快手评论分析

当评论分析还停留在复制粘贴

手动收集快手视频评论时，常遇到三个问题：一是逐页翻找耗时耗力，二是缺乏结构化的情感分析手段，三是单纯表格数据难以直观呈现舆情全貌。@redfox-data/kuaishou-comment 针对这三个痛点提供了工程化解决方案。

核心能力与执行逻辑

• 评论结构化获取：输入作品链接后自动提取 opusId，通过 cursor 游标实现每页 20 条的精准分页，避免手动翻页的重复劳动。
• 四维情感建模：基于快手社区文化（如「老铁」「奥利给」等特有表达），将评论拆解为积极/负面/用户需求/竞品对比四个维度，每个维度生成带关键词引用的总结。
• 双通道输出体系：终端实时展示评论表格与 AI 分析，同时预生成深色主题 HTML 报告，支持单页导出或多页合并（超过 3 页自动折叠），满足离线存档与团队分享需求。

关键执行步骤

1. 参数解析：从 https://www.kuaishou.com/short-video/3x4ibfzs5e68yxu 提取核心标识 opusId，模糊查询时自动继承上轮上下文。
2. 数据拉取：单次 API 调用仅获取一页数据，确保终端展示与 HTML 报告基于同源数据，避免时间差导致的数据不一致。
3. 智能总结：首页基于当前页生成四维分析，翻页后自动累计历史数据进行综合研判，置顶评论通过 📌 标记+整行加粗实现视觉聚焦。
4. 报告生成：确认需求后，单页直接回填分析数据，多页通过 pages-json 合并生成完整报告，超过 3 页时采用折叠设计平衡信息密度与可读性。

适用边界与风险提示

• 数据权限限制：仅获取公开作品的一级评论，不包含子评论或私密内容，评论完整性受快手平台策略影响。
• 网络依赖特性：作为在线服务，受快手 API 接口稳定性与网络环境制约，建议关键任务配置重试机制。
• 文化适配要求：情感分析模型需持续学习快手社区的黑话体系（如「双击 666」代表积极互动），定期更新词库以保持分析准确性。