评论分析流程 Skill

这是一个用于 评论分析全流程 的 Codex Skill，基于评论分析中的数据清洗、主题发现、方面级情感分析、观点抽取和证据复核方法整理而成。它的目标不是简单总结评论，而是把大量非结构化评论拆解成可以复核、可以统计、可以转化为业务行动的分析结果。

这个 Skill 能做什么

comment-analysis-workflow 适合处理电商评价、社媒评论、App 评论、客服反馈、问卷开放题、社区讨论等文本数据。它会按照固定流程，把原始评论转成以下结构：

分析方面 + 观点概括 + 情绪 + 原文证据 + 业务动作

也就是说，它不会把“一整条评论”粗略当成一个观点，而是会识别同一条评论里可能同时存在的多个方面、多个态度和多个业务信号。

例如一条手机评论可能同时包含：

• 拍照效果好
• 视频通话耗电快
• 玩游戏后手机发烫

这些需要拆成多条方面级观点，而不是合并成一句“用户整体不满意”。

适合使用的场景

• 从原始评论中提炼用户痛点、满意点和高频需求
• 把评论拆成方面级观点表，便于统计和复核
• 比较不同平台、产品、版本、人群或时间段的反馈差异
• 使用词频、TF-IDF、共现分析、主题模型等方法做前期探索
• 用大模型把评论转成结构化标签和业务建议
• 为产品、运营、客服、市场团队输出可执行洞察

分析流程

这个 Skill 按照“先探索，再归纳，最后复核和行动”的方式运行。不同方法不会被混在一起使用，而是根据分析阶段分别承担不同作用。

步骤	这一阶段做什么	使用的评论分析方法	主要产出
1.⁠数⁠据⁠准⁠备	确认评论 ID、原文、来源、评分、时间、互动量、已有标签等字段	不建模；为后续词频、TF-IDF、分群和互动加权准备字段	数据范围、字段检查、样本量说明
2.⁠清⁠洗⁠过⁠滤	去重、去广告、过滤空文本、无关内容和低信号模板文本	不建模；这是词频、共现、主题模型和情感分析的前置质量控制	清洗规则、删除原因、可分析样本
3.⁠快⁠速⁠探⁠索	快速判断用户最常提什么、哪些词更突出、哪些问题经常一起出现	词频、关键词、TF-IDF、共现分析	初步线索、差异词、关联痛点
4.⁠主⁠题⁠发⁠现	把相似评论归为候选主题，并用代表性评论命名主题	LDA、NMF、Embedding、BERTopic、人工归类	候选主题、主题定义、代表关键词、代表评论
5.⁠观⁠点⁠抽⁠取	把评论拆成“方面 + 观点 + 情绪 + 证据 + 业务动作”	方面级情感分析、大模型结构化抽取、AI 标签	方面级观点表、codebook、原文证据
6.⁠统⁠计⁠优⁠先⁠级	分开计算提及量、负面量、负面率、互动加权负面量和业务优先级	基于方面级观点表统计；可结合共现理解问题链路	优先级排序、痛点分层、高风险方面
7.⁠证⁠据⁠校⁠验	抽样复核标签，查看代表评论，把发现转成业务建议	抽样质检、代表评论复核、主题与 AI 标签稳定性检查	洞察卡片、业务动作、置信度、下一步验证建议

方法使用原则

• 词频、关键词、TF-IDF、共现分析适合前期摸底，只能作为线索，不能直接当最终结论。
• LDA、NMF、Embedding、BERTopic 适合发现候选主题，但主题命名必须回到原始评论中复核。
• 整体情感分析适合看趋势，但不适合处理“一条评论里有多个方面和多种态度”的情况。
• 方面级情感分析和大模型结构化抽取最接近业务决策，但必须配合抽样质检和原文证据。
• 最终洞察必须同时看样本量、负面率、负面量、互动量、业务风险和可行动性。

手机评论示例

原始评论：

白天拍照很清晰，但视频通话时电量掉得太快，玩游戏十分钟后手机会发烫。

方面级拆解：

分析方面	观点概括	情绪	原文证据	业务动作
拍照表现	白天拍照清晰	正面	白天拍照很清晰	可把白天拍照效果作为卖点
续航表现	视频通话耗电快	负面	电量掉得太快	测试视频通话耗电，并优化续航预期说明
散热表现	游戏后手机发热	负面	手机会发烫	排查游戏发热和散热策略

完整样例文件在 examples/ 目录中：

• sample-comments.csv：英文手机评论原始样例
• sample-comments.zh.csv：中文手机评论原始样例
• expected-viewpoints.csv：英文观点拆解样例
• expected-viewpoints.zh.csv：中文观点拆解样例
• expected-priority-summary.csv：英文优先级统计样例
• expected-priority-summary.zh.csv：中文优先级统计样例

仓库结构

comment-analysis-workflow/  Skill 主体，包含工作流、参考文件、模板和校验脚本
examples/                   手机评论样例，包含原始评论、观点拆解和优先级统计
README.md                   项目说明

如何安装

把 comment-analysis-workflow 文件夹复制到本地 Codex skills 目录：

Windows: D:\.codex\skills\comment-analysis-workflow
macOS/Linux: ~/.codex/skills/comment-analysis-workflow

安装后，在 Codex 中可以这样调用：

使用 $comment-analysis-workflow 分析这些电商评论，按 7 步流程输出主题、方面级观点、优先级和业务建议。

也可以让它参考仓库里的手机样例：

使用 $comment-analysis-workflow，把 examples/sample-comments.zh.csv 拆成观点表，并参考 examples/expected-viewpoints.zh.csv 的格式。

中英文自动识别

skill 支持中英文任务。它会根据用户请求、评论内容和交付语言自动选择对应参考文件：

• 中文任务优先读取 .zh.md 参考文件
• 英文任务优先读取英文参考文件
• 中英混合任务优先按用户要求的输出语言执行
• 中文交付默认使用中文字段名；只有在需要英文任务、API 风格字段或英文数据管道时，才使用英文内部字段名

中文字段和英文内部字段会一一对应。例如：

中文字段	英文内部字段
评论ID	comment_id
原始评论	original_text
分析方面	aspect
观点概括	opinion
情绪	sentiment
原文证据	evidence
业务动作	business_action
置信度	confidence
互动量	engagement_count

样例校验工具

校验观点表字段、情绪标签和证据是否能在原文中找到：

python comment-analysis-workflow/scripts/validate_viewpoints.py examples/expected-viewpoints.zh.csv

汇总方面级优先级：

python comment-analysis-workflow/scripts/priority_score.py examples/expected-viewpoints.zh.csv

脚本同时支持中文字段和英文内部字段。中文输入默认输出中文表头；英文输入默认输出英文表头。默认优先级分数只是启发式方法，实际项目中应根据品类、业务风险、决策成本和团队目标调整权重。

输出质量标准

正式交付前，分析结果应满足以下要求：

• 说明分析范围、样本量和数据来源
• 区分探索性线索和可决策洞察
• 每个重要结论都有原始评论证据
• 不把整体情感当成方面级情感
• 不把低样本量问题包装成确定结论
• 分开呈现提及量、负面率、负面量和优先级
• 对高优先级问题给出可执行业务动作

隐私提醒

公开仓库只建议上传 skill 文件、模板文件和脱敏样例。不要上传真实用户隐私、客户机密、账号凭证、API key 或未脱敏评论数据。