shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 数据与分析无需 API Key

小红书评价监控

小红书评价监控助手：把小红书笔记评论与商品评价的导出数据（用户粘贴或导出）变成可执行的差评与痛点清单。清洗去重去广告后，按产品 × 情感（正面/负面/中性）× 场景 × 意图（咨询/投诉/建议/夸奖/无）四个维度打标，严重度由情感与痛点层级推导；把差评归入两层痛点树（含「种草可信度」「收藏与长尾」两个小红书特有分支）并附原声佐证，与上期基线做环比和两比例显著性检验，按 5 类封闭规则出预警，最后汇总成可以直接发出去的单文件网页报告。当用户说『小红书评价监控』『小红书差评怎么分析』『笔记评论里都在说什么』『小红书口碑监控』『差评率是不是变高了』『评论区痛点聚类』时使用。产出 CSV / Markdown / 单文件网页报告 真文件；不联网、不登录、不抓取，数据来自用户提供；数字由本地脚本确定性计算、可复现。

person作者: user_94ace838hubcommunity
download下载资源包

小红书评价监控

把小红书的评论与评价数据变成一份能直接发给同事的差评清单：负面率是多少、集中在哪些痛点、 和上期比是变好还是变差、哪几条规则已经触发了。

一、这个技能算什么

| 命令 | 算什么 | 产物 | |---|---|---| | ingest | 读入 → 去广告 → 近似去重 → 时间排序 | clean.csv | | tag | 四维打标（产品 × 情感 × 场景 × 意图）+ 严重度推导 | tagged.csv | | cluster | 归入两层痛点树 + 原声佐证 | painpoints.md | | trend | 与基线环比 + 两比例显著性检验（z 检验） | trend.md | | alert | 按 5 类封闭规则逐条判定预警 | alerts.md | | report | 汇总成单文件网页报告（浏览器直接打开、离线可看） | review_report.html |

不做什么：不联网、不登录、不抓取、不代回复、不上传数据。数据只能由你提供。 本技能也不判断账号级信息——博主粉丝量、是否报备合作、发布形式、更新节奏这类东西 不在正文文本里，见第九节的"未能判定"清单。

二、何时使用

  • 想知道这一批评论里负面占比多少、集中在哪几个痛点上
  • 想知道差评率是不是比上一期变高了、这个变化是不是统计显著的
  • 想把评论区原声按痛点整理出来，直接贴进复盘文档
  • 想给"踩雷/拔草"这类口碑信号立几条可复现的规则（而不是每天靠人肉翻评论）
  • 想拿一份离线可看的网页报告发给不看 CSV 的人

不适用：需要实时监控、需要抓取小红书、需要判断笔记是否商单或博主粉丝画像时， 本技能做不到（见第九节）。

三、输入方式（全离线）

| 方式 | 用法 | 说明 | |---|---|---| | 粘贴文本 | --text "评论一\n评论二" | 几行到几十行，一行一条 | | 导入 CSV | --csv 小红书评论导出.csv | 后台导出的评论/评价表，表头不用改（内置别名） | | 指定基线 | --baseline 上期.csv | 上一期导出，用于环比；给了它就按"上一期 vs 本期"比 | | 固定时间基准 | --now 2026-09-17 | 把 3小时前、昨天 这类相对时间换算成绝对时间 | | 时区 | --tz +08:00 | 裸时间按此时区解释，默认 +08:00 |

目录批量导入（把多份导出合并分析）本技能未实现：请先把多份导出合并成一个 CSV， 再用 --csv 导入。

四、命令

bash ${CODEBUDDY_SKILL_DIR}/run.sh ingest  --csv 小红书评论导出.csv
bash ${CODEBUDDY_SKILL_DIR}/run.sh tag     --csv 小红书评论导出.csv
bash ${CODEBUDDY_SKILL_DIR}/run.sh cluster --csv 小红书评论导出.csv
bash ${CODEBUDDY_SKILL_DIR}/run.sh trend   --csv 本期.csv --baseline 上期.csv
bash ${CODEBUDDY_SKILL_DIR}/run.sh alert   --csv 本期.csv --baseline 上期.csv
bash ${CODEBUDDY_SKILL_DIR}/run.sh report  --csv 小红书评论导出.csv --now 2026-09-17

