Skip to main content
Glama
Suriya-Ravichandran

Amazon India Product Research MCP

Amazon India 产品研究 MCP

CI Licence: MIT PyPI Python 3.11+ MCP PRs welcome Security policy Release

一个 MCP(模型上下文协议)服务器,可将 Claude Desktop 变成亚马逊印度新手卖家的产品研究助手。它可以为产品机会打分、估算需求、评估竞争、计算真实的亚马逊印度利润、规划采购、挖掘客户投诉、研究关键词并起草完整的商品详情页。

通过 stdio 运行,可直接接入 Claude Desktop。

新手?从设置与运行指南开始 —— 包含分步安装、验证和 Claude Desktop 配置,以及故障排查章节。 如需实时数据,请参阅实时数据与抓取指南

24 个工具。零 API 密钥即可运行 —— 离线演示模式,或基于免费来源(Google Trends、DuckDuckGo、公开的 amazon.in 页面)的真实实时数据。


项目概述

该服务器围绕一个卖家画像构建:

标准

目标

投资额

₹5,000 – ₹20,000

售价

₹199 – ₹699

重量

500 克以下

利润率

最低 30%

需求

日常使用、非季节性

退货率

低退货率

采购

印度本地采购便利

风险

无明显准入限制或品牌审批问题

每个工具都会根据这些标准为产品打分,并对那些让新手卖家翻车的因素进行扣分:品牌商品、仿冒风险、易碎品、电池、复杂电子产品、易腐品、季节性产品、服装尺码、重物以及被强势品牌主导的品类。

数据完整性优先

本项目拒绝编造市场事实。每项有意义的输出都带有 sourcedata_typeconfidencelast_updated 字段,其中 data_type 为以下之一:Live(实时)、Verified(已验证)、Estimated(估算)、Historical(历史)或 Demo(演示)。

  • 演示数据始终标记为 Demo,绝不会被当作实时亚马逊数据呈现。

  • 需求量和月销量数据是建模估算值,绝非实测的亚马逊销量。

  • 亚马逊费用来自可配置的费率表;随附的费率表标记为 Estimated

  • 绝不虚构供应商。 在没有供应商 API 的情况下,search_suppliers 返回空的供应商列表,外加你可以自行核实的真实公开采购渠道。

  • 没有任何工具会声称保证利润或保证销量。


功能特性

  • 20 个 MCP 工具,覆盖完整的卖家工作流:选品发现、需求分析、竞争分析、财务测算、商品上架、采购和实时数据

  • 免费实时数据,无需 API 密钥:Google Trends 搜索热度、DuckDuckGo 网页搜索,以及公开的 amazon.in 页面(包括"过去一个月购买"徽章)

  • 收入和销量估算,基于 BSR 曲线或亚马逊自有的购买徽章,始终以区间形式呈现并注明估算方法

  • 新手卖家检测:识别哪些竞争对手评论数较少,以及其中哪些已经月销 300+ 件——这是判断一个页面是否值得切入的最强信号

  • 常青评分,基于最长 5 年的真实搜索热度数据,帮你避开季节性滞销库存

  • 亚马逊广告规划:盈亏平衡 ACOS、按匹配类型划分的出价阶梯、关键词匹配分配、广告结构设计和否定关键词——全部基于你自己的单位经济模型而非泛泛建议

  • 0–100 加权机会评分,以及一次最多批量筛选 15 个产品创意

  • 亚马逊印度费用计算:佣金、结算费、FBA / Easy Ship / Self Ship、费用 GST、退货准备金、盈亏平衡价和推荐售价

  • 上市规划:订货量、预算分配、广告预算、补货点、回本周期

  • 评论投诉聚类分析,并给出具体的供应商层面改进建议

  • 关键词研究、商品详情页草稿和七槽位图片规划

  • 合规优先的抓取策略:robots.txt、白名单、抓取延迟、页面预算,以及遇到机器人挑战时硬性停止——绝不绕过机器人防护

  • 研究历史存储在 SQLite 或 PostgreSQL 中

  • 完整演示模式:一切均可离线、确定性运行


架构

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

代码遵循的规则:server.py 不含业务逻辑,工具不含业务逻辑,所有业务逻辑都在服务层。


安装

环境要求: Python 3.11+ 和 uv设置与运行指南 详细介绍了每一步。

无需克隆即可使用

uvx amazon-india-seller-mcp

这就是全部安装步骤。将 Claude Desktop 指向它:

