摘要:大模型推理越来越强,竞品分析却依然靠不住,问题在数据层:分析 = 推理 × 数据。本文拆解竞品数据需要的四个性质(实时、全面、准确、持续),给出 MCP 对话式接入与脚本化定时快照对比两条路径,并附一个可运行的 Python 快照 diff 示例。
一个让人不太舒服的现象
让顶级模型“分析我的五个亚马逊竞品”,几秒钟就能得到结构完整、文笔流畅的报告。可随便挑一个数字问出处,答案常常是空的。这不是模型“撒谎”,而是没有数据源时,它做的是它最擅长的事:生成像分析的文本。
我习惯用一个公式描述这件事:分析 = 推理 × 数据。推理的进步有目共睹,而数据是工程问题:竞品信息在平台上,每天变化,模型自己够不着。乘法关系下,数据接近零,结果就接近零。
竞品数据的四个性质
从工程角度,我会把要求拆成四条:
- 实时(fresh):决策时读取页面,而不是导出文件。例如自然排名周一第 4、周五还是第 4,但中间多了四个广告位,页面位置从第 5 掉到第 8。只存排名字段的系统会报告“稳定”。平台规则也在变:2026-07-27 起标题被拆成
itemName与itemHighlights,依赖旧解析假设的流水线会无声出错。 - 全面(complete):整页结果(含广告位)、变体、卖家、评论、买家问题,加站外信号,而不是人工挑的几个 Listing。
- 准确(accurate):字段结构化、估算值标注、每个数字可追溯到一次调用和时间戳。
- 持续(continuous):竞品分析的核心是“变化”,至少要有两个时间点的快照。
架构:两条路径,按阶段选
探索阶段,用 MCP。 Pangolinfo Amazon Data MCP是托管的 MCP 服务,一个端点、一个 Key,约二十个只读工具。你在 AI 客户端里对话式地跑,调用过程全部可见,用来摸清“哪些数据值得每天看”。
固化阶段,用脚本或 REST。 问题稳定之后,迁移到定时任务,批量与定时可以用 Amazon Scraper API,评论和买家问题有对应的 Reviews API 与 Alexa API。经验法则:还在摸索时用 MCP,问题确定了就用 API。
接入(MCP 客户端)
在 tool.pangolinfo.com 获取 Key,加到支持 Streamable HTTP 的客户端:
{
"mcpServers": {
"pangolinfo": {
"url": "https://mcp.pangolinfo.com/mcp",
"headers": { "Authorization": "Bearer YOUR_API_KEY" }
}
}
}
配置不会热加载,改完需要重连客户端;Key 放进密钥管理,别提交到 Git。更多客户端写法见接入指南。
脚本化:竞品快照 diff
“持续”这一条,用一个很小的脚本就能先验证价值:每天取一次竞品详情,和昨天的快照对比。
先安装 Python 客户端:
pip install pangolinfo-mcp
import json, os, datetime, pathlib
from pangolinfo_mcp import PangolinfoMCPClient
WATCH = ["B0XXXXXXX1", "B0XXXXXXX2"] # 竞品 ASIN,换成你自己的
MAX_ASINS = 10 # 预算守卫:每个产品页约 1 Credit
SNAP = pathlib.Path("snapshots"); SNAP.mkdir(exist_ok=True)
# 按字段名关键词筛选“值得关注的变化”。
# 先打印一次原始 JSON,再按真实字段名调整这个列表。
KEYS = ("price", "rank", "rating", "title", "itemname", "itemhighlights", "badge")
def flatten(obj, prefix=""):
out = {}
if isinstance(obj, dict):
for k, v in obj.items():
out.update(flatten(v, f"{prefix}{k}."))
elif isinstance(obj, list):
for i, v in enumerate(obj[:20]):
out.update(flatten(v, f"{prefix}{i}."))
else:
out[prefix.rstrip(".")] = obj
return out
def interesting(path):
return any(k in path.lower() for k in KEYS)
def diff(old, new):
a, b = flatten(old), flatten(new)
for path in sorted(set(a) | set(b)):
if interesting(path) and a.get(path) != b.get(path):
yield path, a.get(path), b.get(path)
if len(WATCH) > MAX_ASINS:
raise SystemExit("超过预算守卫")
today = datetime.date.today().isoformat()
with PangolinfoMCPClient(api_key=os.environ["PANGOLINFO_API_KEY"]) as client:
for asin in WATCH:
new = client.get_amazon_product(asin) # 具体签名以 README 为准
files = sorted(SNAP.glob(f"{asin}-*.json"))
if files:
old = json.loads(files[-1].read_text())
for path, a, b in diff(old, new):
print(f"[{asin}] {path}: {a!r} -> {b!r}")
(SNAP / f"{asin}-{today}.json").write_text(
json.dumps(new, ensure_ascii=False, indent=2))
放进 cron 即可每天一次:
0 9 * * * cd /path/to/project && PANGOLINFO_API_KEY=xxx python snapshot_diff.py >> diff.log
几点说明,免得踩坑:
flatten+interesting是为了不依赖具体返回结构。你应该先打印一次原始 JSON,再把KEYS换成真实字段名。- 这个脚本只看产品页。广告位占比需要对搜索结果做同样的快照,可以把
search_amazon的返回也存起来对比。 - 生产里建议改成 REST + 队列,并加上失败重试。
预算与账本
每个工具的描述里都公布了成本。写作时的大致数字:Niche、类目、产品详情、榜单约 1 Credit,keyword_trends 约 1.5,ai_search 约 2,get_amazon_reviews 每页 10。使用前以最新工具描述或 capabilities 工具为准。
设计上两条建议:一是贵的调用放最后,且只给通过前面测试的候选;二是让模型每一行都以账本行号或 UNVERIFIED 结尾,再统计 UNVERIFIED 的行数,作为报告可用度的读数。
提示词注入
评论、标题、五点描述是陌生人写的文字,会直接进入一个手里有工具的模型。两道防线,单独都不够:工具集只读,限制成功注入后的最坏后果;系统提示词声明这些文字只是待分析的数据,绝不是指令。就我看到的工具描述,目前并没有把评论和 Listing 文本标注为不可信,所以这条边界要靠你自己的提示词来守。
限制
类目和 Niche 工具目前只支持美国站;任何工具给的销量都是估算;不提供按关键词的周搜索量,需要的话请搭配关键词工具;利润仍需你自己的成本数据。
小结
AI 做不好竞品分析,很多时候不是推理不够,而是数据没接上。先用 Amazon Data MCP 摸清要看什么,再用脚本或 API 把“持续”这一条固化下来,这比再调一遍提示词有效得多。