Community-owned capabilities
473 个由人和 Agent 共建的跨境能力仓库，按平台和场景归类。公开查看用途和数据要求；登录后可查看免费 Skill 的文件与版本，按账户权限参与协作。
该技能用于 Amazon 广告诊断与实验，聚焦点击表现、关键词体系和新品启动，通过证据卡和受控实验区分流量、零售承接和经济性问题，并生成诊断树、异常数据表和实验卡。它支持通过 MCP 客户端调用第三方数据服务（SIF、SellerSprite、Apify）补充证据，但强调凭证仅从环境变量读取、调用前需授权和成本控制，并严格区分事实、估算和假设。
该技能用于处理 Amazon 账户、合规与风险相关任务，聚焦品牌与备案、知识产权、客服与工单等主题。它提供证据卡、场景模式和执行手册，帮助用户识别受影响账户、核对通知与证据、形成风险分级和纠正计划。技能包含一个可选的第三方 MCP 数据研究脚本，用于在用户数据不足时获取关键词、评论等公开数据，但强调凭证安全、费用授权和只读操作。
该技能用于规划合规的亚马逊断货后流量恢复方案，通过证据化诊断区分自然曝光、关联流量、广告与受众变化，分阶段恢复精准流量并仅在转化稳定后扩展，强调不刷单、不购买评论、不抓取邮箱，输出诊断、重启清单、恢复阶梯与合规边界。
该 Skill 用于 Amazon 精铺（低库存多产品）模式的候选品快速筛选，通过需求时机、市场深度、差异化切片、运营难度、保守销量与库存风险等维度进行证据化诊断与方案草案生成。它强调第三方数据仅作估算、需交叉验证，并区分诊断、草案、执行准备与已批准执行等任务模式。可选地，它可通过脚本调用 SIF、SellerSprite 和 Apify 的 MCP 服务获取市场数据，但要求凭证仅从环境变量读取、调用前需授权并控制成本。
该 Skill 用于设计亚马逊精铺组合经营方案，通过证据化诊断、单变量实验和风险控制来管理多 SKU 小批量选品与运营。它强调以官方政策为准，第三方数据仅作估算，并限制广告和库存风险。可调用第三方 MCP 数据服务（SIF、SellerSprite、Apify）获取趋势和关键词等市场信息，但要求严格审批和成本控制。
该 Skill 用于控制 Amazon 精铺模式广告的盈利，围绕每个 SKU 的盈亏平衡、保守库存、精准关键词测试、统一广告组逻辑和低干预异常管理。它提供诊断、方案草案、执行准备和已批准执行等模式，要求基于证据输出，区分事实、估算、假设和未知，并强调在写入前获得授权。当自有数据不足时，可通过脚本调用第三方 MCP 数据源（SIF、SellerSprite、Apify）获取关键词、趋势和竞价等代理证据，但需严格管理凭证和费用授权。
该 Skill 用于 Amazon 季节性细分选品，通过证据化诊断、方案与单变量验证，筛选需求窗口、差异化切片、低评论竞争、保守备货和运营跟进均对齐的利基市场。它提供工作流、第三方 MCP 数据调用（SIF、SellerSprite、Apify）和输出检查，强调数据充分性、授权边界与成本控制。
该技能用于在亚马逊竞争激烈的类目中寻找可防御的细分市场机会，通过结合差异化产品切片、低评论销量表现、广告效率代理和证据质量检查。它提供诊断、方案草案、执行准备和已批准执行等模式，并强调数据边界、合规性和证据分级。技能包含一个用于查询第三方 MCP 数据（SIF、SellerSprite、Apify）的 Python 脚本，该脚本从环境变量读取凭证，拒绝在参数中传递敏感信息，并支持 dry-run 和成本审批流程。
该 Skill 用于提升亚马逊产品转化率，通过挖掘真实客户语言、重新定位产品优势，并优化图片、标题、要点和广告流量，在受控实验中验证效果。它提供诊断、方案草案、执行准备和已批准执行四种模式，强调证据驱动、数据充分性检查和实验护栏。可选用第三方 MCP 数据（SIF、SellerSprite、Apify）获取竞品评论和关键词，但要求凭证仅从环境变量读取，并严格限制费用和授权范围。
该 Skill 用于评估亚马逊广告订单与自然订单的贡献，通过整体 ASIN 经济性、增量测试、关键词相关性和时间窗口控制，避免机械地相减归因。它提供诊断、方案草案、执行准备和已批准执行等模式，强调证据分级（FACT/ESTIMATE/HYPOTHESIS/UNKNOWN）和授权边界。可选地，它通过 MCP 客户端调用第三方数据源（SIF、SellerSprite、Apify）补充自然排名和关键词相关性，但归因结论仍以亚马逊一方报告和实验为主。
该 Skill 用于设计合规的 Amazon 自然排名提升实验，围绕高转化关键词、变体选择、受控广告支持和增量利润验证。它强调证据驱动，区分事实、估算、假设和未知，并明确禁止刷单或人为操纵。工作流包括诊断、方案草案、执行准备和已批准执行等模式，并集成第三方 MCP 数据源（SIF、SellerSprite、Apify）以获取自然排名和关键词数据，但要求严格管理凭证和成本授权。
该 Skill 用于评估 Amazon 商品运营难度，通过分析可比产品的销量分布、评论成熟度、广告依赖、退货和库存盈亏等证据，输出诊断、方案草案或执行准备。它强调以 Amazon 官方数据和用户自有数据优先，第三方数据仅作估算，并严格限制写入操作需用户明确授权。内置的 MCP 客户端脚本从环境变量读取凭证，拒绝在参数或 URL 中传递密钥，并支持 schema 校验、成本确认和输出脱敏。
该 Skill 提供 Amazon 新品广告冷启动的证据化诊断与方案设计，包括关键词筛选、广告组分层、预算与竞价设置、扩量与止损条件。它强调以 Amazon 官方数据和用户自有数据为准，第三方数据仅作估算，并保持执行需审批。脚本用于安全调用 SIF、SellerSprite、Apify 的 MCP 服务，凭证仅从环境变量读取，支持 schema 校验、脱敏和成本授权控制。