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

或者安装到环境中

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

或者从源码检出进行开发

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

免费实时数据需要额外依赖: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

虚拟环境

uv sync 会为你管理虚拟环境;使用 uv run 运行命令。如果你更愿意手动激活:

# Windows
.venv\Scripts\activate

# macOS / Linux
source .venv/bin/activate

依赖

pyproject.toml 中声明,并在 uv.lock 中锁定版本:

mcppydanticpydantic-settingshttpxsqlalchemypython-dotenv;开发组中包含 pytest

使用 uv add <package> / uv remove <package> 添加或更改依赖——切勿手动编辑锁文件。


环境配置

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

变量

默认值

用途

APP_ENV

development

环境标签

DEBUG

false

详细日志

DATABASE_URL

sqlite:///./amazon_product_mcp.db

SQLite 或 PostgreSQL URL

PERSIST_RESEARCH

true

存储研究历史

AMAZON_API_KEY / AMAZON_API_SECRET

SP-API / PA-API 凭据

PRODUCT_DATA_PROVIDER

demo

demosp-apipa-api 或第三方 API 名称

PRODUCT_DATA_API_KEY / PRODUCT_DATA_BASE_URL

第三方数据提供商访问

GOOGLE_TRENDS_ENABLED

false

启用趋势数据提供商(项目不内置任何提供商)

SUPPLIER_API_KEY / SUPPLIER_BASE_URL

供应商数据提供商

DEMO_MODE

true

确定性演示数据,明确标注

CACHE_ENABLED / CACHE_TTL_SECONDS

true / 900

进程内缓存

AMAZON_FEE_CONFIG_PATH

包含你真实 Seller Central 费率卡的 JSON 文件

密钥只存在于 .env 中,该文件已被 gitignore。源码中不硬编码任何内容。


数据库设置

表会在启动时自动创建,无需手动操作。

开发环境(默认): SQLite,位于 ./amazon_product_mcp.db

PostgreSQL:

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

JSON 负载列在 PostgreSQL 上自动映射为 JSONB,在 SQLite 上映射为 JSON。请同时安装驱动:uv add psycopg[binary]

存储的模型:ProductResearchDemandAnalysisCompetitionAnalysisProfitCalculationSupplierResearch——每个都保留 product_namemarketplaceresearch_datadata_sourcedata_typeconfidencecreated_atupdated_at 字段。

历史存储是尽力而为的:如果数据库不可达,工具仍可正常工作,失败会被记录日志而不会抛出。


运行 MCP

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

该进程通过 stdio 使用 MCP 协议通信,因此会静默等待客户端连接——这是正常行为。日志输出到 stderr,保持 stdout 干净以用于协议通信。使用 Ctrl+C 停止。


Claude Desktop 配置

  1. 打开 Claude Desktop 配置文件:

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

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

  2. mcp.json.example 中的 mcpServers 块复制进去,将路径替换为你自己的绝对路径:

{
  "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" }
    }
  }
}

在 Windows 上使用 .venv\\Scripts\\python.exe 并转义反斜杠。示例文件中还包含一个 uv --directory ... run server.py 变体。

  1. 完全退出并重启 Claude Desktop(从托盘/菜单栏关闭——仅重新加载窗口是不够的)。

  2. 测试连接:工具会出现在 Claude Desktop 的工具菜单中,询问 "计算一个售价 ₹399、成本 ₹120 的产品的利润" 应触发 calculate_profitability


