agentleFS
harrison-mingharrison-ming/chuhai-skills/skills/shopify-store-teardown/SKILL.md

shopify-store-teardown

Skill1 starsChanged 10 days agoMITView on GitHub

拆解任意公开 Shopify 独立站 (对标店/竞品店). 核实店铺身份与店龄, 全量统计商品数/价格带/折扣/上新节奏, 识别主题/应用/Markets/追踪标签, 检查政策页一致性, 交付一份大白话的中文 PDF 报告 (保留证据标签) 和一张可用 Excel 打开的商品清单. 用户只给一个网址加一句短问题也用它, 例如 "xx.com 是 Shopify 店吗", "这个网站用什么建站的", "这家店是真的吗", "开了多久/规模多大", "它靠什么卖这个价", "帮我拆解一下这个独立站", "对标店分析", "竞品独立站拆解"; English: "is xx.com a Shopify store", "what platform is this store built on", "how old is this store", "Shopify store teardown", "competitor store analysis". 只读公开页面, 不登录, 不下单.

The file

Files
SKILL.md

Shopify 对标店拆解

把一个公开的 Shopify 店铺拆成一份普通卖家看得懂, 每条结论都有证据的报告. 用户多半不懂技术: 你负责分析和翻译, 事实交给脚本算, 判断由你来做, 两者都要能追溯到证据.

边界 (先读)

  • 只读公开页面和公开接口. 不登录, 不进入结账, 不提交订单, 不填任何个人信息.
  • 请求要礼貌: 同一店铺的请求之间留间隔, 不做并发轰炸.
  • 本 skill 覆盖快速核验 (L0) 和深度拆解 (L1). 购物车, 手机端实测, 广告库, 页面速度等需要浏览器的检查不在范围内, 报告里如实写"没有覆盖".
  • 分析结果是时间点快照, 不是尽职调查或法律意见.

第 0 步: 检查 Python

采集和出 PDF 要用电脑上的 Python 3.8+. 先查一次, 用第一个输出 Python 3.x (x ≥ 8) 的命令, 下文示例里的 python3 都换成它:

python --version
python3 --version
py -3 --version
  • macOS / Linux 一般是 python3; Windows 一般是 python 或 py -3, 不是 python3.
  • 没装 Python 的 Windows 会输出 "Python was not found; run without arguments to install from the Microsoft Store..." (退出码 9009). 这算没有 Python, 不是成功.
  • 三个都不行时, 用大白话告诉用户, 例如:

这个技能要用电脑上的 Python (免费的小程序) 来抓数据和生成 PDF, 你的电脑还没装. 两种装法任选一种:

  1. 最省事 (Windows): 开始菜单搜 "cmd" 打开命令行, 输入 python 回车, 会打开微软应用商店的 Python 页面, 点"获取"即可.
  2. 到 python.org 下载安装包, 安装第一屏务必勾选 "Add python.exe to PATH", 再点 Install Now.

装好后把 AI 助手 (或终端窗口) 关掉重新打开, 再让我继续.

  • 用户不想装: 按 references/manual-collection.md 的模式 C (不能运行 Python) 做, 这时没有 PDF 和商品清单.

第 1 步: 明确用户想知道什么

不要停下来提问, 直接开始. 按用户的话选档位; 用户没说想知道什么或说"你看着办", 默认深度拆解并在报告里写明.

用户想知道档位耗时
是不是 Shopify 店 / 真的假的 / 是谁的 / 开了多久 / 规模多大L0 快速核验约 10 分钟
它靠什么卖这个价 / 页面怎么推动购买 / 我能借鉴什么L1 深度拆解约 30-60 分钟

输入可以是域名, 首页链接或任意商品页链接.

哪怕只问了一句"是不是 Shopify 店", 也走完整流程: 采集 → 写报告 → 交付文件. 不要先用别的方式 (命令行下载工具, 网页读取工具) 看一眼就在对话里回答; 网站打不开或不是 Shopify 店, 也要交付一份短报告 (见"失败时"). 对话里的回答同样只用大白话, 不出现技术词.

