---

name: sealeap-xiezhi-amazon-three-factor-opportunity-screen description: "Apply a tunable low-volume, higher-price, low-review screen to surface unfamiliar Amazon niches for deeper research. Use when the candidate universe is too large and the user needs a fast, explicitly non-final first pass."

Amazon 三因子机会粗筛

目标

用销量、价格和评论三维启发式快速减少样本，再对陌生细分机会做严格二次验证。

适用任务

• 对大类目做快速机会扫描。
• 寻找低评论仍稳定出单的中小体量产品。
• 为下一轮市场与差异化研究建立候选池。

开始前要拿到

• 目标类目与站点。
• 月销量、价格、评论、上架时间和商品特征代理数据。
• 目标毛利、物流与采购限制。
• 排除词和不可做品类。

缺少字段时列出证据缺口，并把相关结论标为 FACT、ESTIMATE、ASSUMPTION 或 UNKNOWN；不要补造数据。

不可妥协的边界

• 第三方数据均为估算或代理证据；Amazon 一方报告、后台实时字段和产品事实优先。
• 经验阈值只能作为可调起点，必须展示敏感性分析，不能写成 Amazon 官方规则。
• 不得捏造销量、搜索量、CPC、CVR、成本、认证、产品属性或消费者需求。
• 默认提供诊断或草案。写入前展示对象、旧值、新值、影响、停止线与回退，核对用户已有授权是否覆盖对象、动作与预算；范围已明确授权时继续执行并回读核验，只有未覆盖或扩大的范围才请求批准。
• 不输出或保存素材来源身份、账号、链接、作品编号、互动数据、原始话术或其他可反查来源的线索。
• 不得在粗筛后直接下单。
• 不得把市场估算写成真实销售或平台官方数据。

工作流

1. 设置起点

以“销量上限、售价下限、评论上限”构成探索起点；阈值按类目分位数、单位经济和风险偏好设定，而非套用固定组合。

2. 观察三类样本

优先看陌生品类、低评论稳定出单链接和可通过组合/数量/场景重构的商品。

3. 动态调参

结果太少时逐项放宽；结果太多时增加上架时间、类目或排除词，并记录每次变化。

4. 排除异常

检查合并评论、异常评价、极端低价、外部强推、不可持续事件和直接竞品定义。

5. 转入深研

为保留方向补齐需求、CPC、CVR、单位经济、供应链、IP 和合规证据。

判断标准

• 三个阈值用于压缩候选集，不是成功公式；报告必须给出至少一组放宽和一组收紧后的敏感性结果。
• 筛选器的作用是发现，而不是替代市场判断。
• 高客单价、低评论或中小销量单独出现都不能证明机会。

第三方 MCP 数据

需要外部关键词、竞品、评论或公开网页证据时，读取 references/mcp-data-plan.md，并使用 scripts/mcp_research.py。

• 先动态执行 tools/list、search-tools 和 describe，依据实时 inputSchema 构造参数。
• 凭证只从环境变量读取，不进入参数、URL、Skill、终端输出或 Git。
• 可能计费的 tools/call 先展示 Provider、工具、无密钥参数、预计成本与输出位置，核对已有授权；仅在授权覆盖本次范围时使用 --allow-cost，该标志不是费用上限。
• 脱敏结果用 --output 写入 Skill 包之外的任务私有目录；不假设安装位置受仓库 .gitignore 保护。第三方数据标为估算或代理证据。
• 失败一次后记录缺口，不以重复付费重试掩盖不可用状态。

必须交付的结果

• 筛选参数记录
• 候选商品池
• 异常排除表
• 陌生需求学习卡
• 深研优先级

结尾列出站点、数据窗口、证据来源、关键假设、缺口、风险、下一步和所有待批准动作。证据不足时写 HOLD，不得包装成可直接执行。

执行细节、证据字段和质量检查见 references/playbook.md。