Amazon India Product Research MCP

Ein MCP-Server (Model Context Protocol), der Claude Desktop in einen Produktrecherche-Assistenten für Anfänger-Verkäufer bei Amazon Indien verwandelt. Er bewertet Produktchancen, schätzt die Nachfrage, bewertet den Wettbewerb, berechnet die tatsächliche Rentabilität bei Amazon Indien, plant die Beschaffung, sammelt Kundenbeschwerden, recherchiert Keywords und entwirft ein vollständiges Listing.

Läuft über stdio und lässt sich daher direkt in Claude Desktop einbinden.

Neuling? Starte mit dem Setup- und Ausführungsleitfaden – Schritt-für-Schritt-Installation, Verifizierung und Claude-Desktop-Konfiguration, mit einem Abschnitt zur Fehlerbehebung. Für live Daten siehe den Leitfaden für Live-Daten & Scraping.

24 Tools. Funktioniert ohne API-Schlüssel – im Demo-Modus offline oder mit echten Live-Daten aus kostenlosen Quellen (Google Trends, DuckDuckGo, öffentliche amazon.in-Seiten).

Projektübersicht

Der Server ist auf ein einziges Verkäuferprofil ausgerichtet:

Jedes Tool bewertet Produkte anhand dieser Kriterien und bestraft Dinge, die Anfänger-Verkäufer scheitern lassen: Markenartikel, Fälschungsrisiko, zerbrechliche Artikel, Batterien, komplexe Elektronik, verderbliche Waren, saisonale Produkte, Bekleidungsgrößen, schwere Artikel und Kategorien, die von starken Marken dominiert werden.

Datenintegrität steht an erster Stelle

Dieses Projekt weigert sich, Marktplatz-Fakten zu erfinden. Jede bedeutende Ausgabe trägt source, data_type, confidence und last_updated, wobei data_type einer der Werte Live, Verified, Estimated, Historical oder Demo ist.

• Demo-Daten sind immer als Demo gekennzeichnet und werden niemals als echte Amazon-Daten präsentiert.

• Nachfrage- und Monatsumsatzzahlen sind modellierte Schätzungen, niemals gemessene Amazon-Verkäufe.

• Amazon-Gebühren stammen aus einem konfigurierbaren Zeitplan; der mitgelieferte ist als Estimated gekennzeichnet.

• Lieferanten werden nie erfunden. Ohne eine Lieferanten-API gibt search_suppliers eine leere Lieferantenliste plus echte, öffentlich bekannte Beschaffungskanäle zurück, die du selbst überprüfen kannst.

• Kein Tool behauptet jemals garantierte Gewinne oder garantierte Verkäufe.

Funktionen

• 20 MCP-Tools für den gesamten Verkäufer-Workflow: Entdeckung, Nachfrage, Wettbewerb, Geld, Listing, Beschaffung und Live-Daten

• Kostenlose Live-Daten ohne API-Schlüssel: Google-Trends-Suchinteresse, DuckDuckGo-Websuche und öffentliche amazon.in-Seiten, einschließlich „im letzten Monat gekauft"-Abzeichen

• Umsatz- und Verkaufsschätzung anhand von BSR-Kurven oder Amazons eigenen Kaufabzeichen, immer als Bereich mit angegebener Methode

• Erkennung von Neulingen: welche Wettbewerber niedrige Bewertungszahlen haben und welche davon bereits 300+ Einheiten pro Monat verkaufen – das stärkste Signal, dass eine Seite gewinnbar ist

• Evergreen-Bewertung anhand von bis zu 5 Jahren echtem Suchinteresse, damit du saisonale Ladenhüter vermeidest

• Planung von Amazon Ads: Break-even-ACOS, Gebotsleitern nach Match-Typ, Keyword-Match-Zuordnung, Kampagnenstruktur und negative Keywords – alles abgeleitet aus deiner eigenen Stückkalkulation statt aus allgemeinen Ratschlägen

• 0–100 gewichtete Chancenbewertung, plus Batch-Screening von bis zu 15 Ideen gleichzeitig

• Amazon-Indien-Gebühren-Mathematik: Empfehlungsgebühr, Abschlussgebühr, FBA / Easy Ship / Self Ship, GST auf Gebühren, Retourenreserve, Break-even und empfohlener Preis