第 2 步: 采集数据 (按环境自动选模式)

脚本在本 skill 目录的 scripts/ 下, 只用 Python 标准库, 不需要安装任何包. 下面的 python3 换成第 0 步查到的命令 (Windows 上一般是 python 或 py -3).

模式 A (首选): 能运行 Python 且能联网

python3 <skill 目录>/scripts/collect.py <店铺网址> --depth L1

脚本最后会打印运行目录的路径, 形如 <文档>/出海拆解报告/<域名> 对标拆解 <YYYY-MM-DD>/. 数据都在 <运行目录>/原始数据/ 下: summary.json (统计与端点状态), products.tsv (全部商品), evidence.jsonl (证据条目), raw/ (原始页面).

  • 用户没有指定保存位置时, 不要加 --out-root 或 --out, 也不要自作主张写到当前目录: 默认会存到用户的"文档/出海拆解报告" (Windows 自动识别 OneDrive 下的文档; 找不到就用用户主目录; 云端沙箱 (/mnt/user-data/outputs 存在且可写) 时自动写到 /mnt/user-data/outputs/出海拆解报告). 已设置环境变量 CHUHAI_OUTPUT_DIR 时脚本会自动用它, 同样不要加参数, 也不要自己设置或改写这个变量. 只有用户明确说了存哪, 才加 --out-root <目录>.
  • 同一天重复拆同一家店, 文件夹会自动加 "(2)", 不会覆盖.
  • 店铺限制批量读取商品数据 (HTTP 429, 限流) 时, 脚本会按店铺要求的时间等待 (单次最多 --max-wait 75 秒, 全程最多 --wait-budget 240 秒), 仍受限就停, 改从网站地图里均匀挑最多 12 个商品页 (--price-sample) 慢速读取价格, 再遇限流就停. 商品类页面 (商品网站地图, 商品页, 集合页, 排序页) 有一个最终仍被限流, 本次就不再请求任何商品类页面; 政策页, 关于页这类普通页面最终被限流, 就不再请求这家店的任何页面 (站外的网站注册记录和网页历史存档不受影响). 不换身份, 不并发, 不绕过. 这一步可能多花几分钟, 正常等它跑完.
  • 输出里有 network_unavailable (店铺和其他网站都没响应), 说明当前环境不能联网, 不代表网站不存在: 有网页读取工具就换模式 B, 没有就按"失败时"交付短报告并说明是环境不能联网.

模式 B: 能运行 Python 但不能联网, 有网页读取工具 → 先让脚本建好运行目录 (不联网, 位置规则和模式 A 相同), 不要自己在当前目录建:

python3 <skill 目录>/scripts/collect.py <店铺网址> --init-only

它打印运行目录和 raw/ 的位置 (刚用模式 A 试过而没联网的, 直接用那次的运行目录, 不用再建). 按 references/manual-collection.md 取数存到这个 raw/, 再运行:

python3 <skill 目录>/scripts/summarize.py "<运行目录>"

(传 <运行目录>/原始数据 也可以.)

之后与模式 A 相同.

模式 C / D: 不能运行 Python, 或没有读取工具 → 按 references/manual-collection.md 对应小节处理. 这时生成不了 PDF 和商品清单, 完成状态最多写 partial, 第 6 步改为在对话里直接给完整报告.

所有模式的文件都只能写进交付根目录: 设置了环境变量 CHUHAI_OUTPUT_DIR 就用它, 用户指定了位置就用用户的, 否则是"文档/出海拆解报告". 模式 C / D 能写文件时, 报告也存到 <交付根目录>/<域名> 对标拆解 <YYYY-MM-DD>/原始数据/report.md. 绝不写到当前目录或临时目录.

