---

name: sealeap-luduan-amazon-red-ocean-usp-mining description: "Mine differentiation angles for a saturated Amazon category by tracing how a best-seller spawned derivative shapes, testing color and style fit with target-market home aesthetics, and extracting soft selling points such as production ethics and material claims from competitor bullets, then turning candidates into a factory-feasibility and claim-verification list. Produces hypotheses to test, not guaranteed winners. Use for 红海类目怎么找卖点、同质化产品差异化、爆款衍生款、卖点从哪里来、软性卖点、五点卖点怎么写才有区别. Do not use to copy competitor designs or to make unverifiable ethical, material or origin claims."

Amazon 红海类目差异化卖点挖掘

目标

Mine differentiation angles for a saturated Amazon category by tracing how a best-seller spawned derivative shapes, testing color and style fit with target-market home aesthetics, and extracting soft selling points such as production ethics and material claims from competitor bullets, then turning candidates into a factory-feasibility and claim-verification list. Produces hypotheses to test, not guaranteed winners.

不可妥协的边界

• 当前 Amazon 官方政策、账户资格、站点字段和一方数据优先于本 Skill 的经验框架。
• 第三方数据一律标为估算或前台观测，不得写成 Amazon 一方事实。
• 默认只读诊断和草案；任何广告、Listing、库存、促销或外部系统写操作都需逐项展示并取得明确批准。
• 一次实验只改变一个主要变量，并记录基线、样本、成功、停止和回退条件。
• 不得复制来源材料或竞品表达；输出必须按当前任务重新组织并可由现有证据支撑。
• 来源认为某衍生款“肯定是下一个热卖品”，这是个人判断；本 Skill 只把衍生方向作为假设，以评价增速与上线后数据验证。
• 来源提到的“公平生产”“家庭工厂”“天然材质”等卖点必须有真实依据；不得虚构生产条件或材质，否则涉及虚假宣传。
• 配色与风格偏好随市场与时间变化，来源对简约装修偏好的判断仅作参考，应以目标站点畅销款的配色分布与评论校准。

先判断任务模式

1. 诊断：读取现状、证据和缺口，不生成线上写入动作。
2. 方案草案：输出可审核的结构、参数范围、实验和回退值。
3. 执行准备：只生成待批准变更表或 API/控制台操作草案。
4. 已批准执行：仅对用户在当前会话明确批准的对象和字段执行，并立即回读核验。

用户未指定时采用“诊断”。

开始前要拿到

• 目标 marketplace、类目、价格带、上架时间与运营模式
• 候选品与同购买意图可比样本的销量、评论、价格和上架时间
• 关键词需求、历史趋势、广告依赖、同款密度和品牌集中度
• 采购、头程、平台费、退货、仓储、交期和合规/IP 基础信息

缺失项必须标为 NEEDS_EVIDENCE；不得猜数字、补属性或把不同站点、ASIN、变体、币种和时间窗混在一起。

工作流

先读取 references/playbook.md，确认该方法适用于当前对象。按以下顺序执行：

1. 锁定参照爆款与其衍生链：记录类目内评价领先的款式、已出现的衍生形态（形状、组合、尺寸变化）与各自的评价积累速度，判断哪些衍生方向已被跟进、哪些还空着。
2. 从风格适配找卖点：对照目标市场主流装修与使用场景的色彩偏好（例如简约风偏白、银、浅色），检查现有畅销款配色是否只覆盖一种风格；把配色与材质表面处理列为候选改款项。
3. 从竞品五点与图片中提取软性卖点：生产方式（小型家庭工厂、公平生产条件）、材质承诺（天然材质、无化纤）、风格命名；记录每条卖点对应的证据形式（图片、证书、描述）。
4. 校验语言与语义：目标站点语言中的风格词、专有名词是否与自己的理解一致，用当地语言的搜索结果与词典核对，避免用错场景的词。
5. 每个候选卖点做可行性与可证明性双核：与工厂确认能否改形态/配色/材质及最小起订量与成本变化；能否为软性卖点提供真实证据（工厂资质、材质检测）。做不到证明的卖点不写进 Listing。
6. 形成改款与卖点清单并排序：优先选择工厂可做、可证明、且在现有竞品中覆盖率低的卖点；为每条设定上线后的验证指标（点击率、转化率、评论提及）。

最后做数据充分性检查，并把结论分成 FACT / ESTIMATE / HYPOTHESIS / UNKNOWN。若关键证据不足，状态写 HOLD。

第三方 MCP 数据

仅在自有数据不足且当前任务确实需要外部证据时，读取 references/mcp-data-plan.md，再使用 scripts/mcp_research.py。本 Skill 的外部取数目的：抓取类目内爆款及其衍生款的公开 Listing 五点、图片与评论，提取已被使用的卖点与买家关注点。

• 先 doctor，再 search-tools 和 describe；工具名及参数以实时 tools/list 与 inputSchema 为准。
• Token 只从环境变量读取。不得写入命令参数、URL、Skill、报告、日志或 Git。
• tools/call 或 Actor 可能计费；先展示 Provider、工具、无密钥业务参数、预计成本与输出位置，核对已有授权覆盖后才加 --allow-cost；该标志不是费用上限。

必须交付的结果

• 爆款衍生链与空白方向表
• 候选卖点清单（硬件改款/风格适配/软性卖点）及证据要求
• 工厂可行性与成本确认记录
• 上线验证指标与观察计划
• 数据范围、来源、采集时间、样本与限制。
• 关键假设、待补证据、风险和不可确定项。
• 若有动作：对象、旧值、新值、预期、停止条件、回退值与审批状态。

方案状态使用 READY FOR REVIEW / DRAFT / HOLD / STOP；如已执行，另行记录实际结果及回读证据。未得到明确批准时，不得声称已修改线上对象。