产物默认落在当前目录的 xiaohongshu-review-out/，真实路径以返回的 files 字段为准。 加 --json 拿结构化契约，不加则给人读文本。

五、小红书特有的判断依据

小红书的差异不在引擎里，而在本技能携带的档案（data/review.json 的词表与痛点树） 与渠道档案（data/channel.json 的别名与语态）。三个渠道共用同一份引擎代码， 所以"小红书特有"就是下面这张表和它所对应的词表：

| 维度 | 小红书的机制 | |---|---| | 语态 | 口语化但结构清晰，善用 emoji 分段；姐妹、宝子、家人们 等称呼高频 | | 负面表达 | 偏委婉：有点小踩雷、可能不适合我；社区黑话 踩雷、拔草、回购 都在词表里 | | 评论意图 | 大量求链接、求色号、求尺码的咨询，转化意图明确；词表里专门收了 求链接、求推荐、求测评 | | 场景词表 | 护肤流程、换季、熬夜、通勤、约会、送礼、居家、宿舍、装修搬家、露营、探店拍照、旅行、健身减脂、养宠、孕期带娃、大促囤货、社区语态 | | 痛点树里小红书特有的两大类 | 种草可信度（隐形广告、滤镜照骗、标题党封面）、收藏与长尾（收藏异常、搜索货不对板、笔记过期） | | 预警里的小红书关键词 | 照骗、广子、拔草（首次达成各自阈值时触发 keyword_emergence） | | 表头别名 | 正文列认 内容/笔记正文/正文/标题/文案/title；曝光列认 曝光量/观看量/阅读量；收藏列认 收藏/收藏数/collected_count；作者列认 作者/昵称/博主 |

小红书的互动指标（曝光、点赞、评论、分享、收藏）只用于展示与"未评估"说明： 本技能的核心结论来自正文文本，不来自互动量，也不算收藏率或收藏点赞比这类 需要正文之外字段的信号。给了互动量会进 clean.csv/tagged.csv，没给就标"用户未提供"， 绝不按 0 参与。

六、打标维度与取值（封闭集合）

| 维度 | 取值 | 怎么判 | |---|---|---| | 产品 | 14 个产品词表的取值 + 未识别 | 词典命中 | | 情感 | 正面 / 负面 / 中性（穷尽且互斥） | 词典极性 + 否定词翻转 + 程度副词加权 | | 场景 | 17 个场景词表的取值 + 未识别 | 词典命中 | | 意图 | 咨询 / 投诉 / 建议 / 夸奖 / 无 | 按优先级取第一个命中；都不命中就是 无 | | 严重度 | 高 / 中 / 低 | 由情感 × 痛点层级推导，不是单独打标 |

关于严重度，必须说清楚它是推导出来的：

| 情感 | 痛点归属 | 严重度 | |---|---|---| | 负面 | 命中子类（最具体一级） | 高 | | 负面 | 只命中大类 | 中 | | 负面 | 未归类 | 中 | | 正面 / 中性 | 任意 | 低 |

无 与 未识别 是引擎的兜底值，不写进词表——否则"词典没命中"和"词典里真写了这个词" 就分不开了。

七、痛点与预警

痛点树是固定的两层（大类 → 子类），小红书有 13 个大类、每个大类至少 2 个子类。 一条评价最多归入一个大类：子类优先于大类，仍并列时按名字排序取第一个（保证确定性）。 归不进任何节点的会被显式计为 未归类 并报告占比，不会悄悄丢掉。

预警规则是一个封闭集合，只有下面 5 种类型；本技能的档案里一共配了 12 条规则：

| 类型 | 判据 | |---|---| | negative_rate_spike | 负面率相对基线的上升超过阈值（且要通过 z 检验的显著性） | | new_issue | 出现基线中不存在的痛点（按子类判定，各 ≥ min_count 条） | | volume_spike | 评价量相对基线上涨超过 multiple 倍 | | severity_concentration | 高严重度评价占比超过 share | | keyword_emergence | 指定词首次达成 min_count 次 |