可用 MCP 工具

选品发现

工具

功能

find_product_opportunities

一次最多筛选 15 个产品创意,对照新手标准进行评分和排名。从这里开始。

research_product

针对单个创意的完整机会报告:品类、价格区间、BSR、重量、评分、评论数、需求、竞争、退货/准入/品牌风险、新手适配度、0–100 评分和推荐建议

需求

工具

功能

analyze_product_demand

月度需求、需求等级、趋势方向、季节性、置信度以及上架决策

analyze_evergreen

基于最多 5 年的真实搜索兴趣得出 0–100 的常青评分:稳定性、平稳度、需求下限、增长趋势,以及库存建议

analyze_purchase_signals

汇总亚马逊自带的"过去一个月内 X 人购买了该商品"徽章——这是最可靠的免费销售信号

竞争分析

工具

功能

analyze_competition

竞争程度、价格和评分平均值、评论门槛、品牌主导度、列表和图片质量、薄弱列表以及差异化切入点

analyze_competitors

每个竞争对手的销量、收入、市场份额、市场规模和集中度。标记新卖家(评论数少)以及月销 300+ 件的卖家,然后给出入场判断

analyze_review_metrics

评论门槛:评论数的中位数和四分位数、追赶所需月数,以及哪些列表是可以击败的

资金分析

工具

功能

calculate_profitability

推荐费、成交费、配送费和 GST 费用、退货准备金、总成本、利润、利润率、ROI、盈亏平衡点和建议售价,以及通俗易懂的解释

calculate_revenue

基于销量、BSR 或购买徽章计算月度和年度收入——以区间形式呈现,并注明计算方法。添加 product_cost 可计算利润

plan_product_launch

订货数量、预算分配(库存 / 样品 / 摄影 / 广告 / 缓冲金)、可售天数、补货点、可承受的广告成本、回本周期、逐周时间线和风险提示

列表优化

工具

功能

research_keywords

主要关键词、次要关键词、长尾关键词和相关关键词、搜索意图、优先级、后台搜索词以及投放建议

generate_listing

SEO 标题和备选方案、五点描述、产品描述、后台关键词、图片方向、包装建议和合规检查清单

analyze_product_images

竞品图库覆盖情况、你可以击败的薄弱图库、亚马逊的图片要求以及七张图片位规划

analyze_reviews

按主题分组的差评及提及次数和具体产品改进方案,以及受好评的特点和差异化角度

scrape_listing_details

对现有列表进行全面拆解——标题、图片、五点描述、产品描述、A+ 页面、视频、规格、徽章、变体——以 0–100 评分并给出击败方法

广告投放

工具

功能

suggest_ppc_keywords

广告关键词及匹配类型(精确 / 词组 / 广泛)、基于你的单位利润的建议出价、优先级、广告组设置,以及否定关键词

calculate_ppc_bids

盈亏平衡 ACOS(= 你的利润率)、目标 ACOS、盈亏平衡和目标 CPC、每种匹配类型的出价阶梯、每次订单的点击次数和广告成本。同时检查你正在运行的出价

plan_ppc_campaign

三广告系列结构(自动发现、手动精确核心、词组/广泛扩展),含预算分配、预计订单量和每周优化流程

货源开发

工具

功能

search_suppliers

针对 Parrys / Chennai / Tamil Nadu / India 的货源调研,含验证状态和审查清单。绝不虚构供应商

实时数据

工具

功能

search_web

通过 DuckDuckGo(免费、无需密钥)或 Brave / Serper / Tavily / Google CSE 进行网络搜索

scrape_amazon_search

实时 amazon.in 搜索结果:ASIN、价格、评分、评论数、购买徽章、广告标记

scrape_amazon_product

实时产品页面:BSR、重量、卖家、五点描述、完整图片库,以及销量估算

scraper_status

实时数据层的当前配置情况,以及任何阻碍因素

机会评分

组成部分

权重

需求

25%

盈利能力

25%

竞争程度

20%

退货风险

10%

货源获取难度

10%

新手友好度

10%

分数

建议

80–100

强劲机会

65–79

良好机会

50–64

中等机会

30–49

高风险

0–29

避免


示例提示词

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.

