星图AI·评论洞察(VOC),帮助全球电商卖家进行产品改进、新品开发、市场调研!核心能力:获取亚马逊评论、AI深度分析差评、精准量化高频问题、挖掘高星隐性差评、生成改进建议、追踪评论趋势、增量更新。
AstrMap Review Insights Skill
功能概述
AstrMap Review Insights Skill是一项面向实际任务的技能,主要用于语言使用规范;若用户使用 中文 输入,以 中文 回复;
核心要点
- 若用户使用 非中文 (如英文)输入,以 英文 回复;
- API Key;
- 所有 API 调用均需要 API Key 进行身份认证;
使用与执行
说明 :API 端点固定为 https://api.astrmap.com ,不可配置;推荐方式 :在 ~/.zshrc 或 ~/.bashrc 中设置。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。从功能定位来看,该技能强调把分散的操作要求整理成清晰、可复用的处理流程,使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;
结果检查与注意事项
若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。该技能适合用于一次性任务,也可以接入自动化工作流,与其他技能或上层代理配合完成更完整的业务链路;在组合使用时,应明确每一步的输入输出关系,并避免不同步骤之间出现参数冲突。
AstrMap Review Insights Skill
语言使用规范
- 若用户使用中文输入,以中文回复
- 若用户使用非中文(如英文)输入,以英文回复
配置
API Key
所有 API 调用均需要 API Key 进行身份认证。
说明:API 端点固定为 https://api.astrmap.com,不可配置。
推荐方式:在 ~/.zshrc 或 ~/.bashrc 中设置环境变量:
export CUSTOMER_INSIGHTS_API_KEY="your-api-key-here"
API Key 获取方式:前往 https://www.astrmap.com/ 下载并安装AstrMap桌面客户端,登录后点击左下角用户菜单 → 接口密钥页面,创建并复制 API Key。
重要:若 CUSTOMER_INSIGHTS_API_KEY 环境变量为空,或用户未提供 API Key,请先询问用户:
「请提供您的 AstrMap API Key(可前往 https://www.astrmap.com/ 下载桌面客户端,登录后在左下角用户菜单 → 接口密钥 页面创建获取)」
获取后,通过
--api-key参数传入后续所有命令。
安全提示:本 Skill 将 API Key 发送至 AstrMap 服务器(api.astrmap.com)进行身份认证,用于分析您指定的亚马逊产品评论数据。API Key 不会用于访问其他服务。
功能分层说明
| 功能 | 需要桌面客户端 | 需要 API Key |
|---|---|---|
| 查询已完成任务的分析结果 | ❌ | ✅ |
| 创建仅采集任务 | ✅ | ✅ |
| 创建自动分析任务 | ✅ | ✅ |
| 增量获取 | ✅ | ✅ |
| 手动触发分析 | ❌ | ✅ |
提示:如果您只需要查询已完成的分析结果,可以直接使用 API Key,无需下载和安装桌面客户端。
桌面客户端
创建任务需要 AstrMap 桌面客户端在线运行。
设备不在线时处理流程(check_device 返回 1001 错误):
- 询问用户:「桌面客户端未运行,请问您是否已安装桌面客户端?」
- 若用户未安装:询问是否需要帮助下载,获取下载链接后引导用户解压和启动
- 若用户已安装但未运行:提示用户启动桌面客户端,重新检测设备在线状态
桌面客户端下载与安装
1. 获取下载链接
python scripts/api_client.py --action get_download_links
2. 解压注意事项
重要:解压时请勿使用 Windows 自带的解压工具(会导致问题),建议使用 7-Zip、WPS解压 等工具。
3. 启动指引
macOS:将整个文件夹移动到「应用程序」目录,右键点击 Astrmap.app 选择「打开」,若提示「无法打开」请前往「系统设置 → 安全性与隐私 → 通用」选择「仍要打开」确认。
Windows:右键点击 "launch.vbs" 选择「用 PowerShell 运行」或直接双击启动。
4. 首次使用配置
桌面客户端启动后,需要:
- 登录 AstrMap 账号
- 登录亚马逊买家账号(请勿使用正在做业务的卖家账号)
- 确保亚马逊访问畅通
安全与验证
详细的安全验证说明、隐私风险声明、Amazon 账号安全和 API Key 安全建议,请阅读 {baseDir}/references/security.md。
依赖安装
pip install -r requirements.txt
重要说明
积分规则
- 创建任务(自动模式):免费获取亚马逊评论,AI 分析会扣除账户积分
- 创建任务(仅采集模式):免费获取亚马逊评论,不扣除积分
- 增量获取:获取最新评论并重新分析,扣除积分
- 查询结果:查看已完成任务的分析结果,不扣积分
前置条件(仅创建任务时需要)
- AstrMap 桌面客户端已登录
- 桌面客户端已登录亚马逊买家账号(勿使用正在做业务的卖家账号)
- 确保亚马逊访问畅通
查询已完成任务的分析结果无以上限制,可直接调用。
Workflow
调用方式
python scripts/api_client.py --action <操作> [--参数...]
