阿拉丁 · AI短剧评论舆情工坊（aladin-drama-buzz）

后台数据告诉你观众做了什么（完播/流失/付费），评论区告诉你观众为什么。本技能把散落在各平台的评论/弹幕变成：逐集情感曲线、催更指数、8 类差评归因（各自回灌到对应生产环节）、可直接投流的爆点台词、水军风险清单，以及一个 100 分制的舆情健康度结论。

何时使用（触发场景）

用户提供短剧评论区/弹幕导出文件（CSV/JSON），想知道"观众风向如何/该不该加投"
用户问"这部剧差评主要骂什么/哪一集口碑崩了/观众在催更吗"
用户想从评论区挖"爆点台词/高赞热评"用作切片标题、投流文案
用户怀疑评论区有水军刷屏，想做初步识别
用户要把观众反馈回灌到下一部选题或本部整改（剧本/配音/付费策略等）

何时不使用

只有后台播放/完播/付费数据、没有评论文本 → 用数据复盘类工具（两者互补：本款管文本声音）
要爬取/抓取平台评论 → 本技能只分析用户自备的导出文件，不做任何抓取
通用商品评论/App评论分析 → 本技能词表与归因专为短剧场景设计
需要删评/控评操作 → 不支持，仅提供识别与风险提示

能力边界

能做：多平台评论 CSV/JSON 归一去重（中文表头别名+万/亿数值清洗+BOM兼容）；逐集情感/催更三线曲线；差评归因 8 类且各自指向整改环节；爆点台词与高赞热评台账；同文本多账号+刷屏账号识别；100 分制 A-D 舆情评分与决策建议；feedback 契约回灌选题/剧本/切片/复盘。

不能做：不抓取任何平台数据；不做删评控评；不替代后台数据复盘；不保证讽刺/阴阳怪气等隐性情感的规则层识别（由模型语义层补充）；不输出法律意义上的水军判定。

工作流

平台评论导出 CSV/JSON（可多文件多平台混合）
   │  python scripts/buzz_ingest.py <files...> --project 剧名 --out _buzz_ir.json
   ▼
_buzz_ir.json（归一评论 IR：去重/清洗/平台嗅探）
   │  python scripts/buzz_analyze.py _buzz_ir.json --out _buzz.json
   ▼
_buzz.json（情感曲线/催更/归因/爆点/水军/评分/feedback）
   │  python scripts/buzz_report.py _buzz.json --outdir report
   ▼
buzz_board.html（自包含看板） + _buzz_report.md + buzz_hot.csv

三脚本均为纯 Python 标准库，零第三方依赖、零 API、零联网；同输入字节级可复算；评论数据全程不出本机。

输入输出

| 方向 | 内容 | | --- | --- | | 输入 | 平台评论导出 CSV/JSON（表头别名自动匹配，详见 references/ir-schema.md） | | 输出 | _buzz_ir.json、_buzz.json、buzz_board.html、_buzz_report.md、buzz_hot.csv |

与阿拉丁短剧系列联动（feedback 契约）

to_topic：观众爱点 + 规避雷区 → 下一部选题
to_script：弱集清单 + 剧本类归因 → 剧本整改
to_clip：爆点台词 + 钩子集 → 切片标题/投流素材
to_insight：舆情分 → 与后台数据复盘对照
risk：水军组数/付费投诉权重 → 投放决策打折参考

重要约束

Triggers：见"何时使用"；关键词命中评论/舆情/弹幕/催更/差评/口碑/水军+短剧语境即触发
Results：五件套产物齐全才算完成；HTML 须能独立打开
Accuracy：规则层确定性可复算；语义精调（讽刺识别/归因复核/建议具体化）由模型完成后明确标注
Constraints：不抓取、不控评、数据不出本机；样例数据仅供演示
Edge cases：空文件/无集数/单平台/全中性评论均须正常退出并给出提示

渐进式披露

| 文件 | 何时读 | | --- | --- | | references/sentiment-rules.md | 需要解释评分/归因/加权规则细节时 | | references/ir-schema.md | 需要核对输入表头别名或产物字段契约时 | | references/usage-examples.md | 需要完整场景示例或与系列联动方式时 | | assets/sample_comments_. | 用户无数据想先试跑演示时 |