腾讯 Workbuddy 接入实时 Amazon 数据完全指南（Skill 生态）

1. 生态前提：Agent 有了故乡

本系列前三篇解的是同一道题，只是客户端不同：一个能粘服务器 URL 的聊天窗口。Meta Muse 走了自定义连接器，Claude Code 走了 --header 参数，ChatGPT 走了开发者模式的 Token 鉴权。数据从没动过，变的只是门。

腾讯 Workbuddy 把问题的形状改了。它不是你偶尔访问的聊天窗口——它是腾讯云 2026-03-09 发布的桌面 AI agent，定位”AI teammate”，首月月活 885 万。它分国内版（codebuddy.cn/work）与国际版（workbuddy.ai）。2026-09-02，WorkBuddy 开放平台上线，向开发者开放 Skill、Expert、Connector 三个接入面，云端生态 Skill 已达数万。

所以这里的操作性问题不是”怎么连一个服务器”，而是：这份 Amazon 数据能力，在生态里应该住在哪一层？是用户从应用市场安装的打包 Skill？是声明为依赖的原生 MCP 连接器？还是打包了前两者的完整 Expert 人格？三道门通向同一份数据，区别在于谁发布、谁安装、用户摸到的是什么。（Agent 为什么需要实时商业数据——接地的论证与对照实测——见总纲；本篇不再重复。）

2. 三道门：同一份数据的三种住法

第一道门——应用市场 Skill（打包好的能力）。Skill 是一个目录：SKILL.md 定义（YAML frontmatter：name、描述、分类、版本、作者；Markdown 正文写指令），可选 references/（API 规范、示例）、scripts/（agent 经 Bash 执行的脚本）、templates/。发布者把它传到开放平台——对话式”创建 Skill”流程，或按文档结构打 zip 包——它就出现在 WorkBuddy 客户端的应用市场（左侧菜单 Experts · Skills · Connectors → Skills）。用户点右上角加号安装，在对话里调用。这是总纲里 Skill 模式的落地：能力以”包”的形态旅行，用户看不到 URL，也不用填 key 表单——除了 Skill 自己声明的那些。

第二道门——MCP 连接器（声明式依赖）。WorkBuddy 的 Expert 框架允许发布的 Expert 把外部 MCP 服务器声明为依赖——在 plugin.json 的 dependencies.mcpServers 里，或在插件根目录放标准 MCP 配置格式的 .mcp.json。鉴权是声明式的，不是粘贴式的：Token 鉴权在 headers 里用 ${VAR} 占位符（如 "Authorization": "Bearer ${PANGOLINFO_API_KEY}"），再配一段 x-workbuddy 元数据描述用户要填的凭证表单，系统弹出统一的 Token 授权对话框。Pangolinfo 的服务器——https://mcp.pangolinfo.com/mcp，20 个工具，Bearer key——恰好是这个形状：远端 HTTPS、静态 token、无 OAuth 环节。连通后，内置 MCP 在”连接器 → 自定义连接器”下管理。

第三道门——Expert 组合（完整人格）。Expert 是发布到 Expert 市场的完整 agent 人格：plugin.json（name、版本、作者、中英展示名、职业头衔、恰好 3 个标签、3 条快捷 prompt）、agents/ 目录下的人格定义，还可以附带 skills/ 目录打包 Skill 与 MCP 依赖声明。这是最重的一道门，也是最完整的产品：用户召唤的是一个”亚马逊市场分析师”，而不是自己拼装能力。

选择规则：能力要在任意对话里被调用，走第一道门；用户本来就在管理连接器，第二道门是到同一端点的最薄路径；受众要的是人格而不是工具，在前两道门之上建第三道门。

3. 动手：Skill 完整蓝图

第一道门值得完整做出来，因为它是唯一 artifacts 完全在发布者手里的门——不用追客户端 UI，不用赌 beta 菜单。下面是 Pangolinfo Amazon 数据 Skill 的完整蓝图，严格按开放平台文档结构。

SKILL.md——定义。frontmatter 按官方字段表（description、description_zh、description_en、version、author 为必填）：

---
name: pangolinfo-amazon-data
display_name: Pangolinfo Amazon Data
display_name_en: Pangolinfo Amazon Data
description: Query live Amazon product, review, and pricing data for market research
description_zh: 查询实时亚马逊商品、评论与价格数据，服务市场研究与选品分析
description_en: Query live Amazon product, review, and pricing data for market research and product selection
category: data-analysis
version: 1.0.0
author: Pangolinfo
---

