Xpersona
1

1688-product-analysis

CLAWHUB · Unverified

1688 商品全方位分析诊断工具，整合多数据源对指定商品进行深度分析，支持多店铺异常商品汇总、评分分层选品与单品诊断。 覆盖能力：商品数据分析、销售表现诊断、流量问题排查、广告效果评估、商品优化建议、多店铺异常商品汇总、重点品评分分层、关键词搜索商品。 适用场景：用户需要分析商品表现、诊断流量问题、查看多店铺异常商品、圈选重点运营商品、搜索店铺商品、获取商品优化建议时使用。 触发词：分析这个商品、商品诊断、商品表现分析、为什么商品没流量、商品优化建议、最该优化的商品、最应该优化的商品、商品数据分析、多店铺商品、重点品查看、圈选重点品、圈选运营商品、今日运营重点、选品、推荐商品、商品分层、商品优先级、搜索商品、新品没流量怎么办、导出商品体检报告、导出当前已生成的报告、输出商品体检报告 Markdown、在当前对话输出商品体检报告。 本 Skill 的核心流程已由 workflow `1688-product-analysis` 编排覆盖，包含明确商品 ID 诊断、异常商品选择、找问题品并诊断、关键词搜索、正向选品、同款商品分析、商品库推荐行动点与一键优化交接；单接口查询、自由组合或探索性分析回退加载本 SKILL.md。 Skill: 1688-product-analysis Owner: 1688aiinfra Summary: 1688 商品全方位分析诊断工具，整合多数据源对指定商品进行深度分析，支持多店铺异常商品汇总、评分分层选品与单品诊断。 覆盖能力：商品数据分析、销售表现诊断、流量问题排查、广告效果评估、商品优化建议、多店铺异常商品汇总、重点品评分分层、关键词搜索商品。 适用场景：用户需要分析商品表现、诊断流量问题、查看多店铺异常商品、圈选重点运营商品、搜索店铺商品、获取商品优化建议时使用。 触发词：分析这个商品、商品诊断、商品表现分析、为什么商品没流量、商品优化建议、最该优化的商品、最应该优化的商品、商品数据分析、多店铺商品、重点品查看、圈选重点品、圈选运营商品、今日运营重点、选品、推荐商品、商品分层、商品优先级、搜索商品、新品没流量怎么办、导出商品体检报告、导出当前已生成的报告、输出商品体检报告 Markdown、在当前对话输出商

62
Rank
84
Safety
979
Downloads

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 979 downloads reported by the source. Last updated 10/11/2026.

Avoid when

  • Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Install and run

Setup complexity: low.

clawhub skill install s177df9srv6z2y0gd1kw90rern83hzxb:1688-product-analysis
  1. Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
  2. Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-1688aiinfra-1688-product-analysis/snapshot"

Run-check

$0.02 USD

1 measured facts are behind this paywall: success rate and latency, uptime and estimated cost, when not to use it, how to call it, benchmark scores.

Agents pay $0.02 in USDC. A card payment is $0.50, the smallest a card allows.