一个自然的工作流程:筛选创意 → 检查需求和常青度 → 检查竞争对手和新卖家 → 计算利润 → 规划上架 → 研究关键词 → 生成列表。

docs/PROMPTS.md 是完整的提示词库 —— 56 个按任务分组的即用提示词、链式多工具工作流,以及能让 Claude 显示哪些数字是实时数据、哪些是估算值的提示词。


演示模式

设置 DEMO_MODE=true(默认值)后,每个工具都可以在没有任何付费 API 密钥的情况下运行。

  • 示例数据是确定性的 —— 相同的查询始终返回相同的数字,因此结果可复现、可测试。

  • 每个值都标记为 "data_type": "Demo""confidence": "Low""source": "Local Demo Provider"

  • 服务器在启动时会记录警告日志,确保没有人忘记自己处于哪种模式。

演示模式用于学习工作流程和测试集成。切勿根据演示数据做出购买决策。


免费来源的实时数据(无需 API 密钥)

以下所有内容均免费且无需 API 密钥:

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

来源

提供内容

可靠性

Google Trends

真实的印度搜索兴趣、季节性、常青评分

DuckDuckGo

针对竞争对手、供应商、价格的实时网络搜索

amazon.in 页面

价格、ASIN、评分、评论数、购买徽章

间歇性

亚马逊会对自动化流量发起机器人验证挑战。本服务器会检测并停止而不是绕过这些挑战,因此抓取是机会性的。在启用之前请阅读 docs/SCRAPING.md —— 其中涵盖了 robots.txt 与服务条款、防护措施,以及如何在不修改代码的情况下修复选择器。


生产环境 API 集成

  1. 产品数据。services/amazon_service.py 中实现一个 ProductDataProvider 子类(search_listingsfetch_reviews),或者将 PRODUCT_DATA_BASE_URL / PRODUCT_DATA_API_KEY 指向经批准的第三方 API,并调整 HttpProductDataProvider 的载荷映射。然后设置 DEMO_MODE=false

  2. Amazon SP-API / PA-API。 注册为开发者,获取凭证,并添加一个使用 AMAZON_API_KEY / AMAZON_API_SECRET 对请求进行签名的提供程序。build_provider() 已经路由了 sp-apipa-api,目前会抛出明确的"未实现"错误,而不是静默伪造数据。

  3. 费用。 将你的 Seller Central 费率卡导出为符合 FeeSchedule 模型的 JSON,将 AMAZON_FEE_CONFIG_PATH 指向该文件,并将 data_type 设置为 Verified

  4. 供应商。 设置 SUPPLIER_API_KEYSUPPLIER_API_BASE_URL;验证状态直接来自提供程序,而非假设。

请遵守每个提供程序的服务条款。直接抓取亚马逊违反其条款,本服务器未实现此功能。


测试

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

测试覆盖范围包括:产品研究、机会评分区间和权重、需求分析和季节性、竞争分析、完整的利润计算(盈亏平衡点和建议售价通过重新计算验证)、费用表可配置性、收入和 BSR 曲线估算、新卖家和销量目标分类、常青评分、所有抓取防护措施(白名单、robots、页面预算、机器人挑战检测)、HTML 解析辅助函数、每个工具的无效输入处理,以及演示模式的确定性。

测试套件完全离线:实时 Google Trends、网络搜索和页面抓取均被强制关闭,以确保结果保持确定性。

测试套件强制使用演示模式、禁用缓存并禁用历史记录持久化,因此绝不会触碰你的研究数据库。


故障排除

症状

解决方法

Claude Desktop 中找不到服务器

在配置中使用绝对路径,然后完全退出并重新启动 Claude Desktop

spawn python ENOENT

command 指向 .venv 内的解释器

ModuleNotFoundError

运行 uv sync;确保配置使用 .venv 解释器

手动运行时服务器"挂起"

正常现象——它正在 stdio 上等待客户端

provider_not_configured 错误

设置 PRODUCT_DATA_API_KEY / PRODUCT_DATA_BASE_URL,或设置 DEMO_MODE=true

rate_limit_exceeded

等待提供程序的窗口重置;默认已启用缓存

所有内容都显示"Demo"

演示模式下属正常现象;设置 DEMO_MODE=false 并配置提供程序

数据库错误

检查 DATABASE_URL;工具在没有历史存储的情况下仍可正常工作

日志输出到 stderr。设置 DEBUG=trueLOG_LEVEL=DEBUG 以获取详细信息;在 Claude Desktop 中,使用 MCP 日志文件(Windows 上为 %APPDATA%\Claude\logs,macOS 上为 ~/Library/Logs/Claude)。