• Launch-Planung: Bestellmenge, Budgetaufteilung, Werbebudget, Nachbestellpunkt, Amortisation

• Clustering von Bewertungsbeschwerden mit konkreten Korrekturen auf Lieferantenebene

• Keyword-Recherche, Listing-Entwurf und ein Bildplan für sieben Slots

• Compliance-orientiertes Scraping: robots.txt, Whitelist, Crawl-Verzögerung, Seitenbudget und ein harter Stopp bei Bot-Herausforderungen – kein Umgehen des Bot-Schutzes

• Forschungshistorie gespeichert in SQLite oder PostgreSQL

• Vollständiger Demo-Modus: alles funktioniert offline, deterministisch

Architektur

amazon-india-seller-mcp/
│
├── amazon_india_seller_mcp/      # the installable package
│   ├── __init__.py
│   ├── __main__.py               # python -m amazon_india_seller_mcp
│   └── server.py                 # MCP entry point (stdio transport) - wiring only
│
├── server.py                     # compatibility shim: python server.py still works
│
├── amazon_india_seller_mcp/tools/                        # MCP tool definitions - thin: validate, call service, shape result
│   ├── __init__.py               # ServiceBundle + error-handling decorator
│   ├── product_research.py       # research_product
│   ├── demand_analysis.py        # analyze_product_demand
│   ├── competition.py            # analyze_competition
│   ├── profit_calculator.py      # calculate_profitability
│   ├── supplier_search.py        # search_suppliers
│   ├── review_analysis.py        # analyze_reviews
│   ├── keyword_research.py       # research_keywords
│   ├── listing_generator.py      # generate_listing
│   ├── revenue_calculator.py     # calculate_revenue
│   ├── competitor_analysis.py    # analyze_competitors
│   ├── purchase_signals.py       # analyze_purchase_signals
│   ├── review_metrics.py         # analyze_review_metrics
│   ├── evergreen_analysis.py     # analyze_evergreen
│   ├── product_images.py         # analyze_product_images
│   ├── opportunity_finder.py     # find_product_opportunities
│   ├── launch_planner.py         # plan_product_launch
│   ├── ppc_keywords.py           # suggest_ppc_keywords
│   ├── ppc_bidding.py            # calculate_ppc_bids / plan_ppc_campaign
│   ├── web_search.py             # search_web
│   ├── amazon_scraper.py         # scrape_amazon_search / scrape_amazon_product / scraper_status
│   └── listing_scraper.py        # scrape_listing_details
│
├── amazon_india_seller_mcp/services/                     # All business logic
│   ├── __init__.py               # Data envelopes, errors, cache, opportunity scoring
│   ├── amazon_service.py         # Provider abstraction (demo / scraper / API), snapshots, risk, reviews, listings
│   ├── trends_service.py         # Demand, trend direction, seasonality, keywords, live Google Trends
│   ├── supplier_service.py       # Sourcing research (never fabricates suppliers)
│   ├── pricing_service.py        # Fees, profit, margin, ROI, break-even, recommended price
│   ├── revenue_service.py        # Units from BSR/badges, revenue, competitor stage, evergreen scoring
│   ├── search_service.py         # Web search (DuckDuckGo free, Brave/Serper/Tavily/Google CSE)
│   ├── browser_service.py        # Guardrailed fetching: allowlist, robots.txt, delay, budget, block detection
│   ├── scraper_service.py        # Amazon India page parsing (search, product, listing detail, reviews, bestsellers)
│   ├── ads_service.py            # Sponsored Products bid maths, keyword match types, campaign structure
│   └── security.py               # SSRF guards, log redaction, prompt-injection scanning, size caps
│
├── amazon_india_seller_mcp/database/                     # Research history
│   ├── __init__.py
│   └── models.py                 # SQLAlchemy models + session handling
│
├── amazon_india_seller_mcp/config/                       # Centralised settings
│   ├── __init__.py
│   └── settings.py               # Env-driven settings + configurable fee schedule
│
├── tests/
│   ├── __init__.py
│   ├── test_product_research.py
│   ├── test_demand_analysis.py
│   ├── test_competition.py
│   └── test_profit_calculator.py
│
├── docs/
│   ├── SETUP.md                  # full setup, run and troubleshooting guide
│   ├── SCRAPING.md               # live data sources, guardrails and compliance
│   ├── PROMPTS.md                # copy-paste prompt library for all 20 tools
│   └── check_connection.py       # MCP connection self-test
│
├── .env.example
├── mcp.json.example
├── LICENSE                       # MIT
├── CONTRIBUTING.md
├── CODE_OF_CONDUCT.md
├── SECURITY.md                   # threat model and controls
├── CHANGELOG.md
├── .github/workflows/ci.yml      # tests on Python 3.11-3.13
├── pyproject.toml                # Dependencies, managed by uv
└── uv.lock