1. 检查设备在线
python scripts/api_client.py --action check_device --api-key "your-key"
返回:{is_alive: true, endpoint_id: "xxx", endpoint_type: "desktop", status: "idle"}
v2.2 字段更名:
online → is_alive、device_id → endpoint_id,新增endpoint_type。离线时is_alive为false,endpoint_id / endpoint_type为null。
2. 创建任务
注意:创建任务会扣除积分。在执行创建任务命令前,必须先告知用户并等待确认: 「即将为您创建任务,当前账户剩余积分:{points}。本次任务将扣除积分,是否继续?」
创建任务流程:
--action check_device→ 检查设备在线状态--action get_points→ 检查账户积分- 告知用户积分消耗,等待用户确认
- 确认前置条件满足后,执行
--action create_task --asin--site <站点> [--is-auto false]
运行模式:
| 参数 | 说明 |
|---|---|
--is-auto true(默认) |
自动模式:采集完成后自动执行 AI 分析 |
--is-auto false |
仅采集模式:采集完成后停在"待分析"状态 |
站点映射:US/CA/UK(英语)、DE(德语)、FR(法语)、IT(意大利语)、ES(西班牙语)、JP(日语)
命令示例:
python scripts/api_client.py --action create_task --api-key "your-key" --asin "B09V3KXJPB" --site US
3. 轮询任务状态
任务提交后,每隔 6 分钟 执行一次查询:
python scripts/api_client.py --action get_task_detail --api-key "your-key" --task-id "TSK_xxx"
状态流转:
自动模式 (is_auto=true):PENDING → DISPATCHING → COLLECTING → PROCESSING → ANALYZING → SUCCESS/FAILED/CANCELLED
仅采集模式 (is_auto=false):PENDING → DISPATCHING → COLLECTING → COLLECTED
各状态的提示语:
| 状态 | 向用户展示 |
|---|---|
| PENDING | 「任务已提交,等待调度中...」 |
| DISPATCHING | 「正在分配设备...」 |
| COLLECTING | 「正在获取亚马逊评论数据,请耐心等待(通常需要 20~120 秒)」 |
| PROCESSING | 「评论数据获取完成,正在处理中...」 |
| ANALYZING | 「数据处理完成,AI 正在分析中...」 |
| SUCCESS | 「分析完成!正在为您获取结果...」 |
| FAILED | 「任务失败,请检查设备状态和网络连接后重试」 |
| CANCELLED | 「任务已取消」 |
| COLLECTED | 「采集完成!已进入待分析状态」 |
若任务长时间(超过 18 分钟)未完成,提示用户检查桌面客户端是否在线。
4. 获取分析结果
# AI 洞察摘要 python scripts/api_client.py --action get_ai_insights --api-key "your-key" --task-id "TSK_xxx" # 分类标签分布 python scripts/api_client.py --action get_category_tag_distribution --api-key "your-key" --task-id "TSK_xxx" # 基础统计 python scripts/api_client.py --action get_basic_statistics --api-key "your-key" --task-id "TSK_xxx" # 差评列表 python scripts/api_client.py --action get_negative_reviews --api-key "your-key" --task-id "TSK_xxx" --page 1 --page-size 20
注意:查询已完成任务的结果不扣积分,也无前置条件限制。
5. 增量获取
注意:增量获取会扣除积分。在执行前必须先告知用户并等待确认。
增量获取流程:
- 检查设备和积分
- 告知用户积分消耗,等待确认
--action create_incremental --task-id- 轮询任务状态(与创建任务相同)
6. 手动触发分析(仅采集模式)
仅采集模式 (is_auto=false) 的任务,采集完成后停在 COLLECTED 状态,需要手动触发 AI 分析:
python scripts/api_client.py --action trigger_analysis --api-key "your-key" --task-id "TSK_xxx"
状态流转:COLLECTED → PROCESSING → ANALYZING → SUCCESS
7. 好评分析(polarity="positive")
上述 Workflow 1-6 主要围绕差评侧 / AI 洞察。
scripts/api_client.py同时支持polarity="positive"拉好评原话、好评代表、好评标签分布——用于 listing 文案卖点提炼、营销素材库、与差评侧做对照表。详细工作流(含 V1 自检清单 5 项 + 典型陷阱 pitfall #28/#29)请阅读
{baseDir}/references/positive-reviews-workflow.md。
三种方法快速调用:
from api_client import CustomerInsightsClient
client = CustomerInsightsClient(api_key="sk_live_...")
