评论区健康诊断（comment-diagnosis）

定位

专业评论分析引擎 · ABSA（Aspect-Based Sentiment Analysis，方面级情感分析）方法论。不满足于「这条评论是正面/负面」的粗分，而是识别评论具体在说哪个方面，并对每个方面独立判定情感强度。

参照 BettaFish（多Agent舆情分析）+ ABSA 方法论：

方面级分析：识别评论涉及的具体方面，每个方面纳入情感矩阵（规则引擎按评论级情感映射到命中方面；方面级独立判定可由大模型深度版实现）
情感强度 5 级：强烈正面 / 温和正面 / 中性 / 温和负面 / 强烈负面
置信度评分：低置信标注需人工复核
洞察报告：方面×情感矩阵 + 关键痛点 + 需求挖掘 + 互动建议
行业包扩展：词库外置（industries/*.json），切换行业即换词库

目录结构

comment-diagnosis/
├── SKILL.md                    # 本文档（方法论+调用协议）
├── scripts/analysis_engine.py  # 核心引擎（纯规则，零依赖）
└── industries/pet.json         # 行业包示例（宠物/萌宠）

核心方法论

1. 方面级分析（Aspect Detection）

评论不是整体一个情感——一条评论可能同时夸「内容质量」、吐槽「价格」。引擎按 11 个方面词典 逐条命中方面：

情感判定：规则引擎对整条评论判定 5 级情感后映射到全部命中方面（评论级情感 × 方面矩阵）；如需每个方面独立判定情感（纯 ABSA），可接入大模型深度版（行业包 ai_prompt 字段）。

| 方面 | 关键词示例（内置） | |:---|:---| | 内容质量 | 好看、精彩、有趣、干货、实用、学到了、质量、专业、详细 | | 价格价值 | 多少钱、价格、贵、便宜、值、性价比、报价、亏 | | 萌点颜值 | 可爱、好萌、萌、好帅、漂亮、颜值、美、呆萌、可爱死了 | | 剧情主题 | 剧情、主题、故事、结尾、反转、套路、剧本、设定 | | 互动体验 | 关注、粉丝、点赞、收藏、更新、催更、追更、连更 | | 服务售后 | 服务、售后、客服、态度、回复、物流、发货、包装 | | 情感共鸣 | 真实、同感、泪目、感动、破防、治愈、太真实、共鸣、心疼 | | 宠物养护 | 猫粮、罐头、猫砂、疫苗、绝育、驱虫、猫窝、铲屎 | | 仪式话题 | 办酒席、酒席、满月、百天、结婚、彩礼、随礼、红包 | | 外观体态 | 胖、圆滚滚、毛色、体型、眼睛、尾巴、花纹 | | 行为习性 | 跑酷、睡觉、拆家、叫、撒娇、粘人、高冷、傲娇、捣蛋 |

行业词库外置：industries/*.json 可按行业覆盖/扩充方面与关键词（如宠物行业包已实装）。

2. 情感强度 5 级（Sentiment Strength）

| 级别 | 内置词库示例 | |:---|:---| | 强烈正面 | 绝绝子、awsl、yyds、神仙、爱了爱了、太棒、超爱、无敌、封神、惊艳、天花板、吹爆 | | 温和正面 | 喜欢、不错、好、可爱、好看、赞、支持、棒、实用、有用、可以、优秀、满意 | | 中性 | 无命中词 | | 温和负面 | 一般、还行、差、不行、失望、无语、尴尬、别扭、不咋样 | | 强烈负面 | 垃圾、骗人、假货、退钱、恶心、坑爹、翻车、避雷、智商税、割韭菜、拉黑、差评、举报 |

3. 需求与竞品识别

| 类型 | 关键词示例 | |:---|:---| | 需求型（Demand） | 怎么、如何、什么、多少钱、哪里、教程、链接、求、想要、同款、怎么买、推荐、步骤、方法 | | 竞品提及（Competitor） | 不如、别家、其他家、隔壁、某宝、拼多多、京东、淘宝、小红书、对比、替代、竞品 |

4. 置信度评分（Confidence）

命中方面且命中情感词 → 高置信（≥0.7）
命中方面但无情感词 → 中置信
无任何命中 → 低置信（<0.6），标注需人工复核

5. 抖音梗文化词库（MEME）

破防（情绪正向）、绝绝子（强正）、yyds（强正）、awsl（强正）、xswl（正）、笑死（正）、泪目（情绪）、太真实了（共鸣）、典（反讽）、6/666（简短正向）、好家伙（惊讶）、绷不住（正）、服了（反讽或负）——用于识别梗/反讽类评论。

洞察报告结构（professional_analysis 输出）

{
  "total": 总评论数,
  "analyzed": 逐条分析（方面/情感/置信度/需求/竞品/梗）,
  "aspect_matrix": 方面×情感矩阵（每方面：5级计数+需求计数+样本）,
  "strength_dist": 情感强度分布,
  "pain_points": 关键痛点（负面最多的方面，降序）,
  "demand_count": 需求型评论数,
  "competitor_count": 竞品提及数,
  "low_confidence_count": 低置信条数（需人工复核）,
  "memes_detected": 命中的梗,
  "suggestions": 互动建议（自动生成）
}

互动建议自动生成规则

| 条件 | 建议 | |:---|:---| | 存在负面方面 | 优先处理负面方面：{方面}（{N}条负面） | | 存在需求型评论 | 有 N 条需求型评论，建议引导关注/私信承接 | | 强烈正面 ≥2 条 | 存在强烈正面反馈，可考虑置顶/引导扩散 |

调用协议

from analysis_engine import analyze_comment, professional_analysis

# 单条分析
result = analyze_comment({"text": "这猫粮太贵了，但猫猫爱吃"})
# → {"aspects": ["价格价值", "宠物养护"], "sentiment": "mild_negative", "confidence": 0.8, "demand": False, ...}

# 批量分析（洞察报告）
report = professional_analysis(comments)  # comments = [{"text": "..."}, ...]

行业包机制

industries/*.json 结构（见 pet.json 示例）：

slug/name/icon：行业标识
aspects：行业方面词典（可覆盖内置 11 方面）
sentiment：正向/负向词 + 强度增强词（boosters）+ 否定词（negators）
slangs：行业梗词（带情感权重）
templates：行业回复话术模板
keywords：关键词→话术模板映射（带优先级）
ai_prompt / reply_role：大模型深度版提示词（可选，省额度时用规则引擎）

边界（诚实标注）

规则引擎为词库匹配：识别不了反讽/复杂情感（如「真好笑」可能是反话）——低置信自动标注人工复核，或接入大模型深度版
词库可扩展：新行业/新梗需维护词库（词库自学习须人工确认后入库）
纯文本分析：不包含视频画面/语音内容理解

更新日志

v1.0.1（2026-08-16）

负面词库补充价格类词（太贵/贵了/涨价/不值等，防「不贵」误伤不加单字「贵」）
修复痛点样本归因：sample 改取该方面负面高置信评论（原可能误选正面评论）
文档示例与引擎实际输出对齐（mild_negative/0.8）
明确方法论边界：规则引擎为评论级情感×方面矩阵，方面级独立判定由大模型深度版实现

v1.0.0（2026-08-16）

发布版：ABSA 方法论 + 纯规则引擎（零依赖）+ 宠物行业包示例