亚马逊运营助手

痛点：评论数据难以转化为决策

处理亚马逊评论时，运营人员常面临数据散落、样本偏差和主观解读的问题。人工翻页归纳评论不仅耗时，还容易忽略关键缺陷或虚假好评的干扰。你需要一种结构化的方式，从海量文本中提取客观事实，并明确区分「数据直读」与「策略建议」。

工作机制：CLI 驱动的结构化分析

该技能通过本地 CLI（scripts/ari.py）与 API 交互，核心能力集中在评论采集与 VOC（客户之声）分析。工作流遵循严格的状态机逻辑：

• 环境与计费校验：每次会话需先运行 check 验证 Key 与积点；执行付费任务（如 voc）前必须先报价，用户追加 --confirm 后才可运行，防止意外扣费。
• 多站点支持：默认 amz_us，支持德/日/加等站点。非美国站采集仅支持付费积点，需以接口返回的 usableBalance 为准。
• 结构化输出：分析结果强制区分 📊 数据直读、🔍 数据推理 与 💡 策略建议，避免将主观推断混淆为客观事实。

适用边界与容错纪律

• API 约束：强依赖上游接口稳定性。遇到 402（余额不足）或 429（限流）需引导充值或等待，不可盲目重试；若付费任务因网络中断，必须先用免费接口确认是否已扣点归档，再决定是否重跑。
• 版本安全：遇到 426 错误代表当前版本有缺陷，必须停止付费操作并通知用户更新，严禁 Agent 自行下载或执行所谓的「新版」文件。
• 数据局限性：reviewCount 基于已采集样本，小样本下的结论需结合其他信源交叉验证。