# 1. 好评全量原话(与 get_negative_reviews 字段一致,支持翻页)
pos = client.get_sentiment_reviews(tid, polarity="positive", page=1, page_size=50)
# 响应: {items: [...], total: N, page_max: M, page: 1, page_size: 50}
# 2. 好评代表(按 dimension 排名,limit 实测 ≤ 5)
rep_pos = client.get_representative_reviews(tid, polarity="positive", limit=5)
# 响应字段: content / title / star / dimension / dimension_name / rank_in_dimension / url
# 3. 好评标签频次(三层嵌套:dimension → category → tag)
dist_pos = client.get_category_tag_distribution(tid, polarity="positive")
# 响应: category_tag_distribution.dimensions.{experience|product|service}.categories.{...}.tags
等价关系(重要):get_negative_reviews = get_sentiment_reviews(polarity="negative") 的别名(见 scripts/api_client.py 源码注释)。不要写两套——用 polarity 切换即可。
典型用法:
- Listing 文案:从
get_representative_reviews(polarity="positive")摘原话当 bullet points,频次榜 Top 5 当主卖点 - 营销素材库:从好评原话按"功能描述型 / 情感共鸣型 / 场景代入型 / 问题解决型"分类整理
- 差评 vs 好评 对照表:同维度两极分化检测(如"操作简便 97 vs 操作复杂 126"——App 流程对一部分人友好、对另一部分人劝退)
⚠️ 必走 V1 自检(详见 reference):①
polarity="positive"的 items 含 1★/2★(pitfall #28,需先按review_star >= 4过滤);② 代表好评 4★ content 可能含隐性差评(pitfall #29);③ 差评侧漏报 P0 在好评侧再扫一次确认(订阅 / 耗材 / 隐私)。
所有可用操作
| action | 说明 | 必需参数 |
|---|---|---|
| get_download_links | 获取桌面客户端下载链接 | - |
| check_device | 检查设备是否在线 | - |
| create_task | 创建任务 | --asin, --site |
| create_incremental | 增量获取 | --task-id |
| rename_task | 重命名任务 | --task-id, --name |
| trigger_analysis | 手动触发分析 | --task-id |
| get_task_detail | 查询任务详情 | --task-id |
| get_task_list | 获取任务列表 | - |
| get_ai_insights | 获取 AI 洞察 | --task-id |
| get_basic_statistics | 获取基础统计 | --task-id |
| get_representative_reviews | 获取代表性评论 | --task-id |
| get_category_tag_distribution | 获取分类标签分布 | --task-id |
| get_negative_reviews | 获取差评列表 | --task-id |
| get_trend | 获取评论趋势 | --task-id |
| get_related_comments | 获取关联评论 | --task-id, --association-type |
| get_comments | 获取原始评论 | --task-id |
| get_comments_overview | 获取评论概览 | --task-id |
