1688-item-selection — 商家重点品圈选

技能概述

智能识别商家应该重点运营的商品，基于五大维度进行综合评分和分层，输出商品清单；也可以通过关键词搜索商品。

输出原则：

• 仅输出商品清单（商品名称、ID、标签、选择原因）
• 不展示综合得分、不输出优化动作、不输出行动建议
• 商品优化动作由独立的"商品诊断skill"负责
• 默认推荐 3 款商品，用户可指定推荐数量（1-10 款）
• 当没有圈出重点商品时可以建议商家输入关键词搜索商品

评分维度

1. 销售贡献度（30%）- 商品对店铺GMV和买家数的贡献
2. 流量效率（25%）- 流量转化率、曝光转化、加购率
3. 成长潜力（20%）- 平台标签（优品/潜力品）、成长分层
4. 营销ROI（15%）- 广告投入产出比
5. 商品健康度（10%）- 服务能力、库存、退款率

分层标准

• S级（≥80分）：重点推广品 - 加大投入抢占流量
• A级（60-80分）：潜力培育品 - 针对性优化短板
• B级（40-60分）：维持运营品 - 保持现状作为辅助
• C级（<40分）：优化调整品 - 诊断问题考虑下架

CLI 命令

configure — 配置 AK

# 查看 AK 状态
python {baseDir}/cli.py configure
# 设置 AK
python {baseDir}/cli.py configure YOUR_AK

配置网关鉴权所需的 AK。所有操作命令都依赖 AK，首次使用前需先配置。

get_item_overview — 获取商品概览统计

python {baseDir}/cli.py get_item_overview

返回：商品总数、有销售商品数、总销售额、总买家数、总UV，以及按销售额分段的商品数量。

get_shop_data — 获取店铺维度数据

python {baseDir}/cli.py get_shop_data

返回：店铺支付金额、支付买家数、在线商品数。用作商品评分的对比基准。

score_and_select — 商品评分与圈选

python {baseDir}/cli.py score_and_select \
  --shop_total '{"pay_ord_amt_1d_001": 100000, "pay_ord_byr_cnt_1d_001": 50}' \
  --strategy comprehensive \
  --limit 100 \
  --top_n 3

参数说明：

⚠️ 交互渲染（必须执行）：当此命令返回的 data.data.products 包含 ≥2 个商品时，禁止直接用 Markdown 表格输出商品数据，必须通过交互组件渲染：

1. 先读取 {baseDir}/references/interaction-specs.md 中的 select_products_from_scoring 章节，获取交互组件的完整数据结构定义
2. 再触发 metadata.interactions 中声明的 select_products_from_scoring 交互，严格按 specs 中的字段映射构造参数

search_offer_by_keyword — 通过关键词搜索店铺商品

python {baseDir}/cli.py search_offer_by_keyword --keyword "测试" --page 1 --page_size 10

参数说明：

⚠️ 交互渲染（必须执行）：当此命令返回的 data.data.items 包含 ≥2 个商品时，禁止直接用 Markdown 表格输出商品数据，必须通过交互组件渲染：

1. 先读取 {baseDir}/references/interaction-specs.md 中的 select_products_from_search 章节，获取交互组件的完整数据结构定义
2. 再触发 metadata.interactions 中声明的 select_products_from_search 交互，严格按 specs 中的字段映射构造参数

生成流程

第1步：收集信息

从用户获取以下信息：

1. 推荐数量（可选）：需要推荐的商品数量，默认为 3 款
2. 筛选条件（可选）：类目范围、商品数量限制等

第2步：查询概览数据（可并行执行）

python {baseDir}/cli.py get_item_overview
python {baseDir}/cli.py get_shop_data

根据概览结果中的商品总数决定下一步查询策略：

• ≤200个商品：使用 --strategy all 直接查询全部
• 201-500个商品：使用 --strategy comprehensive 默认筛选
• >500个商品：使用 --strategy comprehensive --limit 200 限制数量

第3步：评分与圈选

将第2步获取的店铺数据通过 --shop_total 传入评分命令：

python {baseDir}/cli.py score_and_select \
  --shop_total '{第2步返回的店铺数据 JSON}' \
  --strategy <策略> \
  --limit <N> \
  --top_n <推荐数量>

