Sorftime 跨境选品数据助手

要解决的问题

跨境电商选品依赖大量分散的市场情报：市场容量、竞品格局、搜索关键词、FBA 利润、价格走势，缺一块判断就会失真。把这些数据接进 AI agent 还有另一个麻烦——Sorftime 的 MCP 工具超过 86 个，同一个业务概念在不同工具里参数名并不一致。商品类工具用 search_name，关键词类工具却叫 keyword；站点参数在 keyword_list 里是 keyword_support_site，而不是 amz_site。按惯性猜参数名，调用大概率直接失败。

技能如何工作

这个技能把上述问题拆成几层处理：

• MCP 桥接层：统一封装 Sorftime 全部数据工具。用户用自然语言提需求，技能负责路由到正确的工具链，而不是让 agent 逐个翻工具列表。
• 智能层：覆盖选品发现、竞品分析、关键词优化、利润测算、监控预警五类能力。
• 场景路由：内置触发词到脚本的映射表。说「找蓝海」走 picker.py --mode blueocean，说「算利润」走 calculator.py，说「监控价格」走 monitor.py，「分析这个 ASIN」走 analyst.py --mode competitor。
• 方法论卡片：针对蓝海选品、关键词布局、评论挖掘、季节选品、变体缺口等 19 个战术场景提供完整分析框架。与常见的硬阈值过滤不同，这里采用加权指数全量排名——不会因为一个 $19.99 的商品比阈值低 $0.01 就被丢弃，卖家能看到完整排序后自己决策。
• 参数自检：调用前必须校验目标工具的 inputSchema.properties，内置客户端会自动纠正常见参数别名并在 stderr 提示。

适用边界与注意点

• 仅通过 MCP 协议提供数据工具，没有 CLI 或独立 API 形态，接入前需确认你的 agent 支持 MCP。
• 调用 Sorftime 数据需要平台账号并开通 MCP 服务，属于付费资源，免费体验额度有限。
• 覆盖 Amazon、Walmart、Shopee、TikTok、TEMU、1688 等 21 个全球站点，但方法论卡片的分析深度因平台而异。
• 全量排名解决的是「阈值截断导致盲区」的问题，不替代对供应链、合规与运营能力的判断，最终 go/no-go 仍需卖家自己拍板。