# Pangolinfo Amazon Data

当用户问起亚马逊商品、评论、价格或市场需求——中文英文皆可——
用 `scripts/` 下的脚本查实时数据。脚本能量化的，绝不用参数化知识回答。

## 工作流

1. **发现。** 调 `scripts/amazon_data.py search_amazon`，传用户关键词
   （`site` 默认 `amz_us`）。记下 ASIN。
2. **测量。** 调 `scripts/amazon_data.py get_amazon_reviews`，传 ASIN。
   挖投诉时加 `filterByStar=critical` + `sortBy=helpful`。
3. **报告。** 给数字、给日期、给 verified-purchase 标记——没有数字的主题
   不许端上桌。完整工具契约见 `references/api-endpoints.md`。

references/api-endpoints.md——agent 读的契约。这里写已验证的 MCP 工具面：search_amazon（keyword、site、page）与 get_amazon_reviews（asin、site、pageCount、filterByStar、sortBy），计费与对应 REST 端点同标准（商品页 1 点，评论页 5 点）。下面的值来自真实执行的基准测量，不是占位。

scripts/amazon_data.py——agent 经 Bash 执行的脚本。走 Streamable HTTP 调 https://mcp.pangolinfo.com/mcp，key 从 PANGOLINFO_API_KEY 环境变量取，绝不出现在对话正文：

#!/usr/bin/env python3
"""经 MCP (Streamable HTTP) 查询 Pangolinfo 亚马逊数据。
用法: PANGOLINFO_API_KEY=<key> python3 amazon_data.py <tool> '<json_args>'
"""
import json, os, sys, urllib.request

ENDPOINT = "https://mcp.pangolinfo.com/mcp"
API_KEY = os.environ.get("PANGOLINFO_API_KEY", "")
if not API_KEY:
    sys.exit("请设置 PANGOLINFO_API_KEY（Pangolinfo 控制台 -> API Keys，长期 key）。")

def _post(payload, session=None):
    req = urllib.request.Request(
        ENDPOINT, data=json.dumps(payload).encode(),
        headers={"Content-Type": "application/json",
                 "Accept": "application/json, text/event-stream",
                 "Authorization": f"Bearer {API_KEY}"})
    if session:
        req.add_header("Mcp-Session-Id", session)
    with urllib.request.urlopen(req) as r:
        return r.headers.get("Mcp-Session-Id"), r.read().decode()

def mcp_call(tool, args):
    sid, body = _post({"jsonrpc": "2.0", "id": 1, "method": "initialize",
                       "params": {"protocolVersion": "2025-06-18", "capabilities": {},
                                  "clientInfo": {"name": "workbuddy-skill", "version": "1.0.0"}}})
    _post({"jsonrpc": "2.0", "method": "notifications/initialized"}, session=sid)
    _, out = _post({"jsonrpc": "2.0", "id": 2, "method": "tools/call",
                    "params": {"name": tool, "arguments": args}}, session=sid)
    for line in out.splitlines():
        if line.startswith("data:"):
            print(json.loads(line[5:])["result"]["content"][0]["text"])

if __name__ == "__main__":
    mcp_call(sys.argv[1], json.loads(sys.argv[2]))

发布。两条路，都有文档：在 WorkBuddy 客户端里，打开 Skill 市场 → 添加 Skill → 创建 Skill，用对话描述你要的能力；或在开放平台把目录按上面结构打成 zip 上传（平台的排错指南指的正是这套目录结构，搞不定发邮件 [email protected] 找运营）。一个诚实的缺口：应用市场的审核流程没有公开文档——排期时留出余量，承诺上线日期前先跟运营确认。

4. API Key 与第一次测试

唯一的前置条件是注册，而且是免费的：Pangolinfo 注册即带免费档，每月 60 credits（按月重置）——下面整套测试只消耗个位数点数。

第一步——注册并复制 key。打开 pangolinfo.com 点 “Start Free Trial”，跳转 tool.pangolinfo.com 建账号。在控制台 API Keys 页复制长期 key。永远不要把它粘进可能被分享或记录的聊天正文；它的去处是 PANGOLINFO_API_KEY 环境变量（第一道门）、Token 对话框（第二道门）或 Expert 的凭证表单（第三道门）。

第二步——跑基准测量。本系列每篇都跑同一套测量，保证跨 agent 可比。它于 2026-10-12 直接打在 Pangolinfo MCP 端点上——Workbuddy 三道门通向的正是这个端点：

测量确立的事实：Apple AirPods Pro 3，美区，4,269 条评论、差评（1–2 星）1,392 条；最新评论 2026-10-10——数据是活的，测量时只有两天。每条评论带 verified purchase 标记与 helpful 票数。按 helpful 排序的主要投诉主题：低频降噪差、约 3 个月故障、iPhone 配对困难、iPad 7 不兼容、电池与 Find My 问题。

