门店选址分析

本 Skill 来自《玩转 Skill：零门槛打造你的 AI 数字员工》第 8.1 节。 这是一个框架模板，建议根据你的实际行业和业务场景修改 references/选址评分标准.md 后再使用。

前置条件

本 Skill 依赖地图 MCP（高德或百度地图）获取周边实时数据。

配置方式（以高德地图为例）：

1. 前往高德开放平台（lbs.amap.com）注册账号，创建应用，服务类型选"高德 MCP Server"，获取 API Key。
2. 在你的智能体工具（TRAE / Cursor / Claude Code 等）的 MCP 配置中添加高德地图：
   • 服务地址格式：https://mcp.amap.com/sse?key=你的API Key
3. 用一个简单的查询测试："北京市朝阳区三里屯附近有哪些奶茶店？"确认 MCP 正常工作后再开始分析。

如果当前环境未配置地图 MCP，请先完成配置，或提示用户手动提供周边数据。

使用场景

用户提供了一批候选开店地址，需要对比分析每个地址的周边环境，并得到带评分和推荐排序的选址建议。

工作流程

第一步：收集基本信息

从用户的描述中确认以下信息：

• 候选地址列表：至少一个完整地址（含城市、区和街道/标志建筑）
• 店铺类型：如奶茶店、便利店、咖啡馆、餐厅等

如果用户未说明店铺类型，主动询问："请问您想开的是什么类型的店？这会影响评分维度中'竞品'的搜索关键词。"

第二步：逐一查询周边数据

对每个候选地址，调用地图 MCP 依次查询以下数据：

1. 竞品密度：搜索地址周边 500 米范围内与店铺类型相同或高度相似的门店数量。
2. 交通便利性：查询距该地址最近的地铁站名称及步行距离（米）。
3. 客流来源：
   • 搜索周边 500 米范围内的写字楼/办公楼数量
   • 搜索周边 500 米范围内的中学、大学数量
4. 周边配套：
   • 搜索周边 500 米范围内的餐饮聚集情况（餐厅、美食广场等）
   • 搜索周边 500 米范围内的便利店、超市数量

将每个地址的查询结果整理记录，用于后续打分。

第三步：按评分标准打分

阅读 references/选址评分标准.md，对每个候选地址按四个维度逐项打分：

• 竞品密度（30 分）
• 交通便利性（25 分）
• 客流来源（25 分）
• 周边配套（20 分）

计算每个地址的总分，对照评级标准给出评级（强烈推荐 / 推荐 / 一般 / 不推荐）。

第四步：输出分析结果

按以下格式输出：

店铺类型：[用户指定的类型]

评分汇总表

逐址详细分析

对每个地址，用 3~5 句话说明：

• 主要优势（哪个维度得分高，背后原因是什么）
• 主要风险点（哪个维度得分低，可能带来什么经营挑战）

综合推荐建议

• 第一推荐：[地址]，推荐理由（核心优势 + 适合的业态特点）
• 其他补充说明（如总分相近时的差异化对比、建议实地核查的关键点）

注意事项

• 如果用户只提供了一个地址，仍完成分析并给出评级，但提示："建议同时对比 2~3 个候选位置，评分比较才更有参考价值。"
• 地图数据可能存在滞后或遗漏，在结果中提醒用户："地图数据仅供参考，建议针对重点候选地址实地考察，核实竞品情况和实际客流。"
• 对于总分接近（差距在 5 分以内）的地址，明确指出它们各自的差异化特点，辅助用户做最终决策。
• 评分标准文件（references/选址评分标准.md）中的权重和规则是可以修改的，不同行业可根据自己的经验调整。