第 3 步: 读统计结果, 先处理警告

读 <运行目录>/原始数据/summary.json. 字段含义见 references/data-contract.md. 必须先看:

  1. warnings 有 site_unreachable (网站打不开; network_unavailable 见第 2 步), 或 identity.status 不是 confirmed / probable: 直接按"失败时"写短报告并交付, 不做后面的分析.
  2. 其他 warnings: 每一条都要在报告里交代 (正文用大白话, 附录写原值和实际数值), 不要自行解释原因. 例如 collections_count_mismatch 时写出 collections_all_products_count 与 products.count 两个数, 并说明商品量以 products.count 为准.
  3. endpoints 里失败的项: 写进"还有哪些没查清", 拿不到不等于不存在.
  4. coverage 说明各项数字的来源. coverage.price_source 是 product_page_sample 时, 价格只来自商品页抽样 (coverage.price_sample_size 款, 共约 coverage.price_population 款): 正文必须写明是抽样估计, 折扣和上新节奏写 [查不到] (discount_data / new_product_cadence 为 false), 不要用 sitemap_lastmod_by_month 代替上新节奏 (那是"最近更新", 不是上架时间). 写法见 references/report-template.md.

第 4 步: 分析

  • L0: 身份信号, 店名与基础币种, 店龄三方对照 (域名注册 / 网页历史存档首抓 / 首个商品 created_at, 有品牌自称年份也放进来), 规模速览. 规则见 references/shopify-checks.md §1-2 和 references/business-analysis.md §9.
  • L1: 在 L0 基础上, 读首页, 1 个主要集合页, 3 个商品页 (入门/主力/高价), About 页, 5 个政策页. 模式 A 已全部存到 raw/: 集合页 page-collection-<handle>.html, 商品页 page-product-<handle>.html, 选了哪 3 个商品 (角色, 价格, 选择依据 basis) 见 summary.json 的 l1_samples (脚本按排除虚拟商品后的价格分位和 best-selling 排序挑选; 商品数据被限流时从已抽样的商品页里挑, basis_pool 为 product_page_sample, 不会重复请求). 价格分布优先引用 products.price_excluding_virtual (样本只从有货商品挑, 对应其中的 in_stock). 模式 B 按同样的文件名手动保存. 按 references/business-analysis.md 全文分析, 平台层按 references/shopify-checks.md §3-9.

证据规则见 references/evidence.md. 最容易犯的错:

  • 把 collections.json 的 products_count 当商品量.
  • 看到支付图标就说"已开通 PayPal / Shopify Payments". 只能写 [页面显示].
  • 源码里有某应用字符串就说"在用某应用". 脚本结果只到 possible.
  • 按页面样式猜主题名. 读不到 Shopify.theme 就写 unknown.
  • 把域名注册日期当开店日期.
  • 没有成本数据却估算利润率.
  • 把一个国家站点的价格和政策当成全球通用.

第 5 步: 写报告

按 references/report-template.md 的对应模板和"写作要求", 用 Markdown 写到 <运行目录>/原始数据/report.md. 要点:

  • 读者是不懂技术的卖家. 先结论后理由, 短句, 少用英文; 正文不出现证据等级代号和技术词, 技术细节放附录.
  • 第一节必须是 ## 一页看懂; 附录标题以 ## 附录 开头; 这两个标题会被特殊排版, 不要改名.
  • 承重结论加标签, 必须一字不差: [已核实] [店铺自称] [第三方说法] [页面显示] [推测] (后跟"依据: ...") [有矛盾] [查不到]. 宁可标低不要标高: 分析判断用 [推测], 混合说法拆开分别标, 没抓到来源的外部事实不写, 细则见 references/evidence.md §2.1, "一页看懂"同样适用.
  • 数字带单位和币种, 比例写百分比.
  • 报告末尾必须原样附上模板里的"固定结尾".
  • 用户用什么语言提问, 报告就用什么语言.