第4步：生成报告与交互选择

基于评分结果，按综合得分从高到低排序，选取前 N 款商品（默认 3 款），输出结构化的 Markdown 报告。

交互触发：当圈选结果包含多个商品（≥2 款）时，在输出 Markdown 报告的同时，调用 show_interaction 并设置 name='select_products_from_scoring'，将 score_and_select 返回的 products 数组映射到交互数据槽位，让用户通过表格勾选要重点运营的商品。具体的字段映射规则与组件渲染数据结构请查阅 references/interaction-specs.md 中对应交互的章节。

报告模板

# 重点品圈选结果

基于{策略总结}，推荐以下 {N} 款商品：

1. **{商品标题}** (ID: {item_id}) —— 【{商品标签}】
    - {选择原因，1-2句话说明核心数据和优势}

2. **{商品标题}** (ID: {item_id}) —— 【{商品标签}】
    - {选择原因}

3. ...

格式要求：

• 商品标签：根据商品特征标注角色，如引流款、利润款、潜力款、爆款、动销款等
• 选择原因：1-2句话说明核心数据和优势
• 禁止内容：不展示综合得分、不输出优化动作、不输出行动建议

交互能力

本 Skill 支持通过 Newton Agent 的客户端交互组件，在输出多个商品时提供可视化的表格选择体验。

触发规则

数据填充

• select_products_from_scoring：设置 title 为表格标题，columns 为列定义数组，将 score_and_select 返回的 data.data.products 数组逐项转换后赋值给 rows 槽位。每行需包含 id、title、level、levelName、totalScore、payAmount、buyerCount、uv。
• select_products_from_search：设置 title 为表格标题，columns 为列定义数组，将 search_offer_by_keyword 返回的 data.data.items 数组逐项转换后赋值给 rows 槽位。每行需包含 id（源字段 itemId）、title、imageUrl（源字段 mainImage）、minPrice、maxPrice、status。

具体的字段映射规则与组件渲染数据结构请查阅 references/interaction-specs.md 中对应交互的章节。

注意事项

• 调用 table 类型交互前，务必确保 rows 有真实数据，否则前端会报错
• 当结果仅有 1 个商品时，无需触发交互，直接输出 Markdown 报告即可
• 交互组件与 Markdown 报告可同时输出，互不冲突

安全声明

异常处理

任何命令输出 success: false 时：

1. 先输出 markdown 字段（已包含用户可读的错误描述）
2. 再根据关键词追加引导：

环境变量（.env）

埋点上报

每次 CLI 命令执行时，自动向 skill 网关上报一次调用记录，用于统计 skill 调用次数。

输出格式

采用标准 JSON 输出：

{
  "success": true,
  "markdown": "商品评分与圈选成功",
  "data": {
    "data": {
      "total_scored": 50,
      "returned_count": 3,
      "products": [...],
      "summary": {"S级": 2, "A级": 5, "B级": 20, "C级": 23}
    }
  }
}

评分规则

详细的评分规则和权重说明见 scoring_rules.md。

数据表Schema

数据表字段定义见 table_schema.md。

使用原则

1. 必须查询真实数据：通过 CLI 命令获取真实数据，不要编造
2. 概览和店铺数据脚本可以并行执行以提高效率
3. 根据概览结果的商品数量决定明细查询策略
4. 此技能为只读操作，不会修改任何数据

免责声明：

1、您理解并同意，技能运行结果和输出内容可能因适用的AI agent、大模型不同而产生差异或幻觉，请您对重要的信息进行甄别核实。 2、您应妥善保管您的Access Key（AK），这是您运行1688技能的身份凭证，请勿提供给第三人，避免身份凭证泄露造成损失。 3、您下载安装1688技能运行时应始终保持其完整性，不得擅自篡改技能的代码、相关文件或其他内容，否则1688不对技能运行结果和输出内容承担任何法律责任。 4、受限于当前技术发展，我们无法保证技能所有运行结果、输出内容的准确性、真实性、时效性，亦不代表我们的态度、观点和推荐，请您谨慎核实技能运行结果和输出内容，除法律规定由我们承担赔偿责任的场景外，我们不承担其他赔偿责任。