Documentation

CLAWHUB

87,685 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
id: 1688商品诊断
name: 1688-product-analysis
description: >-
  1688 商品全方位分析诊断工具，整合多数据源对指定商品进行深度分析，支持多店铺异常商品汇总、评分分层选品与单品诊断。
  覆盖能力：商品数据分析、销售表现诊断、流量问题排查、广告效果评估、商品优化建议、多店铺异常商品汇总、重点品评分分层、关键词搜索商品。
  适用场景：用户需要分析商品表现、诊断流量问题、查看多店铺异常商品、圈选重点运营商品、搜索店铺商品、获取商品优化建议时使用。
  触发词：分析这个商品、商品诊断、商品表现分析、为什么商品没流量、商品优化建议、最该优化的商品、最应该优化的商品、商品数据分析、多店铺商品、重点品查看、圈选重点品、圈选运营商品、今日运营重点、选品、推荐商品、商品分层、商品优先级、搜索商品、新品没流量怎么办、导出商品体检报告、导出当前已生成的报告、输出商品体检报告 Markdown、在当前对话输出商品体检报告。
  本 Skill 的核心流程已由 workflow `1688-product-analysis` 编排覆盖，包含明确商品 ID 诊断、异常商品选择、找问题品并诊断、关键词搜索、正向选品、同款商品分析、商品库推荐行动点与一键优化交接；单接口查询、自由组合或探索性分析回退加载本 SKILL.md。
metadata:
  engine: false
  openclaw:
    emoji: "🔬"
    requires:
      bins: ["python3"]
    primaryEnv: "ALI_1688_AK"
  interactions:
    - name: select_abnormal_offer
      type: table
      selectionType: product
      description: "从异常商品列表（及评分分层候选，如同时命中）中选择要诊断的商品。在执行 Step 0/Step 0.5 后展示，用户可多选需要诊断的商品。"
      required_data:
        title: "表格标题"
        columns: "列定义数组"
        rows: "多店汇总最多 20 条（硬封顶），按支付环比跌幅绝对值从大到小排序；单店无截断（原样返回）；每行字段：id, imageUrl, title, shop_name, reason, payAmount, changeRate, visitorCount, visitorChange, loginId（title 截断 30 个字符（Python len() 计数）；共 8 列定义，两入口都有结果时追加 discoverySource 发现来源列，id 和 loginId 不占显式列但为行必选字段）"
    - name: input_offer_id
      type: input
      selectionType: product
      description: "引导用户手动输入一个或多个商品 ID 进行诊断。"
      required_data:
        questions: "问题列表，包含一个输入框让用户填写商品 ID；多个 ID 可用空格或逗号分隔"
    - name: choose_product_locator
      type: card
      selectionType: requirement
      description: "当异常商品和评分分层均为成功零结果时，让用户选择通过商品 ID 或关键词继续定位商品。"
      required_data:
        questions: "一个单选问题，选项固定为输入商品 ID、关键词搜索"
    - name: input_search_keyword
      type: input
      selectionType: product
      description: "用户选择关键词搜索但尚未提供关键词时，引导输入商品关键词。"
      required_data:
        questions: "问题列表，包含一个商品关键词输入框"
    - name: select_products_from_scoring
      type: table
      selectionType: product
      description: "展示评分分层结果（Step 0.5 第二发现入口的 c_grade_candidates，或独立选品场景的 products），供用户选择"
      required_data:
        title: "表格标题"
        columns: "列定义数组，包含商品ID、标题、等级、分层、综合得分、支付金额、买家数、访客数"
        rows: "数据行数组，每行包含 id, title, level, levelName, totalScore, payAmount, buyerCount, uv"
    - name: select_products_from_search
      type: table
      selectionType: product
      description: "Step 1 情况B 关键词搜索结果，供用户选择目标商品"
      required_data:
        title: "表格标题，如'搜索结果: {keyword}'"
        columns: "列定义数组，包含图片、商品ID、标题、最低价、最高价、状态"
        rows: "数据行数组，每行包含 id, title, imageUrl, minPrice, maxPrice, status"
---

# 1688 商品诊断

## ⚠️ 强制约束

**Workflow 唯一入口（强制）**：商品体检、商品诊断、最该优化商品、异常商品选择、关键词搜索、明确商品 ID 诊断等核心商品诊断意图必须且只允许调用一次 workflow `1688-product-analysis`。必须把用户原始请求作为 workflow args 传入。workflow 只根据原始 query 判断执行意图，不识别真实调度来源：明确要求先选择、先询问或确认后执行时固定为 interactive；出现自动挑选/分析、无需反问或直接继续等无人值守候选语义时调用结构化模型节点，模型确认后为 automatic，“直接”不是必需词。若 query 已同时明确表达自动执行、完成诊断、在对话交付完整报告和逐商品优化建议，则即使模型返回 false、输出异常或调用失败也兜底为 automatic；普通诊断、搜索和选品仍为 interactive。主 Agent 不得自行判断模式、改写 query 或补充模式参数。组件“导出