Regeln, die der Code befolgt: server.py enthält keine Geschäftslogik, Tools enthalten keine Geschäftslogik, Services enthalten die gesamte Logik.

Installation

Anforderungen: Python 3.11+ und uv. Der Setup- und Ausführungsleitfaden behandelt jeden Schritt im Detail.

Ohne Klonen verwenden

uvx amazon-india-seller-mcp

Das ist die gesamte Installation. Richte Claude Desktop darauf aus:

{
  "mcpServers": {
    "amazon-india-seller": {
      "command": "uvx",
      "args": ["amazon-india-seller-mcp"],
      "env": { "DEMO_MODE": "true" }
    }
  }
}

Oder in eine Umgebung installieren

uv tool install amazon-india-seller-mcp     # then run: amazon-india-seller-mcp
pip install amazon-india-seller-mcp         # works too

Oder aus einem Quellcode-Checkout arbeiten (für die Entwicklung)

git clone https://github.com/Suriya-Ravichandran/amazon-india-seller-mcp.git
cd amazon-india-seller-mcp
uv sync --all-extras
uv run python -m amazon_india_seller_mcp

Für kostenlose Live-Daten benötigst du die Extras: uv sync --extra realtime --extra browser.

# Windows (PowerShell)
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# or via pip
python -m pip install uv

Virtuelle Umgebung

uv sync verwaltet die virtuelle Umgebung für dich; führe Befehle mit uv run aus. Wenn du sie lieber manuell aktivieren möchtest:

# Windows
.venv\Scripts\activate

# macOS / Linux
source .venv/bin/activate

Abhängigkeiten

In pyproject.toml deklariert und in uv.lock gepinnt:

mcp, pydantic, pydantic-settings, httpx, sqlalchemy, python-dotenv; pytest in der Dev-Gruppe.

Füge eine Abhängigkeit hinzu oder ändere sie mit uv add <package> / uv remove <package> – bearbeite die Lockdatei niemals von Hand.

Umgebungskonfiguration

cp .env.example .env      # Windows: copy .env.example .env

Geheimnisse liegen nur in .env, das gitignored ist. Nichts ist im Quellcode hartcodiert.

Datenbank-Einrichtung

Tabellen werden automatisch beim Start erstellt. Nichts muss von Hand ausgeführt werden.

Entwicklung (Standard): SQLite unter ./amazon_product_mcp.db.

PostgreSQL:

DATABASE_URL=postgresql+psycopg://user:password@localhost:5432/amazon_mcp

JSON-Payload-Spalten werden auf PostgreSQL automatisch auf JSONB und auf SQLite auf JSON abgebildet. Installiere den Treiber dazu: uv add psycopg[binary].

Gespeicherte Modelle: ProductResearch, DemandAnalysis, CompetitionAnalysis, ProfitCalculation, SupplierResearch – jedes speichert product_name, marketplace, research_data, data_source, data_type, confidence, created_at, updated_at.

Die Speicherung der Historie ist eine Best-Effort-Leistung: Wenn die Datenbank nicht erreichbar ist, funktionieren die Tools weiterhin und der Fehler wird protokolliert statt angezeigt.

Den MCP ausführen

uvx amazon-india-seller-mcp              # installed
uv run python -m amazon_india_seller_mcp # from a checkout
uv run server.py                         # legacy path, still supported

Der Prozess spricht das MCP-Protokoll über stdio und sitzt daher still da und wartet auf einen Client – das ist korrektes Verhalten. Logs gehen an stderr, damit stdout für den Protokollverkehr sauber bleibt. Beenden mit Ctrl+C.

