精准竞品匹配

🕸️ 阶段 1 · 多路召回(像用不同渠道撒网找候选)

同时启动 7-10 个信号并行跑,每个信号从不同角度找疑似竞品:

SellerSprite 信号(4-5 路):

• 核心类目词:拿目标 BSR 叶子类目名(如 "Power Dental Flossers")反查同类
• 同父类目:上一级类目(避免只返自家变体)
• SS 算法推荐:SS 自己训练的"相似产品"算法
• 关键词重叠:用目标 Top 流量词反查其他在投同词的产品
• 目标标题核心词:清洗目标标题,取核心名词短语反查

Keepa 信号(2 路):按关键词搜、按品牌+形态搜

Amazon 真实页面抓取(3-4 路,走 ScraperAPI / CF Browser):

• 详情页一跳:打开目标 Amazon 详情页,抓"Customers also viewed"里的 ASIN
• 详情页二跳:对一跳 Top 5 再打开他们的页面挖一次(多跳覆盖更广)
• 关键词搜索页:用目标 Top 3 流量词在 Amazon 搜索,抓前 20 个
• 品牌+实体名搜索:"品牌 + 产品形态"组合搜
• 🖼️ 图片视觉搜索:Claude Vision 看目标主图 → 生成最精准的英文搜索词 → 调 Amazon 搜索(模拟 Amazon Lens)

🔀 阶段 2 · 合并去重 + 过滤

• 所有信号返回的 ASIN 合并去重,得 60-100 个候选
• 被多个信号命中的 ASIN 优先级更高(可信度高)
• 并发 10 个批量拉取每个候选的 SS 详情,SS 没收录的自动淘汰
• 优先保留 title_amazon + dp_recs 高质量来源,前 100 个进下阶段
• 公司品牌处理:勾选排除时直接过滤;未勾选时保留并标 🏢 自家,但"自家品牌 + 0 评论"硬规则无条件踢(防新品无数据杂质)

🎯 阶段 3 · LLM 六维打分(每候选独立一次调用,保证不串扰)

对每个候选单独发 1 次 Claude Haiku 4.5 请求,从 6 个维度各打 0-100 分:

• 关键词重叠 30% — 是否和目标共享核心搜索词
• 类目接近 15% — 是否同级类目
• 标题语义 20% — 标题描述的产品形态是否接近
• 价格带 10% — 价格是否同档
• 规格匹配 15% — 尺寸、容量、功能等硬参数
• 场景人群 10% — 使用场景和目标人群是否一致

加权总分:total = 0.30·kw + 0.15·cat + 0.20·sem + 0.10·price + 0.15·spec + 0.10·scene

📸 阶段 4 · Vision 图片相似度(Top 20-30 候选)

每个 Top 候选调 Claude Vision 比对主图和目标主图的外观相似度:

• 相似度 10 → 总分 +15(基本同款,有力提档)
• 相似度 5 → ±0 中性
• 相似度 0 → 总分 -15(外观完全不像,重扣防错配)

⚖️ 阶段 5 · 扣分与品牌限流

• 评论数惩罚:0 评论 -15 / 1-9 评论 -5(样本少可信度低)
• 来源加权:title_amazon +10、dp_recs +15
• 品牌上限:每个品牌最多 3 个入选(防止单品牌霸屏)

🏷️ 阶段 6 · 三档分层

• 🔴 ≥80 分 → 核心竞品(最多 10 个)
• 🟡 60-79 分 → 次级竞品(最多 5 个)
• 🟢 40-59 分 → 替代品(最多 5 个)
• <40 分 → 丢弃

📊 阶段 7 · 综合分析(又 1 次 LLM)

• 批量翻译所有竞品标题成中文
• 输出目标 ASIN 优化建议:标题加哪些词、价格是否调、功能缺口
• 统计"目标流量词" × 竞品使用数(几个竞品在用这个词)
• 扫所有竞品标题做高频词提取(去停用词/品牌名)

🔎 阶段 8 · 各档流量词深度(合并视图)

• 把核心 + 次级 + 替代 所有竞品合池,每个调 SS traffic_keyword 拿 Top 20 流量词
• 按词合并聚合,统计每个词在每档里被多少竞品使用
• 显示:月搜索量 / SPR / 标题密度 / 月购买量 + 按档分色的竞品缩略图
• 顶部显示 SS 命中率("核心 X/10 · 次级 Y/5 · 替代 Z/5"),SS 不收录的 ASIN 会导致某档缩略图空