我完全是偶然发现这个的
当时我需要为我的店铺找第三款产品
花了三周时间做常规操作：Helium 10、热门搜索词、观察其他卖家在社交媒体上推广什么
找到了不少选项。但每一个都已经有 50 多个竞争对手。在我甚至还没要样品报价之前，利润空间就已经被榨干了
最后我实在受够了，干脆把评论数据一股脑丢进 Claude，看看能出来什么结果
那次实验变成了一套系统。这套系统找到了一款净利率 48% 的产品，而我两个长期合作的供应商之前压根没想过要采购它
这就是我现在的工作方式
为什么热门产品列表是死胡同
逻辑听起来很合理：找到已经在热卖的东西，然后去卖它
问题在于，当一个产品出现在热门列表上时，你已经晚了
你进入的是一个被翻了个底朝天的市场。那些真正赚到钱的卖家几个月前就入场了——他们积累了评论数量、锁定了 BSR、建立了供应链。你赶上的只是曲线的尾巴
我不是说你永远无法打入一个竞争激烈的品类。但上行空间有限，而且过程极其煎熬
无休止的 PPC 监控、价格战打到地板价、一批次产品出问题就能让你前功尽弃
我真正想要的是不一样的
一个需求已经被验证的产品——人们确实在买那个品类里的 *东西*——但现有的版本有明显、有据可查的缺陷
不是那种没人关心的、未经测试的小众市场。而是一个充满买家的细分市场，他们因为还没有更好的选择，只能凑合着用平庸的产品
这是一个具体的问题。而且是一个你真正能解决的问题
为什么评论数据才是真正的产品情报
亚马逊上最丰富的产品研究来源，不是产品本身
而是评论。具体来说，是品类中头部产品的 1、2、3 星评论
这些评论是付费客户在免费告诉你——完全免费——他们期望什么、没得到什么。什么东西裂了。什么东西出现了奇怪的气味。什么东西用了六周就坏了
大多数卖家在上架前只是扫一眼评论，确认一下整体口碑
我开始用完全不同的方式去读它们：一份还没人做出来的产品规格书
问题在于原始数据量太大。如果一个品类里前 10 个产品各有 300 多条评论，你面对的就是 3000 个独立数据点。你不可能全部读完。你会扫一眼，错过真正的模式，最后只留下模糊的印象，而不是可操作的数据
所以我开始把所有数据都灌进 Claude
为了抓取和整理评论数据，我用的是一个基于浏览器自动化的轻量级爬虫：
apify/store
现成可部署的爬虫目录，包括亚马逊评论导出工具，有免费套餐
https://apify.com/store
我实际使用的提示词栈
这是真正的工作流。不是美化过的模板——这就是我实际在跑的
提示词 1：发现缺口
我从品类中前 10 个产品的 1 到 3 星评论里抓取数据。粘贴到一个文本文档里，通常是 300–600 条评论。然后运行这个提示词：
角色：产品缺口分析师
输入：[品类] 的亚马逊客户评论
你的任务：
1. 找出所有评论中重复出现的前 3 大投诉
2. 标记哪些投诉是现有产品没有解决的
3. 针对每个缺口：这是采购问题还是设计问题？
4. 给每个缺口打分：(a) 提及频率，(b) 修复难度
忽略：配送投诉、价格投诉、卖家行为
关注：产品设计、材料、机制、耐用性
返回格式：仅 JSON。不要解释性文字。使用 JSON 格式是有意为之。当我要求文字输出时，Claude 会含糊其辞、软化一切。JSON 迫使它做出具体承诺
为了将网页和产品列表转换成 Claude 能处理的干净文本：
microsoft/markitdown
将任何文件格式转换为干净的 Markdown 供 Claude 使用，40K+ 星
https://github.com/microsoft/markitdown
便携式狗用水瓶品类的输出示例：
{
"gaps": [
{
"complaint": "硅胶水槽在多次洗碗机循环后变形",
"frequency": "38% 的 1-2 星评论",
"gap_type": "材料",
"fixable": true,
"solution": "使用食品级 PP 或不含 BPA 的 Tritan 内胆组件",
"difficulty": "低 — 标准材料替换"
},
{
"complaint": "锁定按钮在使用 4-5 周后卡住或无法啮合",
"frequency": "31% 的 1-2 星评论",
"gap_type": "机制",
"fixable": true,
"solution": "重新设计为摩擦配合的扭锁，取消弹簧组件",
"difficulty": "中 — 需要新模具"
},
{
"complaint": "容量太小，不适合大型犬，每次遛狗需要多次加水",
"frequency": "22% 的 1-2 星评论",
"gap_type": "尺寸",
"fixable": true,
"solution": "在标准 350ml 之外增加 750ml 版本",
"difficulty": "低 — 相同模具几何结构，按比例放大"
}
]
}三个不同的痛点。其中两个很容易解决
其中一个——按钮机制——出现在该品类几乎所有主要产品的近三分之一差评中
这不是一个糟糕的产品。这是第一个制造商做出的一个设计决策，而其他所有卖家都照抄了，从未质疑过
提示词 2：对照供应商规格验证
一旦我在阿里巴巴上找到一家采用扭锁设计的供应商，我就跑了第二轮：
以下是评论分析中的投诉数据：[粘贴 JSON]
以下是潜在供应商的产品规格：
- 材料：不含 BPA 的 Tritan
- 机制：摩擦配合扭锁，无弹簧组件
- 容量：350ml / 600ml
- 认证：LFGB（欧盟食品级）
**任务：**
这个规格是否直接解决了最核心的投诉？
还有哪些投诉没有得到解决？
在敲定样品前，我应该向供应商问哪些问题？
**返回：** 剩余问题清单 + 5个具体的供应商问题。
---
Claude 指出 600ml 最大容量仍然没有解决大型犬容量的投诉。
它还注意到 LFGB 是欧盟食品安全标准，我需要核实它是否满足美国市场的 FDA 要求。