每条规则的结果只有三种状态：已触发 / 未触发 / 无法判定。 "无法判定"（例如缺基线）与"未触发"严格区分——把算不出的说成"没问题"就是编造结论。

五种规则的判定力不一样（如实说明）

volume_spike（评价量突增，本技能档案里有 2 条，阈值 1.6 倍与 2.2 倍）必须有你显式提供的 上一期数据才有判定力，请用 --baseline 上期.csv。原因在基线怎么切：不给 --baseline 时， 基线是"本次数据的前半段"、当期是后半段，两者同源、条数几乎相同， 量比的上限就是 ceil(n/2) / floor(n/2)：

| 本次总条数 n | 前半段（基线） | 后半段（当期） | 最大量比 | |---|---|---|---| | 偶数（2、4、6、20…） | n/2 | n/2 | 1.00 | | 3 | 1 | 2 | 2.00 | | 5 | 2 | 3 | 1.50 | | 7 | 3 | 4 | 1.33 |

据此，本渠道这两条规则在默认路径（不给 --baseline）下的实际可达性是：1.6 倍那条只在本次恰好 3 条时可达（前半段 1 条对后半段 2 条，量比 2.00）；2.2 倍那条在默认路径下不可达。

所以不传 --baseline 时，volume_spike 可能一直显示"未触发"——这不代表没有爆发， 只代表"本次数据自己跟自己比"量不出爆发。要判断评价量是否突增，必须提供上一期导出 （trend / alert / report 都接受 --baseline）。 把阈值调低不是修法：偶数条时量比恒为 1.00，奇数条才略大于 1 且随条数增加趋近 1， 调到能触发就等于在"条数是奇数还是偶数"这种噪声上报警，比不报警更糟。

其余四种规则——negative_rate_spike / new_issue / severity_concentration / keyword_emergence——在默认路径（不给 --baseline）下正常工作，可以放心看它们。

八、基线怎么来

trend、alert、report 要看基线。本技能档案声明的基线模式是 first_half：

  • 没给 --baseline 时：本次数据按时间排序后，前半段当基线、后半段当当期，两者不重叠； 产物顶部会写清"基线来源"是前半段以及切分点在哪。
  • 给了 --baseline 上期.csv 时：基线就是那个文件（当期是全部本次数据）。 产物顶部会写清"基线来源：用户提供的上一期文件 上期.csv（N 条）"，并回显它覆盖了档案模式。
  • 时间列全缺时，first_half 切不出前半段 ⇒ 结论标无法判定（缺时间），不算， 绝不会退化成 0 基线。

九、明确的边界与局限

  • 不联网、不登录、不抓取、不代回复、不上传数据。 数据只在本机读取。
  • 判定基于词典与规则，没有在真实语料上校准过：词表与阈值来自本项目的行业经验整理， 因此本技能不声称任何准确率或召回率，也不保证把某条评价判成负面就是对的。 想验证就先人工标注一批自己的数据再对照。
  • 账号级信息不在正文文本里，本技能不判：博主粉丝量、是否商单/报备、发布形式、 更新节奏、曝光来源、收藏率、收藏点赞比——这些需要正文之外的字段，本技能既不算、也不猜。
  • 可能"未能判定"的维度（这是如实说明，不是缺陷）：
    • 产品：正文里没出现任何产品词表中的词 ⇒ 未识别；
    • 场景：正文里没出现任何场景词表中的词 ⇒ 未识别；
    • 意图：四个意图都不成立 ⇒ 无（无 是"都不成立"，不是"漏标"）；
    • 痛点：命不中任何节点 ⇒ 未归类（占比会显式报出）；
    • 情感：没有任何情感词命中 ⇒ 中性（三值必须穷尽，"没有情感证据"就是中性）。
  • severity 是推导量：它只由"情感 × 痛点层级"决定，不是对严重程度的独立判断， 也没有经过人工校准。
  • 缺失的指标不按 0 算：评论文本导入完全不需要互动指标；给了就展示，没给就进"未评估" 清单并说明缺什么，不用 0 顶替。
  • 相对时间只在给了 --now 时才换算，换算基准会回显；不读系统时钟， 所以同一份输入两次运行会得到逐字节相同的产物。
  • 不做预测、不承诺效果：本技能只描述这一批数据里已经出现的东西。

十、进一步阅读

  • references/data-sources.md：小红书的评论/评价数据从哪来（合法、零门槛、不抓取）
  • references/review-method.md：打标、痛点、基线、预警的具体算法与已知局限