写完必须自检, 通过后才能进第 6 步:

python3 <skill 目录>/scripts/check_report.py "<运行目录>"
  • 有"错误" (退出码 1): 按每条的"怎么改"改完 report.md, 重新运行, 直到没有错误. 它也对照 summary.json 检查数据覆盖: 价格来自商品页抽样时, 正文 (附录之前) 必须有一句没被否定的 "抽样", 同一句写出实际抽样数 N (共约 M 款没写只提示); 商品数据中途被限流且商品数是下限时, 正文必须有一句把 "至少" 和商品数写在一起 ("至少 N 款").
  • 有"疑似标高": 逐条复查. 是判断就拆开: 事实部分留 [已核实], 判断部分改 [推测] 并写 "依据: ...". 例: "同款各颜色同价 [已核实]. 定价核心是一款一价 [推测] 依据: 同款各颜色价格一致". 确认是纯事实的, 删掉判断用语 (核心, 基本, 所以等).
  • 其他"提示" (技术词带解释, 全角标点) 能改就改.
  • 每条提示要么改掉, 要么在附录"技术细节"里写一行交代, 例如 自检提示: 保留 1 条 (第 12 行 "核心" 是商品名原文). 改完重跑, 不要带着没处理的提示交付.

第 6 步: 生成交付文件, 告诉用户去哪看

python3 <skill 目录>/scripts/deliver.py "<运行目录>"

它会先跑一遍同样的自检 (有错误时打印出来, 仍照常生成, 并在最后提醒; 加 --strict 则有错误就不生成), 然后在运行目录顶层生成 <店名> 对标拆解报告.pdf 和 商品清单.csv (中文表头, Excel/WPS 直接打开), 并自动打开文件夹 (不想打开加 --no-open). 电脑上找不到 Edge/Chrome, 或浏览器在当前运行方式下没法打印 (常见于沙箱和后台服务) 时, 生成的是 .html: 双击用浏览器打开, 需要 PDF 就在浏览器里"打印 → 另存为 PDF".

生成 .html 就算交付完成. 不要另找别的 PDF 工具 (其他脚本, 浏览器自动化, 安装第三方包), 也不要重复运行 deliver.py 试图拿到 PDF; 告诉用户上面那句"打印 → 另存为 PDF"即可.

然后用大白话告诉用户文件在哪, 不要只甩一个路径. 例如:

报告已生成: 文档 → 出海拆解报告 → allbirds.com 对标拆解 2026-09-30, 双击 PDF 就能看; 商品清单.csv 可以用 Excel 打开. 原始数据在里面的"原始数据"文件夹, 一般不用管.

接着给 5-8 行摘要: 结论, 最值得借鉴的点, 主要没查清的事. 云端沙箱里说明文件在输出区, 可直接下载.

模式 C / D: 没有文件可交付, 直接在对话里给出完整报告 (同样按模板), 并说明"当前环境不能运行脚本, 所以没有生成 PDF 和商品清单; 换成能运行 Python 的环境可以拿到完整文件".

失败时

  • 网站打不开 (site_unreachable), 或确认不了是 Shopify 店: 仍按 references/report-template.md 的"失败短报告模板"写 report.md, 照常跑 check_report.py 和 deliver.py 交付文件. 完成状态: 什么都没拿到写 failed, 看到了首页但不是 Shopify 写 partial. 正文用大白话写清卡在哪一步 (例如"网址对应的网站不存在, 可能拼错"), 建议用户核对网址或稍后重试; 技术原因只放附录. 不要改用其他工具绕过去, 也不要只在对话里回答.
  • 证书错误: 脚本已自动兼容 (Windows 上会先让系统补一次根证书再重试). 仍失败时把脚本打印的"提示"用大白话转告用户: macOS 上 python.org 版 Python 运行一次 "Install Certificates.command"; Windows 先用浏览器打开一次该网站, 或等几分钟再试; Linux 更新系统证书. 不要关闭证书校验.
  • 被限流 (429, warnings 有 products_json_rate_limited): 脚本已按店铺要求等待并改用商品页抽样, 不要循环重跑, 不要加大并发, 不要换工具或换身份绕过. 报告照常写: 正文说明"店铺限制了批量读取商品数据, 价格基于 N 个商品页抽样 (共约 M 款)" (没抽到价格就写 [查不到]), 附录写明限流和抽样范围, 完成状态写 partial; 建议用户过一段时间 (例如 1 小时后) 再拆一次拿完整数据.
  • deliver.py 失败: 报告仍在 原始数据/report.md, 告诉用户这个位置, 并在对话里给出摘要.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.