_meta.json

{
  "ownerId": "kn76msg8cwkep3b08z7zffx9fx82p5wj",
  "slug": "1688-product-analysis",
  "version": "1.0.0",
  "publishedAt": 1788440616883
}

references/analysis-dimensions.md

# 商品分析维度说明

## 概述

本文档定义了商品分析的各个维度、指标含义和分析方法。

## 核心分析维度

### 1. 商品表现维度

| 指标 | 定义 | 单位 | 重要性 |
|------|------|------|--------|
| 浏览量(PV) | 商品详情页被访问的总次数 | 次 | ⭐⭐⭐⭐⭐ |
| 访客数(UV) | 访问商品的独立用户数 | 人 | ⭐⭐⭐⭐⭐ |
| 点击率(CTR) | 曝光到点击的转化率 | % | ⭐⭐⭐⭐ |
| 转化率(CVR) | 访客到成交的转化率 | % | ⭐⭐⭐⭐⭐ |
| 成交金额(GMV) | 商品成交总金额 | 元 | ⭐⭐⭐⭐⭐ |
| 成交笔数 | 商品成交订单数 | 笔 | ⭐⭐⭐⭐ |

### 2. 货盘维度

商品按战略定位划分为不同货盘：

| 货盘类型 | 定义 | 运营策略 |
|----------|------|----------|
| 引流款 | 低价高流量商品，用于吸引客户 | 重曝光、轻利润 |
| 利润款 | 高毛利商品，贡献主要利润 | 重转化、重客单 |
| 爆款 | 销量最高的明星商品 | 全力推广、保持竞争力 |
| 长尾款 | 销量较低但有稳定需求 | 低投入维护 |
| 新品 | 新上架商品 | 重点培育、快速测款 |

### 3. 搜索推荐维度

影响搜索排名和推荐的关键因素：

| 因素 | 影响权重 | 优化方向 |
|------|----------|----------|
| 标题相关性 | 高 | 包含核心关键词、热搜词 |
| 类目准确性 | 高 | 确保类目正确，避免错放 |
| 商品质量分 | 高 | 完善商品信息、提升转化 |
| 店铺权重 | 中 | 提升店铺整体表现 |
| 价格竞争力 | 中 | 合理定价、参与活动 |
| 服务能力 | 中 | 提升发货速度、售后服务 |

### 4. 广告投放维度

| 指标 | 定义 | 健康范围 |
|------|------|----------|
| 广告消耗 | 广告投放花费 | 根据ROI调整 |
| CPC | 单次点击成本 | 行业均值以下 |
| ROI | 投入产出比 | > 1.5 |
| 曝光量 | 广告展示次数 | 稳定增长 |
| 点击量 | 广告点击次数 | CTR > 2% |

### 5. 市场竞争维度

| 分析项 | 数据来源 | 分析目的 |
|--------|----------|----------|
| 热品对比 | 下游热品数据 | 了解市场趋势 |
| 价格对比 | 竞品价格 | 评估价格竞争力 |
| 热搜词 | 类目热搜词 | 优化标题和关键词 |
| 行业趋势 | 行业大盘数据 | 判断淡旺季 |

## 分析优先级

按以下优先级进行商品分析：

1. **商品表现数据** - 了解当前状态
2. **市场竞争分析** - 对比行业水平
3. **搜推问题诊断** - 识别流量障碍
4. **广告效果分析** - 评估投放效率
5. **策略优化建议** - 制定改进方案

## 异常判定标准

### 表现异常

| 异常类型 | 判定条件 | 严重程度 |
|----------|----------|----------|
| 流量暴跌 | 日环比下跌 > 30% | 🔴 严重 |
| 转化异常 | CVR 低于行业均值 50% | 🟠 中度 |
| 排名下滑 | 搜索排名下降 > 10 位 | 🟡 轻度 |

### 搜推异常

| 异常类型 | 影响 | 处理建议 |
|----------|------|----------|
| 类目错放 | 搜索流量受限 | 立即修正类目 |
| 标题违规 | 可能被降权 | 修改违规词汇 |
| 图片问题 | 点击率下降 | 优化主图 |
| 属性缺失 | 搜索匹配度低 | 完善商品属性 |

references/interaction-specs.md

# 交互组件详细规范

本文档定义了 1688-product-analysis Skill 中所有交互组件的具体数据结构与映射规则。

## 1. select_abnormal_offer (Table 组件)

### 组件类型

`type: table`

### 业务场景

在执行 `get_abnormal_offers` 获取异常商品列表后，当用户**未明确指定诊断数量**时，以表格形式展示给用户，支持多选要诊断的商品。用户明确说“分析 3 个商品”“体检前五件”等数量时，直接按优先级取 Top-N 进入诊断，**不触发本表格**。

