当前位置：首页 > news >正文

Sorftime Alexa 自定义任务列表实战

news 2026/7/8 3:23:43

Sorftime Alexa 自定义任务列表: MCP 实战教程

作为一名长期和亚马逊数据打交道的程序员,我太清楚那种"想看 200 个 ASIN 的 Alexa 提问,结果熬到凌晨三点还在复制粘贴"的绝望。直到我接入了Sorftime的MCP 82 工具,整套采集流程从"体力活"变成了"调一次函数"的事。这篇文章我想跟你聊聊,怎么用Sorftime的自定义任务列表,加上 MCP 的并行调用,把 Alexa 需求采集这件事做得既稳又快。

一、先说痛点:为什么我们需要"自定义任务列表"

过去,我们想摸清一个品类的真实用户需求,基本只能干两件事:

人工翻 Amazon 前台:把 Alexa 提问一条条抄下来;
写爬虫硬上:维护一堆代理、绕过风控、解析 HTML,小团队根本撑不住。

更头疼的是,当我们想并行对比多个候选品类、多个 ASIN 列表、多个关键词种子时,传统工具几乎不支持。你只能一个一个跑,跑完之后发现时间窗口已经过期,数据又得重来。

Sorftime的自定义任务列表,正是为这种"多条件并行采集"场景设计的。你可以把候选品类、ASIN 列表、关键词种子、竞品品牌这四类条件混着喂进去,Sorftime会自动帮你并行跑,一次拿回所有结果。站在工程师的角度看,这其实就是把"高 QPS 数据查询"封装成了一个声明式接口——你只描述想要什么,Sorftime自己负责并发调度、失败重试、结果合并。

一句话:Sorftime让"我要看 N 个 ASIN 的 Alexa 提问"从串行变成了并行,从手动变成了自动。

二、Sorftime MCP 82 工具能干什么

在说代码之前,先简单介绍一下Sorftime的 MCP 工具集到底有多强。

Sorftime通过 MCP(Model Context Protocol)暴露了82 个工具,覆盖 Amazon、TikTok Shop、Shopee、TEMU、Walmart、1688 六大平台,基本能覆盖一个中小卖家从选品、调研、上新、复盘全流程所需的全部数据维度。具体包括:

品类相关:category_search、category_report、category_trend、category_keywords
产品相关:product_search、product_detail、product_report、product_trend、product_traffic_terms
关键词相关:keyword_list、keyword_detail、keyword_trend、keyword_extends
AI 解读相关:product_customers_say(直接拿到 Amazon 的 Customer Says 总结)、similar_product_feature(拉品类特征)
平台合规:similar_product、potential_product等等

我日常写选品脚本,Sorftime MCP这 82 个工具基本就够用了,不用再去维护自己的爬虫仓库。

很多同学可能会问:"为什么是 82 个?不是 80 个或者 100 个?"——这是因为Sorftime在持续迭代,82 这个数字本身也在缓慢增长。我的经验是:Sorftime MCP每次发版都会新增 2-3 个工具,删掉 1-2 个旧工具,所以保持关注官方 changelog 是个好习惯。

三、5 大核心功能速览

在写自定义任务列表之前,先跟你过一下Sorftime Alexa 需求采集的 5 大核心功能,这是整个功能的骨架:

序号	功能	解决什么
1	自定义任务列表	候选品类 / ASIN 列表 / 关键词种子 / 竞品品牌四重条件并行跑
2	多种采集方式	自然语言输入 / Excel 批量上传 / API 直接调用,三种入口
3	实时采集	按小时更新,数据保鲜
4	表格下载	字段齐全:搜索词、搜索量、点击率、竞品 ASIN、价格、上架时间
5	AI 解读	AI agent 自动拆成蓝海词 / 蹭流词 / 垃圾词,0-100 评分

你会发现,自定义任务列表是入口,多种采集方式是通道,实时采集是节奏,表格下载是结果,AI 解读是升华。这一整套组合拳下来,Sorftime把"采集 + 分析"两步合并成了一步。

如果你是非技术背景的运营同学,可以直接用自然语言入口;如果你像我一样是写代码的,走 API 直接调用这条路最省事。Sorftime的设计很贴心——同一份数据,三条入口都能拿到。

四、技术实战:用 Sorftime MCP 跑自定义任务列表

接下来进入硬核环节。我会演示怎么通过Sorftime MCP的 82 个工具,实现一个"自定义任务列表"的并行采集脚本。

4.1 场景设定

假设我们正在调研"宠物自动喂食器"这个品类,想并行采集三组数据:

品类维度:Top 100 产品的 Alexa 提问 + Customer Says;
ASIN 列表维度:我们手动挑了 20 个竞品 ASIN,逐个拉详情;
关键词种子维度:"pet feeder"、"automatic cat feeder"、"dog food dispenser" 三个核心词,看搜索趋势。

传统做法是开三个爬虫分别跑,Sorftime的做法是一个 MCP 调用把所有任务并起来。

我自己在用Sorftime之前,这三组数据要用三套脚本 + 三个调度任务,加起来维护成本很高。换到Sorftime之后,只用一段 Python,加上asyncio.gather,就把三件事并行做完了。这就是Sorftime MCP给我最直接的体感提升。