这两个问题我可能之后会注意到，但在给供应商发第一条消息之前大概率不会发现。
**提示词 3：供应商沟通**
以前我自己写这类消息，也能收到回复。但 Claude 写的回复质量更高、更具体、结构更清晰，读起来像是个成熟运作的团队。
写一封专业的 Alibaba 供应商询盘，针对以下产品：
产品：便携式狗水瓶，旋转锁扣，不含 BPA 的 Tritan 材质，无弹簧结构
我的要求：
- 初始订单 MOQ 1200，复购潜力 3500+
- 不含 BPA 的 Tritan，需要 LFGB 和 FDA 文件
- 容量：350ml、600ml、750ml
- 定制 logo 刻印 + 哑光森林绿配色
- 任何批量订单前必须先打样
需要包含的关键问题：
- 样品交货期 vs 批量生产交货期
- 是否可加固旋转锁扣外壳壁厚
- 纸箱规格是否符合 Amazon FBA 入仓要求
语气：专业直接。不要暗示这是一个小规模运作。
发给五家供应商。四家在 72 小时内回复。
其中一家已经为欧洲客户完成了 750ml 模具。样品的交货期是 22 天。
## **实际数据长什么样**
样品到了。经过测试，旋转锁扣在 300 次以上循环后依然紧密咬合。多次洗碗机清洗后无异味。批准批量订单。
单位成本（1200 MOQ） $1.30
定制包装 + logo $0.25
海运至 FBA 仓库 $0.51
Amazon FBA 配送费 $3.40
PPC 广告支出（第1个月估算） $1.65
─────────────────────────────────────────
单位总成本 $7.11
售价 $14.99
单位净利润 $7.88
第1个月目标：550 件
预计净利润：~$4,300
48% 的净利润率在实体产品中不算特别突出。
但对于 Amazon FBA 配合付费流量来说，这已经非常强了。同类产品的品类基准通常在 20–26% 。
区别在于，其他人还在卖弹簧锁版本，靠降价维持可见度。
我卖的是那个用了一个月不会卡死的版本。
评论增长很健康，因为产品真正解决了买家在投诉里写的问题。这种效果会随时间持续放大。
## **第五部分：完整工作流**
步骤 1 选择一个有真实购买量的品类
拉取 300–600 条评论，只看 1–3 星，针对前 10 个 listing
Claude 提示词：提取痛点，返回 JSON 格式输出
步骤 2 将痛点带到 Alibaba
搜索已经解决该特定问题的供应商
筛选 4–6 家规格匹配的
步骤 3 Claude 验证
输入投诉数据 + 供应商规格
返回未解决的问题 + 供应商问题清单
步骤 4 Claude 撰写沟通消息
同时发送给候选供应商
根据回复速度、文件、灵活性进行评估
步骤 5 下单样品，对照原始投诉清单进行测试
批准或要求迭代
协商 MOQ、品牌、交货期
步骤 6 Claude 撰写 Amazon listing
围绕你所解决的问题构建文案角度
用投诉原文中的精准匹配词启动 PPC
──────────────────────────────────────────────────────────────
实际工作时间： 3–4 天
Claude 订阅费： $20/月
启动资金： ~$2,000–$2,500
若要将完整的 Claude 工作流作为可重复的自动化系统运行：
> **anthropics/claude-code**
>
> 官方 CLI，用于将 Claude 作为代理工作流工具运行
> [https://github.com/anthropics/claude-code](https://github.com/anthropics/claude-code)
若要将 Claude 连接到外部工具（如爬虫和供应商查询）：
> **anthropics/model-context-protocol**
>
> MCP，用于集成工具与 Claude 的开放标准
> [https://github.com/anthropics/model-context-protocol](https://github.com/anthropics/model-context-protocol)
## **真正的优势在哪里**
这不算秘密。
评论挖掘在电商策略讨论中已经存在多年。真正的优势在于执行的深度和速度。
之前，要正确完成这件事意味着要手动阅读数小时、建立电子表格标签来分类投诉、尝试在数千条不连续的数据点中找出模式。
大多数卖家只跑一个简化版，接受浅层输出。
“买家提到耐用性问题”并不具备可操作性。是哪个部件？频率如何？是材料问题、设计缺陷、还是装配问题？
Claude 在不到两分钟内处理 500 条评论，返回结构化、具体、可落地的输出。
这改变了哪些任务真正值得做。概念并不新。但你现在能执行的版本，比以往任何可以合理尝试的方式都要彻底。
那些还在卖弹簧锁设计的竞争对手并非视而不见。
他们只是没跑过这个分析。他们的 2 星评论不断积累，他们用降价来应对。
这个缺口还在那里。
其实根本不关那个水瓶的事。
<video preload="auto" tabindex="-1" playsinline="" aria-label="内嵌视频" poster="https://pbs.twimg.com/tweet_video_thumb/HKXYUkGXAAALOVA.jpg" src="https://video.twimg.com/tweet_video/HKXYUkGXAAALOVA.mp4" type="video/mp4" style="width: 100%; height: 100%; position: absolute; background-color: black; top: 0%; left: 0%; transform: rotate(0deg) scale(1.005);"></video>
GIF