Amazon Product Opportunity Scan

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-amazon-opportunity-scan
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-amazon-opportunity-scan。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

Amazon Product Opportunity Scan 帮助识别哪个产品细分市场值得验证以及原因。它通过 Glasser 收集有关 Amazon 特定搜索需求、相关有机商品、客户评论、价格历史和销售经济学的证据，然后使用 Jev 针对一致的记分卡评估候选对象。
该技能专为研究优先级排序而设计，而非发布决策。它使不确定性保持可见，区分可比产品与不相关商品，并在缺少关键信息时应用证据门槛。作为电子商务研究的 Openclaw Skills 之一，它有助于将初步扫描转化为具体的下一个验证任务，而不是不受支持的库存建议。

应用场景

在投资深入研究之前比较早期阶段的 Amazon 细分市场想法。
调查品类、目标买家、参考 ASIN 或提议的产品功能集。
检查关键词需求是否有相关的有机商品和独立的客户证据支持。
探索可比 ASIN 的竞争对手定价和价格历史背景。
在做出决定之前识别缺少的单位经济输入、供应商问题或品类要求。
当初步扫描表明有机会但证据不完整时，选择下一个验证任务。

工作原理

确定市场和语言、品类或参考 ASIN、目标买家、提议的产品配置、目标价格以及已知成本。如果细节缺失，将工作标记为初步扫描。
检查实时 Glasser 目录以获取合适的端点、架构、定价、批处理限制、无结果子句和运行模式。设置分阶段调用预算和最大费用，为同一市场和日期重复使用有效的证据。
仅收集与决策相关的证据，从少量的关键词和商品调用开始。当可能改变决策时，扩展到一两个有希望的精确匹配的评论、价格历史或更深入的 ASIN 研究。
保存原始 Runs 并将结果规范化为日记账。将赞助商品与有机商品分开，排除不相关的产品和尺寸，仔细处理变体，并记录缺少的字段和来源链接。
评估需求、竞争、未满足的需求、价格背景和单位经济。将估计值和下限信号与经过验证的销售或特定候选的利润计算区分开来。
通过 Glasser 将证据状态发送给 Jev，并将相同的记分卡应用于每个候选。对照分类账审查 Jev 的输出；使用确定性算术分别计算计数、价格变化和利润。
应用证据门槛、报告决策阶段和局限性，并为每个候选提供一个具体的下一个验证任务。包括每个 Glasser Run、其状态、实际费用、提供商响应或失败以及 Run URL。

配置指南

在使用此技能之前安装 Glasser。请遵循 Glasser SKILL.md 处的当前安装和使用说明。此技能依赖 Glasser 进行数据获取和 Jev 评分。
提供 Amazon 市场和语言、品类或参考 ASIN、目标买家、提议的功能和尺寸或包装、目标价格以及任何已知的单位成本。缺少的输入应明确标记并作为初步扫描处理。
通过 Glasser 技能发现当前的端点。在进行调用之前检查每个端点的架构、价格、批次大小、运行模式和无结果子句；不要假设固定的提供商路由。
设置分阶段调用预算和最大费用。重复使用同一市场和日期的有效证据，并在达到上限或缺少数据阻止所需结论时停止。
在评估前阅读 references/jev-scorecard.md 处的 Jev 准则。保持未知成本和证据差距明确；不要用初步分数替代发布建议。
此技能未指定安装命令或固定的 CLI 语法；请使用 Glasser 的当前说明，而不是假设一个。
Amazon Product Opportunity Scan 数据架构与分类体系
该技能为每个候选保留原始 Glasser Runs 和规范化的、有日期的证据分类账。
记录区域 建议的字段和处理
查询和来源 查询、市场、检索日期、来源身份、来源 URL、Run 状态、实际费用和 Run URL
产品身份 ASIN、商品类型、排名、品牌、材质、容量、包装数量、状况和缺少的字段
价格和评分 显示的价格和价格基础、评分范围、评论计数以及相关的价格历史系列
需求 关键词、估计的术语级月度卷、缺失或空值以及任何单独的 Amazon 显示购买区间
证据和评估 评论主题、样本大小、负面证据、质量限制、Jev 子分数、决策阶段和下一个验证任务
将赞助商品与有机结果分开。排除配件和不相关的尺寸；去重子变体并避免重复计算父级级别的评论。仅在数量明确时比较单价。将关键词搜索量视为术语搜索的估计值，而不是销售额或品类规模，并将显示的“上个月购买”数字视为下限区间，而不是经过审计的销售额。
对于价格历史，请验证 ASIN 和变体，并保持 Amazon 零售、市场 NEW、标价和 Buy Box 系列截然不同。仔细解释不可用的时间段、时间和货币单位以及来源定义的变化。候选贡献利润应使用候选人自己的预期售价、COGS、入站运费和关税、推荐和履行费用、退货或保修、折扣和广告成本；未知的输入保持未知。

高级特性

使用 Glasser 进行端点发现和证据获取，并通过 Glasser 调用 Jev 进行基于准则的评估。
支持分阶段研究预算、最大费用限制、证据重复使用，以及在成本或数据缺口阻碍可靠结论时停止。
结合独立的证据层，仅在附加数据可能改变决策时才扩大收集范围。
在各个候选之间应用相同的锚定记分卡，包括需求信号、竞争空间、差异化证据、机会分数和决策阶段。
强制执行证据门槛：如果没有可比的竞争样本、独立的痛点证据和单位经济，结果至多是调查，整体分数仍然是临时的。
保留负面证据、来源日期、样本大小、未知数以及失败或超时的 Runs 及其实际费用。
将确定性计算与模型评分分离，不将 Jev 信心视为商业成功的概率。
为每个候选生成一个日期的证据矩阵和一个具体的下一个验证任务；初步发现在于研究优先级，而非购买或商品更改建议。

name: ecommerce-amazon-opportunity-scan description: Screen Amazon product niches through Glasser using multiple sources for search demand, ranked offers, customer reviews, price history, and selling economics. Use Jev through Glasser to score evidence-backed opportunities and identify the next validation step; do not turn a preliminary score into a launch recommendation.