| get_points | 查询积分余额 | - |
错误处理
| 错误码 | 说明 | 处理方式 |
|---|---|---|
| 1001 | 设备不在线 | 桌面客户端未运行,询问用户是否安装或启动 |
| 1002 | 积分不足 | 提示用户充值积分 |
| 2001 | API Key 无效 | 检查 API Key 是否正确 |
| 2002 | API Key 已禁用 | 提示用户重新创建 |
| 2003 | API Key 已过期 | 提示用户重新创建 |
| 2004 | 权限不足 | 检查 API Key 权限配置 |
| 2005 | 请求频率超限 | 提示用户稍后重试 |
| InvalidTaskStatus | 任务状态不是 COLLECTED | 只有仅采集模式且状态为 COLLECTED 的任务才能触发分析 |
详细 API 文档
如需了解详细的 API 端点说明、请求参数、响应格式,请阅读 API 参考文档。
使用示例
场景一:创建新任务
用户: 帮我获取 B09V3KXJPB 的评论并分析 AI Agent: 1. 检查 API Key → 若未配置,询问用户提供 2. 检查设备和积分 3. 告知积分消耗,等待确认 4. 创建任务 5. 每 6 分钟轮询状态,实时反馈进度 6. 分析完成后获取结果
场景二:仅采集模式 + 手动触发分析
用户: 帮我只采集评论,暂时不做分析 AI Agent: 1. 检查 API Key 和设备 2. 创建任务时使用 --is-auto false 3. 轮询状态直到 COLLECTED 4. 用户确认分析后,执行 trigger_analysis(仅需 API Key,无需桌面客户端)
场景三:查询已完成任务
用户: 查看 TSK_xxx 任务的分析结果 AI Agent: 1. 检查 API Key 2. 直接获取分析结果(无需设备和前置条件)
热门AI工具
相关专题
本专题整理Navicat创建数据库相关教程,介绍新建前的准备、基础设置和创建后的检查方法。内容兼顾入门学习及实际使用需求,帮助用户了解不同数据库类型下的操作差异,为后续建表、保存数据和日常管理提供参考。
0
2026.11.20
本专题整理Navicat入门教程,从认识软件界面到开展数据库操作,介绍初次使用需要了解的知识和方法。内容兼顾连接配置、数据管理及日常使用中的疑问,方便用户按学习进度查阅,为后续实践和独立操作打好基础。
0
2026.11.20
从确认数据库信息到建立可用连接,本专题串联Navicat连接数据库的相关知识和操作方法。既有初次配置时需要了解的基础内容,也有连接后的检查思路,方便用户按实际需求查阅教程,逐步熟悉数据库连接的设置流程。
0
2026.11.20
本专题汇总PHP8.6数组与数据处理教程,涵盖CSV读取和导出、引用遍历删除、array_filter回调模式、配置键名冲突、pathinfo文件名校验、GMP大整数进制转换及UTF-8正则筛选,说明升级兼容变化、输入范围和失败处理方法。
0
2026.11.20
本专题汇总PHP8.6升级迁移与弃用接口改造教程,涵盖反射调用、对象属性赋值、标识符更名、构造函数与__debugInfo调整,以及插件类名检查、常量导出、ArrayIterator排序、SPL和DTO查询参数转换,帮助梳理弃用提示并完成代码兼容改造。
0
2026.11.20
本专题汇总PHP8.6正式版安装部署与FPM运维教程,涵盖Linux并存安装、独立ini配置、扩展重新编译、Nginx切换与回滚、FPM状态监控和慢日志排查,以及环境变量、请求超时、OPcache刷新和预加载配置。
0
2026.11.20
Nginx HTTP/2漏洞该怎么修复?本专题围绕CVE-2026-123007,介绍安全版本升级、模块兼容检查和配置恢复方法,以及日志排查、权限设置等后续加固操作,方便你按实际部署情况查找对应教程。
0
2026.11.20
本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。
0
2026.11.17
本专题围绕GoFrame框架的安装与工具链配置展开,讲清Go版本要求、gf命令行的安装方式、代理镜像与依赖准备,说明项目初始化、热编译、交叉编译打包的做法,并整理安装阶段的常见报错与验证步骤。
0
2026.11.17
热门下载
相关下载
精品课程
共6课时 | 12.1万人学习
共79课时 | 162万人学习
共6课时 | 54.8万人学习
最新文章