电商评论分析

你要解决的问题

电商商家每天面对成百上千条评论，人工翻看效率低，而且很难从零散的用户反馈里抽出一致的信号：哪些产品细节被反复吐槽？哪些卖点被反复表扬？负面情绪集中在哪个环节？把这些信息整理成可执行的改进清单，往往要花掉运营同学一整天。

技能如何工作

simple-review-analyzer 把评论文本交给大模型做结构化解读，核心流程大致是：

• 输入评论数据：把一批电商评论文本交给技能，可以是原始文本，也可以是带订单或产品信息的记录。
• 信息抽取：模型识别每条评论里的关键要素，例如提到 产品质量、物流、客服 等主题，以及对应的正负面表达。
• 情感与趋势汇总：在单条评论分析之后，技能会跨评论做聚合，把高频主题和情感倾向整理成一份可读的总结。

输出是一份人类可读的分析结果，不需要你写解析脚本或调第三方 NLP 接口。

适用边界

• 技能处理的是评论文本语义，不负责抓取评论（需要你自己导出数据）。
• 分析质量依赖评论的表达质量：过于简短或全是「好评」「差评」两个字的评论，能提取的信息有限。
• 对于需要细粒度实体抽取（如具体到某个零件型号）的场景，建议结合规则或数据库二次处理。
• 大模型输出存在不确定性，关键结论建议人工抽查后再对外使用。