1688 Shop Operate

环境准备

统一入口：python3 {baseDir}/cli.py [options] 尽量使用绝对路径执行脚本

Windows 权限问题（仅 Windows 用户需要）

若 skills 目录缺少执行权限（提示"拒绝访问"），需先将目录拷贝到 workspace 再操作：

xcopy /E /I /Y "" "%USERPROFILE%\workspace\1688-auth-skill-for-wukong"
cd /d "%USERPROFILE%\workspace\1688-auth-skill-for-wukong"

/E 递归复制所有子目录，/I 目标不存在时自动创建，/Y 覆盖时不询问确认。 拷贝完成后，后续所有命令均在 workspace 路径下执行。

首次使用前，在项目根目录执行：

pip install -r requirements.txt
# 若上述命令不可用，尝试：
pip3 install -r requirements.txt

依赖列表：仅使用 python3 标准库，无需额外安装第三方包。

AK 安全说明

⚠️ AK 是访问 1688 接口的唯一凭证，请妥善保管，避免泄漏。

• AK 在本地以设备绑定加密方式存储（PBKDF2 派生密钥 + 流加密 + HMAC 校验），加密文件拷贝到其他机器后无法解密
• 不要将 AK 明文粘贴到聊天记录、截图、日志或版本控制中
• 不要将 ak_store.json 或 .device_id 上传到任何云端或共享目录
• 如怀疑 AK 已泄漏，立即执行 cli.py configure --clear 清除本地存储，并前往 clawhub.1688.com 重新获取

命令速查

AK 管理

店铺经营健康诊断

所有命令输出 JSON：{"success": bool, "markdown": str, "data": {...}}

展示时直接输出 markdown 字段，Agent 分析追加在后面，不得混入其中。

使用流程

Agent 根据用户意图直接执行对应命令。 各命令在 AK 缺失等情况下会自行返回明确错误，Agent 按下方「异常处理」应对即可。

店铺健康诊断使用指引：

• 当用户要求店铺诊断、经营分析、同行对比时，需并行调用以下 4 个命令获取数据：
  • get_core_metrics — 核心指标同行对比及趋势
  • get_traffic_structure — 流量结构分析
  • get_transaction_ranking — 行业交易排名（⚠️ 仅支持 RECENT_7 / RECENT_30）
  • get_customer_profile — 客户画像
• 公共可选参数：
  • --date_type / -d：日期类型，默认 RECENT_7
  • --device / -v：设备类型，默认 ALL
• 获取数据后由 LLM 综合分析生成诊断报告，详见下方「店铺健康诊断流程」

数据查询命令详细说明

get_core_metrics — 核心指标同行对比及趋势

python3 {baseDir}/cli.py get_core_metrics [--date_type ] [--device ]

返回字段映射：

core_metrics 中的 metric_code 取值：

rating 评级含义：

trend 字段结构：

⚠️ 注意：trend 数据并非完全覆盖 core_metrics 的全部 7 项指标，实际返回的趋势指标为：impression（展现次数）、visitor（访客数）、page_view（浏览量）、click_cvr（点击转化率）、buyer_count（支付买家数），以及额外的 ad_impression（广告展现）。缺失 pay_cvr（支付转化率）和 pay_amount（支付金额）的趋势数据。

get_traffic_structure — 流量结构数据

python3 {baseDir}/cli.py get_traffic_structure [--date_type ] [--device ]

返回字段映射：

get_transaction_ranking — 行业交易排名

python3 {baseDir}/cli.py get_transaction_ranking [--date_type ] [--device ]

⚠️ 日期类型限制：仅支持 RECENT_7 和 RECENT_30，不支持 RECENT_1。若用户请求近1天数据，行业定位章节应跳过。

返回字段映射：

benchmark 字段结构：

get_customer_profile — 客户画像数据

python3 {baseDir}/cli.py get_customer_profile [--date_type ] [--device ]

返回字段映射：

安全声明

店铺健康诊断流程

规范约束

1. 禁止编造数据：所有数据必须通过 CLI 命令获取真实数据
2. 数据格式：金额保留 2 位小数并使用千分位格式（如 ¥125,000.00），百分比保留 1 位小数
3. 错误处理：命令返回错误或数据为空时，对应章节标注"数据暂不可用"，不要用假数据填充
4. 精简输出：表格数据完整展示，文字分析聚焦瓶颈识别和改善方向，每个瓶颈的改善建议控制在 1-2 条

Step 1 — 确定查询参数

默认使用 RECENT_7（近 7 天）数据，设备类型默认 ALL。接受用户指定 date_type 和 device。

Step 2 — 并行获取诊断数据

以下四个命令可并行执行，它们之间无数据依赖：

python3 {baseDir}/cli.py get_core_metrics --date_type  --device 
python3 {baseDir}/cli.py get_traffic_structure --date_type  --device 
python3 {baseDir}/cli.py get_transaction_ranking --date_type  --device 
python3 {baseDir}/cli.py get_customer_profile --date_type  --device 

