用大模型做市场调研：
升降桌市场还有机会吗？

美国市场还容得下一款新的升降桌吗？如果可以，机会在哪里？ 这是产品团队或投资人早期常问的问题：品类拥挤，众说纷纭，还没有预算请调研机构。一个好的答案需要四样东西：人们有多想要它，什么在卖、卖什么价，买家抱怨什么，以及他们购买前会问什么。

用来抓评论的五款桌子覆盖了榜单上的主要类型：一款手动桌面升降台、一款小尺寸电动桌、一款 63 英寸电动桌、一款带抽屉的桌子和一款移动桌。每个工具都返回 JSON，所以整个收集步骤就是五次 API 调用；用时约三分钟，大部分时间在等 Amazon。

我们给模型安排了三项工作，所有计数的事都交给代码。

1. 给每条评论打标签。 claude-sonnet-5.5 在一次调用中读完全部 100 条评论，从固定列表（晃动、电机故障、组装简单、零件损坏等）中给每条最多打三个主题标签，并附上一句从评论中原样摘出的短引用。然后由代码核对每条引用是否真的逐字出现在对应评论里：100 条中有 7 条不符，我们把它们丢掉了。
2. 阅读 Reddit 帖子。 第二次调用把 27 个帖子归为三类：买家想做什么决定、他们报告的问题、他们的使用环境，每一类都附上所依据帖子的 id。
3. 撰写简报。 最后一次调用只拿到代码算出的数字（主题计数、价格中位数、按月趋势）和经过核实的引用，并且只有一条规则：每个论断都必须注明它的数字。

模型自己从不计数。让它统计 100 条评论里的主题，很容易得到自信却错误的总数；让它打标签、由代码来数，就不会。

畅销桌几乎都是升降桌。 Amazon Office Desks & Workstations 前 50 名中有 45 款是站立式或可调高度的。按类型分：12 款移动或带轮桌，11 款放在现有桌面上的升降台，10 款电动桌，8 款 L 形或 U 形电动桌，以及 4 款不带桌面单卖的桌架。

这是一个低价品类。 价格中位数分别是：移动桌 $61，桌架 $142，电动桌 $150，升降台 $160，L 形桌 $215。在 44 款标有价格的升降类商品中，14 款低于 $100，21 款在 $100–199 之间；只有 9 款在 $200 或以上。

需求今年春天猛涨，之后大体回落。 2022 年到 2025 年，美国搜索热度每年平均在 16 到 18 之间。2026 年 4 月平均为 80，在 4 月 12 日那一周达到峰值 100，随后回落。2026 年 7 月到 10 月平均为 22，比 2025 年同期高约 35%。

差评说的都是东西坏了。 100 条评论中有 28 条给了一星或两星。背后的主题如下：

用买家自己的话说："Motor stopped working after not even nine months"（还不到九个月电机就不转了），"Product arrived with cracked desktop"（收到时桌面已经裂了），"the drawers is plastic when it is stated and advertised to be metal"（抽屉是塑料的，可说明和广告都写着是金属的）。62 条四星和五星评论称赞的是组装简单（31 条）、做工（28 条），以及它就是能用（23 条）。

在 Reddit 上，晃动是头号话题。 27 个帖子中有 8 个讲的是桌子升到站立高度后会晃，通常上面放着显示器或音箱。其他反复出现的问题：值不值这个钱（4 个帖子），哪款适合我的预算（6 个），以及桌面需要多大多厚（4 个）。

它提出的三个机会，略有删节：

1. 承重大也不晃的桌子。 晃动出现在 27 个帖子中的 8 个、28 条差评中的 6 条，另有 3 个帖子问桌子放几台显示器还稳不稳。测试： 在 $100–199 价位段选 2–3 款桌子，拍下同样负载下的表现，用视频带来的候补名单注册数来衡量。

2. 有真正保修撑腰的可靠性。 电机故障占 28 条差评中的 7 条，客户服务占 28 条中的 6 条；有两个帖子指出双电机桌架只保修一年。测试： 在一个模拟商品页上投放两组广告，一组带更长的保修、一组不带，比较点击率。

3. 规格写得清清楚楚的中价位桌子。 44 款升降类商品中只有 9 款价格在 $200 或以上，而买家说他们分不清便宜货和贵货的区别。测试： 发布一份对比电机类型、桌面厚度、承重和保修的表格，衡量邮箱留存数。

它还列出了数据回答不了的问题：没有销量或利润率，搜索热度是相对指数而不是以件数计的需求，评论只来自五款商品，Reddit 帖子太少，不足以推而广之。这一部分和那三个机会一样有价值。

• 并不存在的"翻倍"。 第一版总结说 2026 年的热度是 2025 年的两倍。按年平均值算确实如此，但有误导性：全部差距都来自春天的一次飙升。在动笔之前先看一眼按月数据，问题就解决了。永远要问曲线的形状，而不只是平均值。
• 按关键词分类商品。 我们第一遍把标题里带 "frame" 的都算作桌架，结果把描述中写着 "a steel frame"（钢制框架）的桌子也算了进去，还把一个显示器增高架算成了桌面升降台。我们把 50 行全部读了一遍，修正了规则。花点时间人工检查代码分出的类别，是很便宜的保险。

下面是同样流程的 Python 版本，API 密钥放在 LOVELY_API_KEY 中。run_tool 启动一个工具并等待它的结果；ask 用同一个密钥发送一次聊天请求。

import json, os, requests

BASE = "https://lovelyrouter.com/v1"
H = {"Authorization": f"Bearer {os.environ['LOVELY_API_KEY']}"}

def run_tool(tool, input, max_results):
    r = requests.post(f"{BASE}/tools/{tool}/run", headers=H, json={"input": input, "max_results": max_results, "wait": 120}).json()
    while r["status"] == "running":
        r = requests.get(f"{BASE}/tools/runs/{r['id']}?wait=120", headers=H).json()
    return r.get("items", [])

def ask(system, data, model="claude-sonnet-5.5"):
    r = requests.post(f"{BASE}/chat/completions", headers=H, json={"model": model, "max_tokens": 12000, "messages": [
        {"role": "system", "content": system}, {"role": "user", "content": json.dumps(data)}]}).json()
    return r["choices"][0]["message"]["content"]

best = run_tool("amazon-bestsellers", {"urls": ["https://www.amazon.com/Best-Sellers-Office-Products-Office-Desks-Workstations/zgbs/office-products/12900751"]}, 50)
reviews = run_tool("amazon-reviews", {"input": [{"asin": p["asin"], "domainCode": "com", "sortBy": "recent", "maxPages": 2} for p in best[1:6]]}, 100)
posts = run_tool("reddit-search", {"queries": ["standing desk worth it", "standing desk wobble problem"], "maxPosts": 25, "timeframe": "year"}, 50)
trend = run_tool("google-trends", {"mode": "keyword", "keyword": "standing desk", "predefinedTimeframe": "today 5-y", "geo": "US"}, 1)

tags = ask("Tag each review with up to 3 themes from this list: ... Return a JSON array: {id, themes, quote}. Copy quotes exactly.",
           [{"id": i, "stars": r["rating"], "text": r["text"]} for i, r in enumerate(reviews)])
# Count themes in code, check each quote is in its review, then:
# brief = ask("Write a market brief. Use only these numbers and cite each one.", {...counts, prices, trend by month...})

换掉品类 URL、要抓评论的商品和搜索词，同一个脚本就能调研任何产品品类。这种规模的一次运行，花费远低于一美元。如果想让 AI 智能体从头到尾替你跑，把它连接到 MCP 服务器：它会自己找到并运行同样的工具。