走第一道门，这套测量就是装好 Skill 后的一句话：”用 Pangolinfo skill 查 AirPods Pro 3 的差评主题”——agent 跑脚本，答案带着数字、日期和购买标记回来。如果回来的没有这些，坏的是 Skill 不是模型，查脚本去。

5. 生态改变的三件事

在 Workbuddy 生态里分发数据，和在聊天连接器后面接数据，有三件真正不同的事，好坏参半。

分发本身成了产品。连接器服务的是配好它的那一个用户；应用市场的 Skill 服务的是每一个点安装的 Workbuddy 用户。885 万首月 MAU 就是意义所在：Skill 是分发，不只是接入。代价是市场的规矩——版本管理、中英双语描述、以及你控制不了的审核流程。

信任从厂商转移到了目录。数万 Skill 来自独立发布者，用户得判断信哪一个，平台得定义”已验证”是什么意思。Pangolinfo 的 Skill 把 key 模型一起带过去——key 始终是用户的，按环境独立——形状是对的，但生态的信任标记还在成形中，带着怀疑去读它们。

桌面即上下文。Workbuddy 更深的赌注——从它的硬件合作（智能眼镜到 NAS）看得出来——是 agent 的上下文应该包括用户的物理与数字 surroundings，而不只是聊天记录。在用户本来就住着的桌面上（表格开着、浏览器里全是供应商页面）被调用的亚马逊数据 Skill，回答的问题和 bare chat 里被调用的同一个 Skill 不一样：不是”数据怎么说”，而是”数据对我正在看的东西怎么说”。

计费没有变：工具调用按底层数据成本（商品页 1 点，评论页 5 点），每月 60 credits 免费额度跑完整套第一次测试绰绰有余。

6. 验证状态：查过什么，没查什么

✅ 三个接入面（Skill、Expert、Connector）、SKILL.md 结构与 frontmatter 字段、市场安装流程、.mcp.json 的 Token 鉴权声明与 ${VAR} 占位符、x-workbuddy 元数据：2026-10-13 已对开放平台官方文档（open.workbuddy.cn）与产品文档（workbuddy.ai/docs）核实。
✅ Pangolinfo MCP 端点、20 个工具清单、第 4 节基准测量：2026-10-12 由我们团队经 MCP 协议直接真实执行（11 点，月免费额度内）。
✅ Workbuddy 产品事实（2026-03-09 发布、”AI teammate” 定位、首月 885 万 MAU、国内 codebuddy.cn/work 与国际 workbuddy.ai、2026-09-02 开放平台上线）：经腾讯云官方公告与独立报道交叉核实。
⚠️ 第 3 节的 Skill 蓝图未发布到 Skill 市场，也未在我们团队的 WorkBuddy 客户端里端到端执行——那需要开发者账号与桌面客户端，本指南写作时未使用。SKILL.md 符合文档规范；脚本实现的是已验证的 MCP 工具契约。
⚠️ 应用市场的审核流程没有公开文档；排期前请与平台运营确认。客户端 UI 路径（市场菜单、创建 Skill 流程）以当前文档为准——这个产品迭代很快。
计费口径：免费档每月 60 credits，按月重置；商品数据 1 点/页，评论数据 5 点/页。

7. 相关阅读

• AI Agent 接入实时 Amazon 数据完全指南（总纲）——总纲：接地的论证与三种接入模式
• Meta Muse 接入实时 Amazon 数据完全指南（MCP）——连接器路径：在客户端内实测走通
• Claude Code 接入实时 Amazon 数据完全指南（MCP）——命令行、Desktop、网页端三条路径对照
• ChatGPT 篇——开发者模式 Token 鉴权与会话边界
• Amazon Review API——测量背后的评论数据引擎
• Amazon Data MCP——三道门通向的 20 工具服务器
• Amazon Scraper Skill——Agent IDE 环境的 Skill 形态接入

8. 系列导航

本指南是系列《AI Agent 接入实时 Amazon 数据完全指南（总纲）》的子篇。各篇：

• Meta Muse 篇——自定义 MCP 连接器，在 Muse 客户端内实测走通。
• Claude Code 篇——命令行、Desktop、网页端三条路径对照与鉴权面拆解。
• ChatGPT 篇——开发者模式自定义连接器（Token 鉴权），兼述 Custom GPT Actions 路径。
• Workbuddy 篇——本篇：Skill 生态路径——应用市场 Skill、MCP 连接器、Expert 组合对照，附完整 Skill 蓝图。
• IDE agent 篇——编辑器内的 MCP 与 skill。
• n8n / Make 篇——持续监测的定时 REST 工作流。