4.2 完整代码示例

import asyncio import json from sorftime_mcp import SorftimeClient # Sorftime 官方 MCP Python 客户端 async def collect_alexa_needs(): """ Sorftime 自定义任务列表:三路并行采集 Alexa 需求 依赖:Sorftime MCP 82 工具中的 product_customers_say / product_search / keyword_trend """ client = SorftimeClient(api_key="YOUR_SORFTIME_KEY") # 任务 1:品类维度 task_category = client.run_tool( tool="product_customers_say", params={ "nodeId": "1234567", # pet auto feeder 细分类目 nodeId "amzSite": "US", "limit": 100 # Top 100 产品 } ) # 任务 2:ASIN 列表维度 asin_pool = ["B08XXXXXX1", "B09XXXXXX2", "B09XXXXXX3"] # 你的 20 个竞品 ASIN task_asins = [ client.run_tool( tool="product_customers_say", params={"asin": asin, "amzSite": "US"} ) for asin in asin_pool ] # 任务 3:关键词种子维度 seed_keywords = ["pet feeder", "automatic cat feeder", "dog food dispenser"] task_keywords = [ client.run_tool( tool="keyword_trend", params={"keyword": kw, "keywordSupportSite": "US"} ) for kw in seed_keywords ] # 并行执行(三组任务同时跑) category_result, asin_results, keyword_results = await asyncio.gather( task_category, asyncio.gather(*task_asins), asyncio.gather(*task_keywords), ) return { "category_alexa": category_result, "asin_alexa": asin_results, "keyword_trends": keyword_results, } if __name__ == "__main__": data = asyncio.run(collect_alexa_needs()) print(json.dumps(data, ensure_ascii=False, indent=2))

注意:Sorftime MCP的 82 个工具全部是异步友好的,asyncio.gather可以把任意多个任务并起来跑,完全不用自己写线程池。

补充一个小细节:Sorftime默认对单租户的并发上限是 30 RPM,所以我在真实项目里一般会加一个asyncio.Semaphore(10)限流,既稳又快。这个细节是Sorftime文档里写明的,不算"隐藏 trick",但很多新手会忽略。

4.3 跑出来的结果长什么样

执行完上面那段脚本,你会得到一个 JSON 大对象,里面大概是这样的结构(节选):

{ "category_alexa": { "top_questions": [ "Does this feeder work for large cats?", "Can I schedule 5 meals a day?", "Will it alarm when food is stuck?" ], "customer_says": { "positive": ["Easy setup", "Reliable timer"], "negative": ["Lid pops open", "Loud beep at night"] } }, "asin_alexa": [ { "asin": "B08XXXXXX1", "questions_count": 87, "top_pain_points": ["Battery dies in 2 weeks", "App disconnects"] } ], "keyword_trends": { "pet feeder": {"search_volume": 185000, "cpc": 1.42}, "automatic cat feeder": {"search_volume": 92000, "cpc": 1.85} } }

这些数据,就是Sorftime帮你从 Amazon 前台"挖"出来的真实用户需求。Sorftime在这里做了一件很聪明的事:它把 Alexa 提问和 Customer Says 两条原本分散的数据流,在服务端就 join 在一起,客户端一次调用就拿到全量聚合结果,省去了我们自己再做一遍关联的麻烦。

五、表格下载:从 JSON 到 Excel

光有 JSON 还不够,Sorftime的"表格下载"功能会把采集结果自动整理成 Excel,字段包括:

搜索词(用户真实问的 Alexa 问题)
搜索量(按月统计的搜索热度)
点击率(CTR,反映用户真实点击意愿)
竞品 ASIN(每个搜索词对应的 Top 竞品)
价格(竞品当前售价区间)
上架时间(竞品上架多久,判断生命周期)

这 6 个字段加在一起,基本就是"用户想要什么 + 现在市场上有什么 + 还缺什么"的完整画像。

from sorftime_mcp import SorftimeExporter exporter = SorftimeExporter() excel_path = exporter.to_excel( data=collect_alexa_needs_result, fields=["search_term", "search_volume", "ctr", "competitor_asin", "price", "online_date"], filename="alexa_needs_2026_07_07.xlsx" ) print(f"Excel 已生成: {excel_path}")

这一步在Sorftime内部是异步转的,几千行数据几秒钟就出。

如果你是要交给运营团队二次加工,Sorftime的 Excel 导出还会自动带上字段说明(每个列名的含义 + 取值范围),这点在交付物上非常加分,运营同学打开文件就能用,不用反复回来问你"这个字段是什么意思"。

六、AI 解读:Sorftime 怎么把数据变成结论

采集到了海量 Alexa 提问之后,最让人头疼的就是"这么多文字,到底哪些是有用的?"。Sorftime的 AI 解读模块,会用一个 AI agent 自动把所有搜索词拆成三堆:

类型	含义	典型示例
蓝海词	搜索量大、竞品少、用户真实有需求	"battery backup pet feeder for power outage"
蹭流词	大词,竞品堆得很凶,新卖家难突围	"pet feeder"(搜索量 18 万,但头部 5 个 ASIN 占 60%)
垃圾词	搜索量小、需求模糊、不值得做	"decorative pet feeder"

并且,Sorftime的 AI agent 会给每个词打一个0-100 分,分越高代表越值得做。

from sorftime_mcp import SorftimeAIInterpreter interpreter = SorftimeAIInterpreter() scored = interpreter.score( raw_data=excel_path, score_dimensions=["blue_ocean", "ctr_potential", "competition_gap"] ) # 输出示例 for item in scored[:10]: print(f"{item['keyword']:<45} score={item['score']} type={item['type']}")