Agent Skills
› ZJU-REAL/Easel
› skill-comment-insights
skill-comment-insights
GitHub对评论进行量化分析，包括情感分布、高频词提取及需求吐槽挖掘。基于jieba和SnowNLP生成报告，辅助内容复盘与选题决策，区分于运营回复动作。
Trigger Scenarios
评论情感分析
评论区分析
用户在说什么
评论正负面比例
评论高频词
评论关键词
口碑分析
评论词云
用户诉求
评论区吐槽
Install
npx skills add ZJU-REAL/Easel --skill skill-comment-insights -g -y
SKILL.md
Frontmatter
{
"name": "skill-comment-insights",
"layer": "attribute",
"description": "评论区量化分析：对一批评论做情感分析（正\/中\/负占比 + 代表评论）、高频词与短语提取、 以及需求\/吐槽\/提问的诉求挖掘，为内容复盘和选题反哺提供数据。当用户说\"评论情感分析\" \"评论区分析\"\"用户在说什么\"\"评论正负面比例\"\"评论高频词\"\"评论关键词\"\"口碑分析\"\"评论词云\" \"用户诉求\"\"评论区吐槽\"时使用。基于 jieba（分词）+ SnowNLP（情感）+ 社媒情感词典。"
}
评论区量化分析（comment-insights）
对评论做量化洞察：情感分布、高频词/短语、需求与吐槽挖掘。走
scripts/comment_insights.py（jieba + SnowNLP + 社媒情感词典）。
和 skill-community-ops 的分工：community-ops 是"怎么回评论 + 危机应对"（运营动作）； 本 SKILL 是"评论区在说什么"（量化数据）。评论抓取见 skill-xhs-analyzer。
⚠️ 依赖
pip install jieba snownlp（首次 jieba 会构建词典缓存）。
输入
评论数据，三种格式：
.txt：每行一条评论.json：字符串数组，或对象数组（--column指定字段，默认 content）.csv：--column指定评论列（默认首列/content）
输出（outputs/主题名/）
- 报告 JSON：情感分布/占比 + 正负代表评论 + 高频词 + 高频短语 + 需求/吐槽/提问计数与例子
- 终端可读摘要
执行
脚本路径（相对项目根）：skills/openclaw/skill-comment-insights/scripts/comment_insights.py。
python <skill>/scripts/comment_insights.py analyze -i comments.txt --top 20 \
-o outputs/主题名/report.json
# CSV 指定列
python <skill>/scripts/comment_insights.py analyze -i comments.csv --column 评论内容
结果怎么用
- 情感占比：负面偏高 → 结合负面代表评论定位问题；配合 skill-community-ops 做回应/危机。
- 高频词/短语：用户关注点与话题；可喂 chart-visualization/infographic 出词云图。
- 需求（demands）：求链接/求教程/求同款 → 直接转化为下一条选题（配合 community-ops 选题反哺）。
- 吐槽（complaints）：产品/服务问题信号 → 复盘改进（配合 skill-content-postmortem）。
规则
- 情感为 SnowNLP 基线 + 社媒词典修正的近似值，用于看趋势与占比，非逐条精判； 关键决策需人工核对代表评论，或让 LLM 对存疑评论精读。
- 高频词已做词性过滤（保留名/动/形）+ 停用词剔除，聚焦有信息量的词。
- 数据量小（<20 条）时占比参考意义有限，如实说明样本量。
- 只做分析不做回复；回复/危机用 skill-community-ops。
参考来源
沿用社媒评论分析常用组合：jieba 中文分词（#131 高频词）+ SnowNLP 情感（#130），并叠加 社媒情感词典（绝绝子/yyds/避雷/翻车等网络用语）修正 SnowNLP 在社交文本上的偏差。诉求挖掘 用规则匹配（求购/疑问/吐槽），确定可复现。
Version History
- 69c5928 Current 2026-09-08 17:37