Claude-Desktop-Konfiguration

1. Öffne die Claude-Desktop-Konfigurationsdatei:

   • Windows: %APPDATA%\Claude\claude_desktop_config.json

   • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

2. Kopiere den mcpServers-Block aus mcp.json.example hinein und ersetze die Pfade durch deine eigenen absoluten Pfade:

{
  "mcpServers": {
    "amazon-product-research": {
      "command": "/ABSOLUTE/PATH/TO/amazon-india-seller-mcp/.venv/bin/python",
      "args": ["/ABSOLUTE/PATH/TO/amazon-india-seller-mcp/server.py"],
      "env": { "DEMO_MODE": "true" }
    }
  }
}

Verwende auf Windows .venv\\Scripts\\python.exe und maskiere Backslashes. Eine uv --directory ... run server.py-Variante ist ebenfalls in der Beispieldatei enthalten.

3. Claude Desktop vollständig beenden und neu starten (über das Tray-/Menüleisten-Symbol schließen – ein Neuladen des Fensters reicht nicht).

4. Teste die Verbindung: Die Tools erscheinen im Tool-Menü von Claude Desktop, und die Frage "Berechne den Gewinn für ein ₹399-Produkt, das ₹120 kostet" sollte calculate_profitability auslösen.

Verfügbare MCP-Tools

Entdeckung

Nachfrage

Wettbewerb

Geld

Listing

Werbung

Sourcing

Live-Daten

Opportunity-Scoring

Beispiel-Prompts

Find beginner-friendly Amazon India products under ₹20,000 investment.

Screen these ideas and rank them: sink strainer, cable organizer, spice rack.

Analyze the demand for silicone sink strainers on Amazon India.

Is a silicone sink strainer an evergreen product or seasonal?

How many units are competitors selling for "cable organizer"?

Are any new sellers succeeding in the kitchen drawer organizer market?

What revenue would a ₹399 product at BSR 3,500 make per month?

Calculate the profit for a ₹399 product that costs ₹120.

Plan a ₹20,000 launch for a ₹399 sink strainer that costs ₹120.

Find suppliers for cable organizers in Chennai or Tamil Nadu.

Find customer complaints about manual soap dispensers.

Generate an Amazon India listing for a reusable silicone food storage bag.

Scrape live Amazon India results for "silicone sink strainer".

Tear down ASIN B0XXXXXXXX and tell me how to beat that listing.

What should I bid on Amazon Ads for a ₹399 product that costs ₹120?

Plan a ₹6,000/month PPC campaign for my sink strainer launch.

Check the scraper status.

Ein natürlicher Workflow: Ideen prüfen → Nachfrage und Evergreen prüfen → Wettbewerber und neue Verkäufer prüfen → Gewinn berechnen → Launch planen → Keywords recherchieren → Listing erstellen.

docs/PROMPTS.md ist die vollständige Prompt-Bibliothek – 56 Copy-Paste-Prompts nach Aufgabe gruppiert, verkettete Multi-Tool-Workflows und Prompts, die Claude dazu bringen, zu zeigen, welche Zahlen live und welche geschätzt sind.

Demo-Modus

Mit DEMO_MODE=true (der Standardeinstellung) funktioniert jedes Tool ohne einen einzigen kostenpflichtigen API-Schlüssel.

• Beispieldaten sind deterministisch – dieselbe Abfrage liefert immer dieselben Zahlen, sodass Ergebnisse reproduzierbar und testbar sind.

• Jeder Wert ist gekennzeichnet mit "data_type": "Demo", "confidence": "Low", "source": "Local Demo Provider".

• Der Server protokolliert beim Start eine Warnung, damit niemand vergisst, in welchem Modus er sich befindet.

Der Demo-Modus dient zum Erlernen des Workflows und zum Testen der Integration. Triff niemals eine Kaufentscheidung auf Basis von Demo-Zahlen.