错误处理规则：

• get_transaction_ranking：执行失败或数据为空/不含 industry_name → 跳过"行业定位"章节
• 其他命令返回错误：对应报告章节标注"数据暂不可用"，其余章节正常生成

Step 3 — LLM 分析推理

此步为 LLM 推理环节，不调用脚本：

指标评估（数据来源：get_core_metrics）：

• 遍历 core_metrics，重点标注 rating 为"略低"和"极低"的指标
• 结合 trend 数据判断趋势方向（改善中 / 恶化中 / 稳定）

流量结构分析（数据来源：get_traffic_structure）：

• 基于 traffic 数据，分析来源集中度（是否过度依赖单一渠道）
• 评估新老访客比例是否健康（新客占比过高说明老客留存差）
• 跳失率是否偏高、人均浏览量是否合理

行业定位（数据来源：get_transaction_ranking）：

• ⚠️ 数据可用性检查：
  • 命令执行失败 → 跳过此模块
  • 返回数据中无 industry_name 字段 → 跳过此模块
  • 数据正常 → 基于返回数据，展示行业名称、排名、百分位、标杆对比
• 数据正常时，分析要点：
  • 根据 industry_rank 和 industry_total 计算排名百分位
  • 对比 benchmark.top3_avg/top10_avg/top100_avg，评估与标杆差距
  • 判断行业地位（头部/中上部/中部/下部）及提升空间

客户健康度（数据来源：get_customer_profile）：

• 基于 customer 数据，对比同行优秀水平
• 分析复购率、新老客 GMV 结构

瓶颈诊断结论（综合四个命令全部数据）：

• 综合以上数据，识别 1-3 个核心瓶颈，按严重程度排序
• 每个瓶颈需有数据支撑（引用具体指标和数值）
• 针对每个瓶颈给出 1-2 条可落地的改善方向

Step 4 — 生成诊断报告

按下方报告模板组织数据，输出完整诊断报告。

章节生成规则：

• "一、核心指标 vs 同行同层"：必选章节
• "二、流量结构分析"：必选章节
• "行业定位章节"：如果 get_transaction_ranking 返回错误或数据为空，直接跳过此章节，后续章节顺序自动调整（客户健康度变为"三"、瓶颈诊断变为"四"）
• "客户健康度章节"：必选章节。若行业定位章节跳过，则编号为"三"；否则编号为"四"
• "瓶颈诊断章节"：必选章节。若行业定位章节跳过，则编号为"四"；否则编号为"五"

Phase 2：交互深入分析

输出诊断报告后，在末尾追加交互引导：

---

如需深入了解某个方面（流量优化 / 转化提升 / 客户运营），或希望基于诊断结论生成月度经营规划，请告知。

用户可以：

• 针对某个瓶颈要求更详细的分析和建议
• 要求聚焦某个维度（如流量、客户）做深入分析
• 要求生成月度经营规划（引导至月度规划 skill）

交互跟进时复用已获取的数据，不重新调用脚本。

诊断报告输出格式

采用模块化输出，每个模块用 HTML 注释标记边界和结构化元数据，便于 UI 层按模块拆分渲染。HTML 注释在 Markdown 渲染时不可见，不影响阅读体验。

模块标记规范

• <!-- MODULE: 模块名 --> 和 <!-- /MODULE: 模块名 --> 标记模块边界
• <!-- KEY: value --> 标记模块内的结构化决策值
• 模块内部使用标准 Markdown 格式（表格、引用、列表等）
• 所有金额单位为元，保留2位小数，千分位格式
• 百分比保留1位小数

报告模板

# 店铺经营健康诊断报告（{start_date} 至 {end_date}）

<!-- MODULE: diagnosis -->
<!-- DATE_RANGE: {start_date} 至 {end_date} -->
<!-- DATE_TYPE: {date_type} -->
<!-- BOTTLENECKS: ["瓶颈一", "瓶颈二"] -->

## 一、核心指标 vs 同行同层

| 指标 | 本店 | 同行同层均值 | 达标率 | 评级 |
|------|------|------------|--------|------|
| 展现次数 | {my_value} | {peer_avg} | {ratio_to_peer}% | {rating_emoji} {rating} |
| 访客数 | {my_value} | {peer_avg} | {ratio_to_peer}% | {rating_emoji} {rating} |
| 浏览量 | {my_value} | {peer_avg} | {ratio_to_peer}% | {rating_emoji} {rating} |
| 点击转化率 | {my_value}% | {peer_avg}% | {ratio_to_peer}% | {rating_emoji} {rating} |
| 支付转化率 | {my_value}% | {peer_avg}% | {ratio_to_peer}% | {rating_emoji} {rating} |
| 支付买家数 | {my_value} | {peer_avg} | {ratio_to_peer}% | {rating_emoji} {rating} |
| 支付金额 | ¥{my_value} | ¥{peer_avg} | {ratio_to_peer}% | {rating_emoji} {rating} |