该技能用于将竞品关键词观测和已验证的产品属性映射为精确词、探索词、Listing 词和后台关键词，并给出明确的包含与排除理由。它强调以 Amazon 官方政策和一方数据为准，第三方数据仅作估算，输出诊断或草案，执行前需用户明确授权。技能包含一个 MCP 研究脚本，用于从 SIF、SellerSprite 和 Apify 获取竞品关键词数据，脚本设计注重安全，凭证仅从环境变量读取，拒绝在参数中传递敏感信息，并限制重定向和费用操作。
该技能用于构建可测试的亚马逊关键词相关性与排名假设，基于转化、点击、订单、加购信号、Listing 语义和相关查询行为进行分析，不声称拥有专有排名公式。它提供诊断、方案草案、执行准备和已批准执行等模式，并强调证据门槛、单变量实验和第三方数据标注为估算。技能包含一个 MCP 研究脚本，用于从 SIF、SellerSprite 和 Apify 获取关键词自然位置、需求和相关词的代理观测数据，脚本从环境变量读取凭证，拒绝在参数中传递敏感信息，并要求对可能计费的操作进行成本授权。
该 Skill 用于 Amazon 单 SKU 库存与广告预算的平衡分析，基于销量、现金周转、转化率、盈亏平衡获客成本和组合风险提供诊断与方案。它强调证据分级（FACT/ESTIMATE/HYPOTHESIS/UNKNOWN），要求缺失数据标记为 NEEDS_EVIDENCE，并限制第三方 MCP 数据的使用。脚本 mcp_research.py 作为安全的 MCP 客户端，从环境变量读取凭证，拒绝在参数中传递敏感信息，并强制成本授权与输出文件权限控制。
该 Skill 用于诊断亚马逊商品转化率低的问题，通过对比同类竞品、市场难度、价格价值匹配、视觉差异化、关键词精准度和广告位置等因素，提供证据驱动的诊断和单变量改进实验方案。它强调先产品后广告的诊断顺序，要求区分事实、估算、假设和未知，并在执行任何线上变更前获得用户明确授权。该 Skill 可调用第三方 MCP 数据服务（SIF、SellerSprite、Apify）获取竞品和关键词数据，但严格限制凭证仅从环境变量读取，并强制成本审批和输出文件权限控制。
该 Skill 提供 Amazon 广告扩量的证据化诊断与方案框架，强调在转化质量、点击速度、预算连续性、库存和利润贡献达标后才逐步扩量。它要求区分诊断、草案、执行准备和已批准执行四种模式，默认只做诊断，不擅自修改线上对象。输出包含扩量资格、点击速度诊断、预算实验、止损条件、数据范围与假设，并将结论分为 FACT/ESTIMATE/HYPOTHESIS/UNKNOWN。
该技能用于构建基于证据的亚马逊竞品流量网络，包含机会精准、竞争精准、属性探索、自动发现和防御等分层。它提供诊断、方案草案、执行准备和已批准执行等模式，并强调使用实时数据校准、不复制竞品内容、区分事实与估算。技能包含一个 MCP 研究脚本，用于从 SIF、SellerSprite 和 Apify 获取第三方数据，脚本设计为从环境变量读取凭证、拒绝敏感参数、防止重定向泄露，并要求成本授权。
该Skill用于构建亚马逊竞品流量网络的基础分析，通过诊断、方案草案和执行准备等模式，结合第三方MCP数据（SIF、SellerSprite、Apify）获取竞品关键词和流量代理数据，输出竞品适配评分、精准候选、属性词根网络等结果，并强调证据分级和授权边界。
该技能用于分析亚马逊竞品关键词覆盖情况，通过前台观测和第三方 MCP 数据推断竞品广告词、自然位置和搜索需求，输出证据化诊断与验证计划。强调不声称访问竞品账户，区分事实、估算与假设，并严格限制外部数据调用需授权与成本控制。
该技能用于诊断和规划 Amazon 广告预算与广告位控制，强调证据驱动、单变量实验和授权边界，输出诊断、草案或已批准执行的回读核验结果。
该技能用于对亚马逊爆款案例进行因果审计，通过测试产品创新、品牌、关键词广度、自然可见度、时机、变体、促销、退货和合规性等竞争性解释，反向分析爆款原因。它强调证据驱动，区分事实、估算、假设和未知，并支持诊断、方案草案、执行准备和已批准执行等模式。技能包含一个安全的 MCP 客户端脚本，用于从 SIF、SellerSprite 和 Apify 获取第三方数据，并严格限制凭证仅从环境变量读取，防止泄露。
This skill provides an evidence-based framework for assessing Amazon boutique business models, covering demand differentiation, pricing, market saturation, capital turnover, and risk controls. It includes a Python MCP client for optional third-party data research (SIF, SellerSprite, Apify) with strict credential handling, schema validation, and cost approval gates. The skill emphasizes diagnostics over execution, requires explicit user authorization for any writes, and clearly separates facts, e
分类优先采用合集任务映射，其余按名称与简介归纳：6 个平台 · 11 个场景 · 4 个合集标签。