Live-Daten aus kostenlosen Quellen (ohne API-Schlüssel)

Alles unten ist kostenlos und benötigt keinen API-Schlüssel:

uv sync --extra realtime --extra browser
uv run playwright install chromium     # only for render=true

APP_ENV=production
DEMO_MODE=false
PRODUCT_DATA_PROVIDER=scraper
GOOGLE_TRENDS_ENABLED=true
WEB_SEARCH_PROVIDER=duckduckgo
BROWSER_ENABLED=true
BROWSER_ALLOWED_DOMAINS=amazon.in
BROWSER_MIN_DELAY_SECONDS=8

Amazon stellt automatisiertem Traffic Bot-Herausforderungen. Dieser Server erkennt und stoppt bei ihnen, anstatt sie zu umgehen, sodass Scraping opportunistisch funktioniert. Lies docs/SCRAPING.md, bevor du es aktivierst – es behandelt robots.txt vs. Nutzungsbedingungen, die Schutzmaßnahmen und wie man Selektoren repariert, ohne Code anzufassen.

Produktions-API-Integration

1. Produktdaten. Implementiere eine ProductDataProvider-Unterklasse in services/amazon_service.py (search_listings und fetch_reviews), oder richte PRODUCT_DATA_BASE_URL / PRODUCT_DATA_API_KEY auf eine genehmigte Drittanbieter-API und passe das Payload-Mapping von HttpProductDataProvider an. Setze dann DEMO_MODE=false.

2. Amazon SP-API / PA-API. Registriere dich als Entwickler, erhalte Anmeldedaten und füge einen Provider hinzu, der Anfragen mit AMAZON_API_KEY / AMAZON_API_SECRET signiert. build_provider() routet bereits sp-api und pa-api und wirft derzeit einen klaren „not implemented“-Fehler, anstatt stillschweigend Daten zu fälschen.

3. Gebühren. Exportiere deine Seller-Central-Preisliste als JSON, das dem FeeSchedule-Modell entspricht, richte AMAZON_FEE_CONFIG_PATH darauf und setze data_type auf Verified.

4. Lieferanten. Setze SUPPLIER_API_KEY und SUPPLIER_API_BASE_URL; der Verifizierungsstatus wird vom Provider durchgereicht und nicht angenommen.

Respektiere die Nutzungsbedingungen jedes Providers. Direktes Scraping von Amazon verstößt gegen deren Bedingungen und ist hier nicht implementiert.

Tests

uv run pytest                      # whole suite (193 tests)
uv run pytest -v                   # verbose
uv run pytest tests/test_profit_calculator.py
uv run docs/check_connection.py    # end-to-end MCP connection self-test

Die Abdeckung umfasst Produktrecherche, Opportunity-Scoring-Bänder und -Gewichte, Nachfrageanalyse und Saisonalität, Wettbewerbsanalyse, die vollständige Gewinnmathematik (Break-even und empfohlener Preis werden durch Neuberechnung verifiziert), Konfigurierbarkeit der Gebührenpläne, Umsatz- und BSR-Kurven-Schätzung, Klassifizierung neuer Verkäufer und Volumenziele, Evergreen-Scoring, jede Scraping-Schutzmaßnahme (Allowlist, robots, Seitenbudget, Bot-Challenge-Erkennung), HTML-Parsing-Hilfsfunktionen, Behandlung ungültiger Eingaben für jedes Tool und Demo-Modus-Determinismus.

Die Suite ist vollständig offline: Live-Google-Trends, Websuche und Seitenabruf sind erzwungenermaßen deaktiviert, sodass Ergebnisse deterministisch bleiben.

Die Suite erzwingt den Demo-Modus, deaktiviert Caching und deaktiviert die Verlaufspersistenz, sodass sie deine Recherche-Datenbank nie berührt.

Fehlerbehebung

Logs gehen nach stderr. Setze DEBUG=true oder LOG_LEVEL=DEBUG für Details; in Claude Desktop nutze die MCP-Logdateien (%APPDATA%\Claude\logs unter Windows, ~/Library/Logs/Claude unter macOS).

Sicherheit

Mit dem, was dieser Server tut, gehen drei Risiken einher, und jedes hat eine explizite Kontrolle. Vollständige Details in SECURITY.md; die Kontrollen sind in tests/test_security.py getestet.

SSRF. Schema, Port und aufgelöste IP werden vor jeder Anfrage geprüft, und jeder Redirect-Hop wird erneut validiert – so kann ein auf der Whitelist stehender Host den Fetch nicht auf Loopback, einen privaten Bereich oder den Cloud-Metadata-Endpunkt umleiten. Playwright-Anfragen laufen durch dasselbe Tor.