### 数据槽位定义

- **`title`**:
  - 类型: `String`
  - 固定值: `"异常商品列表 — 请选择要诊断的商品"`

- **`columns`**:
  - 类型: `Array<Object>`
  - 说明: 表格列定义，每列包含 `key`（字段名）、`label`（列标题）、`width`（可选，列宽 px）

- **`rows`**:
  - 类型: `Array<Object>`
  - 映射规则: 从 `multi_shop_product_analysis` 返回的各店铺 `items` 汇总后逐条转换；多店汇总最多 20 条（硬封顶，由 `--max_total_rows` 控制），按支付环比跌幅绝对值从大到小排序；单店无截断（原样返回 API 全量数据）；每行字段：id, imageUrl, title, shop_name, reason, payAmount, changeRate, visitorCount, visitorChange, loginId（title 截断 30 个字符（Python `len()` 计数）；共 8 列定义，id 和 loginId 不占显式列但为行必选字段）
  - 必须字段: `id`, `imageUrl`, `title`, `shop_name`, `reason`, `payAmount`, `changeRate`, `visitorCount`, `visitorChange`, `loginId`

### 字段映射规则

从 `get_abnormal_offers` 返回的每条 item 转换为 table row：

| row 字段 | 来源字段 | 转换规则 |
|----------|----------|----------|
| `id` | `item.itemId` | 直接赋值（字符串） |
| `title` | `item.offerTitle` | 直接赋值 |
| `imageUrl` | `item.offerImageUrl` | 直接赋值（CLI 已返回完整 URL，无需拼接前缀） |
| `shop_name` | `item.shop_name` | 直接赋值（归属店铺名称，来自 `multi_shop_product_analysis` 汇总时注入） |
| `reason` | `item.reason` | 直接赋值（如 "支付下跌"、"访客下跌"） |
| `payAmount` | `item.valueMap.payAmt.value` | 格式化为金额字符串 `¥xx,xxx.xx` |
| `changeRate` | `item.valueMap.payAmt.cycleCrc` | 格式化为百分比 `xx.x%`，负值加红色标记 |
| `visitorCount` | `item.valueMap.uv.value` | 若存在则取值，否则为 `"-"` |
| `visitorChange` | `item.valueMap.uv.cycleCrc` | 若存在则格式化为百分比，否则为 `"-"` |
| `loginId` | `item.loginId` | 直接赋值（店铺 loginId，隐藏字段，不在列定义中显示，仅保留组件兼容与候选来源；核心诊断不透传，最终以聚合 Tool 返回值为准） |

### 发现来源列（Step0 双入口场景）

当 Step 0 的"异常商品汇总"入口与"评分分层"第二入口（见 SKILL.md Step 0.5）**都有结果**时，需要把两份候选合并成一张表格，此时：

- `columns` 在原有 8 列基础上追加一列：`{ "key": "discoverySource", "label": "发现来源", "width": 110 }`
- 每行追加 `discoverySource` 字段：来自异常商品汇总的行填 `"异常下跌"`；来自评分分层 `c_grade_candidates` 的行填 `"评分分层-C级"`
- 若只有一个入口有结果，**不追加**该列和字段，保持原有 8 列结构不变（向后兼容）
- **两个来源各自独立封顶，不做二次压缩**：异常下跌沿用 `multi_shop_product_analysis` 自身的 20 条硬封顶（`max_total_rows`），评分分层沿用 `score_and_select` 的 `c_grade_candidates` 20 条硬封顶（`C_GRADE_CANDIDATES_LIMIT`）；合并后表格最多 40 行（20+20），不额外裁剪。两个来源各自内部排序规则不变（异常下跌按支付环比跌幅绝对值降序；评分分层按综合得分升序，最差优先）

### 列定义

```json
[
  { "key": "imageUrl", "label": "图片", "width": 80 },
  { "key": "title", "label": "商品标题" },
  { "key": "shop_name", "label": "店铺", "width": 100 },
  { "key": "reason", "label": "异常原因", "width": 120 },
  { "key": "payAmount", "label": "支付金额", "width": 120 },
  { "key": "changeRate", "label": "支付环比", "width": 100 },
  { "key": "visitorCount", "label": "访客数", "width": 100 },
  { "key": "visitorChange", "label": "访客环比", "width": 100 }
]
```

