1688 Item Select — 1688 商品选取

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 销售贡献度（30%）- 商品对店铺GMV和买家数的贡献 流量效率（25%）- 流量转化率、曝光转化、加购率 成长潜力（20%）- 平台标签（优品/潜力品）、成长分层 营销ROI（15%）- 广告投入产出比 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： 参数 必填 说明 --shop_total 是 店铺维度数据 JSON（由 get_shop_data 获取） --strategy 否 查询策略: comprehensive(默认) / sales / all --limit 否 获取商品数量上限，默认100 --top_n 否 输出排名前N的商品，默认10 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： 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 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： 参数 必填 说明 --keyword 否 搜索关键词（可选）。如果传入关键词后搜索无结果，让大模型尝试换几个简短的相似词来搜索，最多尝试 3 次 --page 否 页码，默认 1 --page_size 否 每页数量，默认 10 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： 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 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： 推荐数量（可选）：需要推荐的商品数量，默认为 3 款 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 \ --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：

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

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 交互名称 触发时机 数据来源 select_products_from_scoring score_and_select 返回 ≥2 个商品时 score_and_select 返回的 products 数组 select_products_from_search search_offer_by_keyword 返回 ≥2 个商品时 search_offer_by_keyword 返回的 items 数组 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 风险级别 命令 Agent 行为 只读 configure 可直接执行，无需确认 只读 get_item_overview 可直接执行，无需确认 只读 get_shop_data 可直接执行，无需确认 只读 score_and_select 可直接执行，无需确认 只读 search_offer_by_keyword 可直接执行，无需确认 异常处理 任何命令输出 success: false 时： 先输出 markdown 字段（已包含用户可读的错误描述） 再根据关键词追加引导： markdown 关键词 Agent