Anmeldedaten. Ein Redacting-Logfilter entfernt API-Keys, Bearer-Tokens und geheimnistragende Query-Parameter aus jedem Logeintrag, einschließlich Bibliotheks-Logging wie httpx-Anfrage-URLs. Keine Tool-Ausgabe enthält jemals einen Schlüssel.

Prompt-Injection. Gecrawlte Listings, Bewertungen und Suchergebnisse sind Texte Dritter, die im Kontext eines LLM landen. Jedes Feld wird bereinigt (Steuer-, Nullbreiten- und bidirektionale Zeichen werden entfernt), auf instruktionsförmigen Inhalt gescannt und mit einem content_safety-Block zurückgegeben. Die MCP-Anweisungen des Servers sagen dem Modell, es als Daten zu behandeln, niemals als Anweisungen.

Zusätzlich erzwungen: ein 8-MB-Antwortlimit, 5-Hop-Redirect-Grenze, validierte Konfigurationsdateipfade, parametrisierte SQL und keine Stack-Traces, die den MCP-Client erreichen.

Sicherheitshinweise

• Anmeldedaten stammen ausschließlich aus Umgebungsvariablen; .env ist gitignored und nichts ist fest codiert.

• Stack-Traces erreichen nie den MCP-Client – Fehler werden serverseitig protokolliert und als strukturierte, benutzersichere Payloads zurückgegeben.

• Die Datenbank speichert nur Forschungs-Payloads, keine Anmeldedaten.

• Gebühren- und Marktplatzzahlen sind Konfiguration, nicht Code, sodass sie ohne Codeänderung korrigiert werden können.

• Nichts in diesem Projekt scraped Amazon oder umgeht die Bedingungen eines Anbieters.

Roadmap

• Echte SP-API- und Product Advertising API-Provider mit Anfragesignatur

• Historische Nachverfolgung: Preis-, BSR- und Bewertungstrends aus gespeicherter Forschung

• MCP-Ressourcen, die gespeicherte Forschungshistorie zurück an Claude bereitstellen

• FBA-Lager- und Werbekostenmodellierung (ACOS-bewusste Gewinnschwelle)

• Kategoriebezogene Sperren und Zertifizierungs- (BIS / FSSAI) Referenzdaten

• Kalibrierung der BSR-zu-Einheiten-Kurven anhand realer Verkäuferverkaufsdaten

• Bestsellerlisten-Mining für die Produktfindung mit nachgewiesener Nachfrage

Mitwirken

Beiträge sind willkommen – siehe CONTRIBUTING.md.

Die wichtigste Regel: Erfinde nie Daten und lass eine Schätzung nie wie eine Messung aussehen. Menschen geben echtes Geld für diese Ausgabe aus, daher trägt jeder Wert seine Quelle, seinen Datentyp und sein Konfidenzniveau.

Besonders wertvoll sind derzeit:

• Selektor-Fixes, wenn Amazon sein Markup ändert

• Kalibrierung der BSR-zu-Einheiten-Kurven anhand realer Verkaufsdaten

• GST-, Kategorie-Compliance- und Importkosten-Tools für indische Verkäufer

• Echte SP-API / Product Advertising API-Provider

Pull Requests, die Bot-Schutz-Umgehung hinzufügen (Proxy-Rotation, Fingerprint-Spoofing, CAPTCHA-Lösung), werden abgelehnt – siehe docs/SCRAPING.md.

Siehe auch CODE_OF_CONDUCT.md und SECURITY.md.

Lizenz

MIT – frei nutzbar, modifizierbar und verteilbar, auch kommerziell. Die Software wird wie besehen bereitgestellt, ohne Gewährleistung.

Haftungsausschluss

Dieses Tool unterstützt Recherche; es ersetzt sie nicht. Nachfrage-, Verkaufs- und Rentabilitätszahlen sind Schätzungen auf Grundlage der Eingaben und des konfigurierten Gebührenplans – keine Garantien. Überprüfe Gebühren in Seller Central, überprüfe jeden Lieferanten selbst und bestätige Kategorie- und Marken- anforderungen bei Amazon, bevor du investierst.