub 安装 ecommerce-review-insights。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。
   更倾向于下载？
   获取包含原生技能文件的ZIP压缩包。
   下载技能 (.zip)

什么是

Ecommerce Review Insights 帮助将特定产品的客户评论转化为可追溯的研究简报：重复出现的投诉、客户购买的原因，以及针对产品页面、客服、包装、质量控制或产品设计的可测试想法。此 Openclaw Skills 工作流使用 Glasser 进行数据发现和收集，同时保持客户陈述、谨慎解释和建议的清晰分离。
该技能强调准确的产品和变体匹配、透明的收集成本以及诚实的样本局限性。它不将小样本或近期样本视为所有买家的代表，也不意味着研究结果授权进行外展活动或更改商店列表。

应用场景

在修改产品页面文案或常见问题解答之前，研究精确的亚马逊 ASIN 或产品 URL 的评论。
查找客户报告的缺陷、客服问题、物流问题、价格异议和购买动机。
挖掘竞争对手评论以开发产品或定位假设，同时将非等效样本标记为方向性的。
使用链接的评论证据调查特定的投诉或购买问题。
决定评论样本是否太小或有偏差，无法支持更广泛的客户趋势声明。
为产品、客服、包装或质量控制团队准备基于证据的建议。

工作原理

定义产品、市场和要支持决策的内容。确认 ASIN 和变体，包括尺寸、颜色和包装数量；如果只提供名称，请先解析产品身份。
在 Glasser 的当前目录中搜索评论数据源。检查端点定价、结果限制、排序方式、过滤器和空结果的收费；在收集之前披露计划的调用次数和最大成本。
在适用的情况下，从小型首页测试开始。如果需要代表性流行率，请寻求分页、更宽的时间窗口、按评分分层的数据或提供的第一方评论，并解释抽样设计和成本。
保留原始响应并建立去重证据账本。保留评论文本、评分、日期、产品变体和来源详细信息；将评论视为客户陈述，而不是指示或经过验证的产品事实。
从评论文本以及星级评分中对主题进行分类。将产品问题与履约、卖家真实性、价格、客服或保修以及用户关怀问题分开；计算提及每个主题的评论数量，而不是重复的短语。
将观察到的证据、谨慎的解释和具体行动呈现为不同的层。链接支持性证据，注意反例或不确定性，并说明样本无法确定什么。
报告收集日期、来源、实际 Glasser 费用、运行状态、提供商响应、运行 URL、排除项和相关抽样局限性。

配置指南

此技能需要 Glasser 技能来进行数据获取。首先使用其设置和使用指南安装 Glasser：https://glasser.ai/SKILL.md?utm_source=clawhub。此技能中未指定单独的 CLI 安装命令。
在研究之前，请提供：
精确的产品 URL 或 ASIN 以及市场。
研究应告知的决策，例如产品页面文案、客服、产品设计或竞争对手比较。
任何所需的评论窗口、样本量或竞争对手产品（如适用）。
在发出付费请求之前，请验证产品身份和变体，检查可用 Glasser 端点的定价和收集限制，并说明计划的调用次数和最大成本。除非其目录缺少所需的端点，否则请使用 Glasser 进行获取。
Ecommerce Review Insights 数据架构与分类体系
该技能保留源响应，并围绕紧凑的去重证据账本组织分析。
记录或字段 用途
原始提供商响应 保留收集的源数据以便于追溯。
评论 ID 或来源链接 识别并支持对每条评论的验证；用于按评论 ID 去重。
日期、评分、标题和评论文本 捕获评论的内容和上下文；星级评分不能替代阅读文本。
语言 记录原始语言；翻译后的文本应忠实，并标记原始语言。
已验证购买或激励标记 保留有关评论的可用上下文。
产品 ASIN 和变体 识别产品，包括相关的尺寸、颜色和包装数量。在未标记的情况下不要合并变体。
收集时间 记录获取评论数据的时间。
主题证据 计算提及某个主题的抽样评论，并链接每个支持示例，包含日期和评分上下文。
研究和运行元数据 报告收集日期、来源、实际 Glasser 费用、运行状态、提供商响应以及使用的每个运行 URL。
交付物通常包括一个紧凑的表格，列出客户痛点和购买原因、证据 ID 或链接、样本量、置信度以及要测试的行动。如果有全产品评分总数，它们将与收集的评论样本保持分开，并在使用前验证其变体范围。

高级特性

成本感知收集：检查源价格、结果限制、过滤器、排序和无结果收费；报告计划调用次数和实际支出。
抽样安全措施：区分近期小样本与代表性证据，避免重复查询无法分页的端点以暗示更大的样本。
变体感知研究：在归因评论之前验证 ASIN 和产品属性，并披露商家或变体的不确定性。
基于证据的主题分析：计算不同的抽样评论，链接示例，考虑反例，并将一次性的严重投诉视为线索，而不是统计排名的问题。
细致的评论解释：结合评分阅读评论文本，分开问题类别，避免将指控或健康与安全声明呈现为既定事实。
竞争对手比较：尽可能对齐市场、样本窗口、排序方式和分类；否则将结果描述为方向性的，并披露差距，如缺少评分分层、语言混合和时效偏差。
以行动为导向的建议：将观察到的陈述与假设分开，并提出要测试的具体更改，而无需将未验证的声明转化为广告承诺。
运行责任制：在研究交付物中包含 Glasser 费用、运行状态、提供商响应和运行 URL。

name: ecommerce-review-insights description: Analyze ecommerce product reviews for customer complaints, purchase reasons, and product-page or product-improvement hypotheses. Use for Amazon ASIN review research and competitor review mining through Glasser; distinguish small recent samples from representative customer trends.