安全

此服务器的工作伴随三种风险,每种风险都有明确的控制措施。完整细节见 SECURITY.md;这些控制措施在 tests/test_security.py 中经过测试。

SSRF。 每个请求发出前都会检查协议、端口和解析后的 IP,并且每个重定向跳转都会重新验证——因此,列入白名单的主机无法将抓取重定向到回环地址、私有网段或云元数据端点。Playwright 请求也经过同样的检查。

凭据。 一个脱敏日志过滤器会从每条日志记录中清除 API 密钥、Bearer 令牌和包含机密的查询参数,包括 httpx 请求 URL 之类的库日志。任何工具输出都不会包含密钥。

提示注入。 抓取的商品列表、评论和搜索结果都是进入 LLM 上下文的第三方文本。每个字段都会经过净化(剥离控制字符、零宽字符和双向字符),扫描是否存在形似指令的内容,并随 content_safety 块一起返回。服务器的 MCP 指令告诉模型将其视为数据,而非指令。

此外还强制执行:8 MB 响应上限、5 跳重定向限制、经过验证的配置文件路径、参数化 SQL,以及确保堆栈跟踪不会到达 MCP 客户端。


安全说明

  • 凭据仅来自环境变量;.env 已被 gitignore 忽略,且没有任何硬编码内容。

  • 堆栈跟踪永远不会到达 MCP 客户端——错误在服务端记录,并以结构化、对用户安全的负载形式返回。

  • 数据库仅存储研究负载,不存储凭据。

  • 费用和市场数据是配置而非代码,因此无需更改代码即可修正。

  • 本项目不会抓取 Amazon,也不会绕过任何服务商的条款。


路线图

  • 支持请求签名的真实 SP-API 和 Product Advertising API 提供程序

  • 历史追踪:基于已存储研究的价格、BSR 和评分趋势

  • MCP 资源将保存的研究历史重新提供给 Claude

  • FBA 仓储和广告成本建模(考虑 ACOS 的盈亏平衡)

  • 品类级准入和认证(BIS / FSSAI)参考数据

  • 根据真实卖家销售数据校准 BSR 到销量曲线

  • 畅销榜挖掘,用于发现已被验证有需求的产品


贡献

欢迎贡献——参见 CONTRIBUTING.md

最重要的规则:绝不编造数据,绝不让估算看起来像实测值。 人们会为这些输出投入真金白银,因此每个数值都带有其来源、数据类型和置信度。

目前特别有价值的工作:

  • 当 Amazon 更改其标记时修复选择器

  • 根据真实销售数据校准 BSR 到销量曲线

  • 面向印度卖家的 GST、品类合规和进口成本工具

  • 真实的 SP-API / Product Advertising API 提供程序

添加机器人防护绕过(代理轮换、指纹伪造、CAPTCHA 破解)的拉取请求将被拒绝——参见 docs/SCRAPING.md

另请参见 CODE_OF_CONDUCT.mdSECURITY.md


许可证

MIT——可自由使用、修改和分发,包括商业用途。本软件按现状提供,不附带任何担保。


免责声明

此工具辅助研究,而非替代研究。需求、销量和盈利数据是基于输入和已配置费用表的估算值——并非保证。请在 Seller Central 中核实费用,自行核实每个供应商,并在投资前与 Amazon 确认品类和品牌要求。

-
license - not tested
Not graded
quality - not tested
B
maintenance

Maintenance

Maintainers
Response time
0dRelease cycle
3Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Related MCP Connectors

  • Amazon brand, seller, niche & buy-box intelligence inside your own Claude or ChatGPT.

  • Hosted Amazon Seller Central and Amazon Ads MCP server for Claude, ChatGPT, Cursor, and agents.

  • Hosted Amazon Seller and Vendor MCP server for Claude, ChatGPT, Cursor, Codex, Gemini, Copilot.

View all MCP Connectors

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/Suriya-Ravichandran/amazon-india-seller-mcp'

If you have feedback or need assistance with the MCP directory API, please join our Discord server