> 达标率 = 本店 / 同行同层均值。评级标准：✅优秀(>=110%) | 🔶持平(90%-110%) | 🔻略低(50%-90%) | ❌极低(<50%)

## 二、流量结构分析

**来源分布**：

| 流量来源 | 访客数 | 占比 |
|---------|--------|------|
| {source_1} | {visitors} | {ratio}% |
| {source_2} | {visitors} | {ratio}% |
| ... | ... | ... |

**关键指标**：

| 指标 | 数值 | 判断 |
|------|------|------|
| 新访客占比 | {new_visitor_ratio}% | {LLM判断} |
| 跳失率 | {bounce_rate}% | {LLM判断} |
| 人均浏览量 | {avg_page_per_visit} | {LLM判断} |

**入店热搜词 TOP5**：{keyword_1}、{keyword_2}、{keyword_3}、{keyword_4}、{keyword_5}

## 三、行业定位

**所属行业**：{industry_name}

**行业排名数据**：

| 指标 | 数值 |
|------|------|
| 支付金额 | ¥{my_pay_amount} |
| 行业排名 | 第 {industry_rank} 名 |
| 行业店铺总数 | {industry_total} 家 |
| 排名百分位 | {rank_percentile_display}（前{rank_percentile_percent}%） |

**标杆对比**：

| 标杆层级 | 平均支付金额 | 与本店差距 |
|---------|------------|----------|
| TOP3 平均 | ¥{top3_avg} | 本店仅为标杆的 {gap_to_top3}% |
| TOP10 平均 | ¥{top10_avg} | 本店仅为标杆的 {gap_to_top10}% |
| TOP100 平均 | ¥{top100_avg} | 本店仅为标杆的 {gap_to_top100}% |

## 四、客户健康度

| 指标 | 本店 | 同行优秀 | 差距 |
|------|------|---------|------|
| 支付买家数 | {my_value} | {peer_excellent} | {gap_description} |
| L会员买家数 | {my_value} | {peer_excellent} | {gap_description} |
| 客户数 | {my_value} | {peer_excellent} | {gap_description} |
| 买家回头率 | {my_value}% | {peer_excellent}% | {gap_description} |

**新老客贡献**：新客 ¥{new_customer_gmv}（{new_customer_ratio_display}） / 老客 ¥{old_customer_gmv}（{old_customer_ratio_display}） | 客单价 ¥{avg_order_value}

## 五、瓶颈诊断与改善方向

{LLM 基于以上所有数据推理生成，格式如下：}

**核心瓶颈**：

1. **{瓶颈一名称}**（{严重程度}）
   - 数据依据：{具体指标和数值}
   - 改善方向：{1-2条可落地建议}

2. **{瓶颈二名称}**（{严重程度}）
   - 数据依据：{具体指标和数值}
   - 改善方向：{1-2条可落地建议}

3. **{瓶颈三名称}**（{严重程度}）（如有）
   - 数据依据：{具体指标和数值}
   - 改善方向：{1-2条可落地建议}

<!-- /MODULE: diagnosis -->

模板使用说明：

• 标题日期范围：从 API 返回的 date_range.start_date 和 date_range.end_date 提取，格式如 "店铺经营健康诊断报告（2026-04-09 至 2026-04-15）"
• <!-- DATE_RANGE --> 和 <!-- DATE_TYPE --> 标记数据的时间范围和类型，供 UI 层展示
• <!-- BOTTLENECKS --> 标记 LLM 识别的核心瓶颈列表（JSON 数组），供 UI 层提取用于高亮展示
• 章节编号动态调整：若行业定位数据不可用，跳过该章节后，客户健康度编号变为"三"，瓶颈诊断编号变为"四"
• 行业定位章节字段计算：
  • rank_percentile_display：将 rank_percentile（如 0.2521）转为百分比显示（如 "25.21%"）
  • rank_percentile_percent：取百分位的整数部分（如 25）
  • gap_to_top3/10/100：计算本店支付金额占标杆的百分比，公式为 my_pay_amount / benchmark.top3_avg * 100，保留1位小数
• 诊断模块中的评级标签使用 emoji 区分：✅ 优秀、🔶 良好、🔻 略低、❌ 极低
• 瓶颈诊断和改善建议由 LLM 基于数据推理生成，非固定文案
• 所有表格中的金额和百分比均来自 API 返回，不得编造
• 合计行由 LLM 基于返回数据汇总计算

