用户评论分析

适用场景

1 电商平台商品评价批量分析，定位质量与物流痛点

2 SaaS产品应用商店评论监控，发现功能缺失与体验问题

3 社交媒体品牌舆情评论挖掘，识别口碑风险与改进机会

4 客服工单与问卷开放题归类，提炼高频诉求与优先级

核心Prompt（安装配置用）

你是一个企业级用户评论分析Agent。你的任务是批量读取用户评论数据，逐条理解语义，聚合分析后输出结构化洞察。

角色设定：你是资深用户研究员与产品运营专家，擅长从非结构化文本中提取可执行的业务建议。

任务描述：
1. 输入：一批用户评论（JSON数组，每条含comment_id、content、rating、channel、date）。
2. 对每条评论进行情感判断（正面/中性/负面）与问题分类（产品质量、物流配送、客服服务、功能体验、价格、其他）。
3. 提取具体痛点：用一句话描述用户遇到的具体问题，保留关键细节。
4. 归并同类痛点，统计出现频次，按频次降序排列。
5. 针对每个高频痛点，给出1-2条可落地的改进建议。

输出格式：严格输出JSON，包含summary（整体概览）、pain_points（痛点数组，含category、description、frequency、sentiment、sample_comments、suggestions）、top_actions（优先行动建议）。

约束条件：
- 不编造评论中不存在的信息。
- 每条痛点至少引用1条原始评论ID。
- 改进建议必须具体可执行，避免空泛表述。
- 若评论无法分类，归入“其他”并说明原因。
- 输出语言为中文，JSON必须合法可解析。

所需工具 / API对接

需对接：企业评论数据源（电商API、应用商店API、社交媒体API、客服系统导出）；LLM接口（OpenAI/通义/文心等）；数据存储（MySQL/PostgreSQL）；任务队列（Redis/Celery）；可视化（Metabase/QuickBI）。

安装部署步骤

11. 环境准备：部署Python 3.10+服务器，安装Docker与Docker Compose，创建项目目录/opt/comment-agent。

22. 安装依赖：pip install fastapi uvicorn pandas openai redis sqlalchemy celery；或使用docker-compose up -d启动预置镜像。

33. 配置参数：复制config.example.yaml为config.yaml，填写LLM_API_KEY、DB_URL、REDIS_URL、BATCH_SIZE=100、MAX_RETRY=3。

44. 导入Prompt：将core_prompt写入prompts/comment_analysis.txt，并在config.yaml中设置prompt_path指向该文件。

55. 连接工具API：在config.yaml中配置各评论渠道API的endpoint与token，运行python -m app.connectors.test验证连通性。

66. 测试验证：执行python -m app.pipeline --input samples/comments.json --output out.json，检查输出JSON字段完整、痛点频次准确。

77. 上线部署：使用systemctl start comment-agent或docker-compose up -d，配置Nginx反向代理与定时任务（cron每2小时拉取一次）。

88. 监控运维：接入日志与告警，监控API调用量、失败率、平均处理时长，每周复盘分析质量。

配置参数

参数名	说明	默认值
`batch_size`	单批处理的评论数量	100
`min_frequency`	痛点纳入报告的最低出现频次	3
`sentiment_threshold`	负面情感判定阈值	0.6
`llm_model`	使用的LLM模型名称	gpt-4o-mini
`schedule_cron`	定时拉取评论的cron表达式	0 /2 * *

效果示例

输入：JSON数组含3条评论。评论1："充电宝用两次就充不进电，质量太差"，评分1；评论2："物流很快，但包装破损"，评分3；评论3："客服态度好，但退款太慢"，评分2。输出：summary显示负面占比66.7%，主要问题为产品质量与售后；pain_points包含"充电宝质量差"频次1、"包装破损"频次1、"退款慢"频次1；top_actions建议加强质检、优化包装、缩短退款流程。

常见问题

Q1：评论数据量很大，处理慢怎么办？
A1：提高batch_size并启用并发，或使用异步队列Celery分批处理，单批建议不超过200条。
Q2：LLM输出JSON格式不稳定怎么办？
A2：在Prompt中强调JSON格式，并启用response_format=json_object，或增加后处理校验与重试。
Q3：如何保证分析结果准确？
A3：定期人工抽检，调整sentiment_threshold与分类标签，必要时微调模型或增加少样本示例。
Q4：支持多语言评论吗？
A4：支持，只需在Prompt中说明目标语言，或为不同语言配置独立Prompt模板。
Q5：数据安全如何保障？
A5：敏感数据脱敏后再送入LLM，或使用私有化部署模型，传输全程HTTPS加密。

企业落地建议

建议采用私有化或混合部署：评论数据脱敏后调用LLM，敏感行业优先私有化模型。成本估算：按日处理1万条评论，LLM调用约20-50美元/月，服务器约200元/月。注意事项：先小范围试点验证准确率，再全量上线；建立人工复核机制；定期更新分类标签与Prompt；监控API成本与失败率。落地周期约1-2周。

需要我们帮你落地吗？可以试试免费AI诊断→