### 完整数据示例

```json
{
  "title": "异常商品列表 — 请选择要诊断的商品",
  "columns": [
    { "key": "imageUrl", "label": "图片", "width": 80 },
    { "key": "title", "label": "商品标题" },
    { "key": "shop_name", "label": "店铺",

references/report-template-simple.md

# 商品诊断报告（精简版）

## 格式示例

```
### 商品 1/2

**商品**：[商品名称]

**商品 ID**：[商品ID]

**货盘定位**：【引流款/利润款/爆款/定制款/新品】

**选择原因**：[为什么要优化这个商品，结合数据说明核心问题]

**分层定位**：[仅当商品来自 Step 0.5 评分分层候选时展示，格式："{level}（综合{totalScore}分）—— {得分最低的1-2个维度名称}偏低"]

**数据一致性提示**：[仅当候选标题与商品详情标题不一致时展示；说明以下分析以当前商品详情和经营数据为准]
```

单商品时标题固定为 `### 商品诊断`，多商品时才使用 `### 商品 {当前序号}/{总数}`。正文禁止使用 `1. 商品名称` 或缩进列表包裹后续表格。

**"分层定位"行的展示规则：**
- 商品来自 Step 0.5（评分分层第二发现入口）且已有 `score_and_select` 算好的 `scores`/`classification` 数据时才展示
- 商品来自 Step 0（异常商品汇总）时**不展示**该行，也**不额外调用** `score_and_select` 去补充评分（避免为角度完整性多花一次网关调用）
- "得分最低的1-2个维度"从 `scores` 里的 `sales_score`/`traffic_score`/`potential_score`/`roi_score`/`health_score` 五项中取最低的 1-2 项，对应中文名：销售贡献度/流量效率/成长潜力/营销ROI/商品健康度

## 输出要求

1. **货盘定位** - 根据数据判断：【引流款】【利润款】【爆款】【定制款】【新品】
2. **选择原因** - 用1-2句话说明为什么优化这个商品（结合数据）
3. **优化建议** - 不写进 `report` 正文，单独返回 `recommendations` 数组，每个商品1-4条，要求：
   - 具体可执行（如"标题添加XX词"而非"优化标题"）
   - 如有违规问题优先列出
4. **数据驱动** - 选择原因中必须引用具体数据支撑
5. **统一后置** - workflow 将 `recommendations` 与同款分析的可借鉴经验合并去重，在全部同款表格之后只输出一次 `#### 综合优化建议`
## 报告末尾后续操作（不可阻塞）

workflow 必须把可执行商品和行动点追加到完整报告末尾，并提示用户下一条消息回复“进入一键优化”。仅当未配置相关自动体检任务时，追加定时任务提示。Agent 当前回复只能输出完整 `merchant_report`，不得调用 notice、card 或其他工具；输出报告后立即结束当前回复。

> 一键优化和定时任务只能在用户下一条消息明确发起后执行。具体构造规则见 `references/interaction-specs.md` 中“报告末尾后续操作”章节。

## 独立选品场景格式示例（Step 0.5 分支1 专用）

当 Step 0.5 走"正向选品"分支（用户只要选品清单，不接诊断）时，使用以下精简格式，**不使用**上面"格式示例"章节的诊断报告模板：

```
# 重点品圈选结果

基于{策略总结}，推荐以下 {N} 款商品：

1. **{商品标题}** (ID: {item_id}) —— 【{货盘标签}】
    - {选择原因，1-2句话说明核心数据和优势}

2. **{商品标题}** (ID: {item_id}) —— 【{货盘标签}】
    - {选择原因}
```

**格式要求**：
- **不展示**综合得分、**不输出**优化动作、**不输出**行动建议
- 输出完成后直接结束，**不触发** `select_action` 交互（这是本场景专属例外，与上面"报告输出后必做"章节针对诊断场景的强制要求不同）

Sponsored

Ads related to 1688-product-analysis and adjacent AI workflows.