差评回复和口碑挽回

线上评价不该靠“复制粘贴”硬扛

在 Google Maps、大众点评或 App Store 上，一条差评往往会被未来几年的潜在用户反复看到。此时，公开回复根本不是为了说服差评者，而是为了向围观者展示你如何应对问题。靠模板批量回复不仅无效，甚至会让人产生“店大欺客”的观感；而人工逐条构思，又极其消耗精力。这个 Skill 接管的正是这块繁琐的草拟工作，让你把注意力留在真正的业务修复上。

从语调学习到分级处理

工作流被拆解为四个清晰的步骤：

• Learn the voice（学习语调）：首次运行时，它会读取你过往的回复或口述风格，保留口语缩写和个性化表达，拒绝企业腔。
• Triage（评价分级）：自动将评价归入五个类别：GLOW（好评）、LEGITIMATE COMPLAINT（合理投诉）、UNFAIR/MISTAKEN（失实评价）、SUSPECTED FAKE（疑似刷单）以及 ESCALATE（需升级处理）。
• Draft（起草回复）：好评控制在 100 词以内，差评不超过 150 词。同批次内自动变换句式结构，避免被平台判定为机器操作。
• Batch report（批量报告）：若存在积压，优先处理最老的差评，并从中提炼出上游运营问题（例如多条评价都提到等待时间过长）。

安全边界与交互底线

虽然它在起草上表现激进，但在合规与安全上极其克制：

• 不确认敏感关系：在医疗、法律、金融等敏感行业，绝不公开确认双方的客户关系，只作中性回复。
• 绝不碰红线：绝不承认法律责任，不讨论健康细节，不与差评者争辩。
• 防滥用机制：涉及发送、发布、删除或付款等外部写入动作时，会先展示影响并要求明确确认。命令和代码默认仅作参考，需在清晰授权下方可执行。