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 跨境经营复盘，聚焦 Apify、归因分析和转化率。它将经验判断转化为可验证的问题，识别适用前提、替代解释和可迁移的经营动作。技能强调区分事实、估算、假设和未知项，要求写操作前展示影响并等待明确批准。它提供证据卡和验证计划，并可选地通过 MCP 客户端（SIF、SellerSprite、Apify）获取第三方数据，但仅在用户数据不足时使用，且需先进行 schema 校验和 dry-run，并在可能计费前获得授权。凭证通过环境变量注入，结果保存在私有目录。
该 Skill 用于 Amazon 跨境经营复盘，聚焦 AI 工作流、五点描述和卖家精灵等主题，将经验判断转化为可验证的问题，识别适用前提、替代解释和可迁移的经营动作。它提供证据卡、场景组合和执行手册，并包含一个可选的第三方 MCP 数据客户端，用于在用户数据不足时获取关键词、竞品或评论证据。该客户端强调安全设计，凭证仅从环境变量读取，拒绝在参数中传递敏感信息，并在调用可能计费的工具前要求显式授权。
该技能用于处理 Amazon Listing 与页面操作任务，聚焦五点描述、标题和 AI 工作流。它提供证据卡、场景模式和操作手册，帮助定位页面与字段问题，形成有产品事实支撑的修改草案、只读预检和结果核验计划。技能强调不捏造数据、区分事实与估算、写入前需授权，并可通过可选的第三方 MCP 数据源（SIF、SellerSprite、Apify）补充关键词、竞品等证据，但要求凭证通过环境变量注入且调用前需审核费用。
该技能用于处理 Amazon 税务与出口、平台费用、季节性相关的费用、利润与现金流分析。它提供工作流、证据台账和质量检查方法，强调区分事实与估算、保留证据、明确未知项，并要求写操作前获得用户授权。技能包含主题证据卡和场景组合，用于指导用户按需加载相关主题，不涉及外部链接或代码执行。
该技能用于处理 Amazon 供应链、发货入库与现金流相关的费用、利润和现金流分析。它提供证据卡、场景模式和执行手册，指导用户统一费用、订单和币种口径，复算贡献利润、资金缺口及压力情景。技能包含一个 Python 脚本，用于安全地调用 SIF、SellerSprite 和 Apify 的 MCP 服务，强调凭证仅从环境变量读取、不打印敏感信息、执行前需授权和成本控制。整体设计注重数据边界、证据留痕和审批流程。
该技能用于 Amazon FBA 库存与费用分析，涵盖平台费用、季节性、库存管理等主题。它提供证据卡、场景模式和执行手册，指导用户核对库存、费用和物流数据，并生成补货、断货预案等可执行方案。技能强调数据来源标注、不捏造数据、写操作需授权，并可选集成第三方 MCP 数据源（如 SIF、SellerSprite、Apify）以补充证据，但要求凭证通过环境变量注入并限制费用。
该 Skill 用于分析 Amazon 客户反馈（评论、退货、客服）以定位购买障碍，并制定产品与页面改进的优先级和验证计划。它提供评价与口碑、用户画像、新品启动等主题的证据卡，强调合规获取数据、区分事实与估算、不操纵评价，并支持通过可选的第三方 MCP 数据源（SIF、SellerSprite、Apify）补充证据，要求凭证经环境变量注入且调用前需授权。
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 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。
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。