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. 并行执行：Step 2 的四个数据命令可并行执行以提高效率，任一命令失败不阻塞其余命令
3. 日期类型限制：get_transaction_ranking 仅支持 RECENT_7 和 RECENT_30，不支持 RECENT_1。若用户请求近1天数据，行业定位章节应跳过
4. 瓶颈需有数据支撑：每个瓶颈结论必须引用具体指标和数值，不可泛泛而谈
5. 改善方向需可落地：给出的改善建议应具体、可执行，而非空泛的战略描述
6. 诊断结果供下游使用：诊断结果自动持久化，可被「月度经营规划」skill 读取作为前置输入
7. 禁止内容：不输出数据来源、生成时间等元信息；不输出与经营诊断无关的内容

环境变量（.env）

项目根目录的 .env 文件存储 skill 基础信息，供埋点上报等模块读取。发布到不同环境时可直接替换该文件中的变量值。

已存在的系统环境变量优先级高于 .env，CI/CD 注入的变量不会被覆盖。

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。

• 实现位置：scripts/_tracker.py → report_skill_usage()，在 cli.py 的 main() 中每次命令执行后自动调用

• 上报接口：POST /api/reportSkillsUsage/1.0.0

• 上报参数：

  参数	值来源	说明
  apiName	固定 null	固定传 null
  skillsName	.env SKILL_NAME	skill 名称
  version	.env SKILL_VERSION	skill 版本号
  scene	固定 CLI	固定值
  channel	.env SKILL_CHANNEL	发布渠道

• 失败处理：上报失败静默忽略，不影响主流程

执行前置（首次命中能力时必须）

• 首次执行 configure 前：先完整阅读 references/capabilities/configure.md
• 首次执行店铺健康诊断前：先完整阅读以下文档
  • references/capabilities/get_core_metrics.md
  • references/capabilities/get_traffic_structure.md
  • references/capabilities/get_transaction_ranking.md
  • references/capabilities/get_customer_profile.md
• 同一会话内后续重复调用可复用已加载知识；仅在规则冲突或文档更新时重读。

授权链接处理（browser_use）

get_ak 和 authorize 命令输出一条 JSON 后立即退出，回调服务器作为独立后台进程继续运行（最长 300 秒）。

输出格式：

{
  "pending": true,
  "action": "browser_use",
  "url": "https://...",
  "markdown": "授权链接已生成！请使用 browser_use 工具打开以下链接完成授权..."
}

⚠️ 强制动作：输出中只要出现 "action": "browser_use"，Agent 必须立即调用 browser_use 工具打开 url 字段中的链接，不得跳过、延迟或用其他方式替代。

Agent 处理流程：

1. 读到 "action": "browser_use" → 立即用 browser_use 工具导航到 url，并向用户展示 markdown 字段内容。
2. 在页面中完成登录和授权操作（AK 模式：复制 AK；OAuth 模式：点击授权确认）。
3. 授权完成后，浏览器页面会自动将结果回调给后台服务器（localhost），服务器直接将 AK/Token 写入本地存储。
4. browser_use 返回后，调用 python3 cli.py configure --status 确认 AK 是否已保存成功。

注意事项：

• 命令本身只输出这一条 JSON，不会有第二条结果 JSON，无需继续等待命令输出。
• 授权回调目标是 localhost，browser_use 执行环境必须能访问本机回调端口（8080–8089）。
• 若 300 秒内未完成授权，后台服务进程自动退出，下次运行 get_ak 时会自动清理并重新启动。
• 禁止调用系统浏览器、open 命令或任何其他方式替代 browser_use。

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：

参数补齐引导话术

"店铺健康诊断默认使用近 7 天数据。你也可以指定时间范围（近 1 天 / 近 7 天 / 近 30 天）和设备类型（全部 / PC / 无线）。"

macOS Keychain 权限错误（错误码 -67674）

当 Python 首次访问 macOS Keychain 时，系统会弹出授权对话框。如果用户未授权或权限被拒绝，会出现此错误。

解决方案：

1. 当系统弹出「python3 想要访问钥匙串」对话框时，输入密码并点击「始终允许」
2. 如果对话框未弹出，打开「钥匙串访问」应用手动添加权限

AK 配置持续失败（开启完全授权访问模式）

若执行 configure 后 AK 仍无法写入或读取，可能是运行本 skill 的软件未开启完全授权访问模式，导致 skill 进程无法访问本地文件。

解决方案：在运行本 skill 的软件（如悟空、QoderWork等）的设置中，开启「自动授权访问」模式后重新执行 configure 命令。

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，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。