| name | simple-review-analyzer |
| description | AI驱动的电商评论深度分析工具，支持22维度智能标签、用户画像识别、VOC洞察和可视化看板生成。
当用户需要以下功能时触发：
- 分析电商产品评论（Amazon/eBay/AliExpress等平台）
- 从评论中提取用户画像、痛点和VOC（客户之声）
- 生成产品洞察报告和机会点分析
- 创建专业的可视化分析看板
- 进行竞品分析和市场定位研究
触发关键词：电商评论分析、评论分析、竞品分析、用户洞察、VOC分析、产品优化、市场调研、评论数据挖掘
AI Agent 约束：必须通过 AskUserQuestion 收集分析数量后再执行分析
|
| license | MIT |
| allowed-tools | ["AskUserQuestion","Bash","Read","Write","Edit"] |
Simple Review Analyzer
AI驱动的电商评论深度分析工具，提供22维度智能标签、用户画像识别和专业的可视化看板。
核心特性
22维度智能标签系统
全面覆盖评论信息的8大维度：
- 人群维度 (4): 性别、年龄段、职业、购买角色
- 场景维度 (1): 使用场景
- 功能维度 (2): 满意度、具体功能
- 质量维度 (3): 材质、做工、耐用性
- 服务维度 (5): 发货速度、包装质量、客服响应、退换货、保修
- 体验维度 (4): 舒适度、易用性、外观设计、价格感知
- 市场维度 (2): 竞品对比、复购意愿
- 情感维度 (1): 总体评价
三位一体输出
- CSV标签数据: 原始评论 + 22维度 AI 标签
- Markdown洞察报告: 战略机会点、痛点、优化建议
- HTML可视化看板: 6个交互式图表、黑金设计
四位一体VOC系统
- 用户画像识别（3-4类典型用户）
- 黄金样本（每类6条精选评论）
- 3D头像系统（6种风格）
- 情感分析（分布与关键词）
快速开始
首次使用
- 准备 CSV 文件（支持自动模糊匹配列名）
- 在 Claude Code 中调用：
请分析这个产品的评论：reviews.csv
CSV 文件格式要求
必需列（自动模糊匹配）：
- 评论内容：内容/评价/body/review/text/comment
- 评分：打分/rating/score/star
可选列：
- 时间：时间/date/日期/time
- 标题：标题/title/summary
- 用户名：用户/user/username
核心工作流程
第一步：收集参数
使用 AskUserQuestion 收集：
第二步：执行分析
- 读取并解析 CSV 文件
- 批量标签提取（每批最多30条）
- 统计分析与用户画像识别
- 生成洞察报告
- 生成 HTML 可视化看板
第三步：展示结果
在 output/ 目录下按产品名_日期创建文件夹，生成三种报告：
output/
├── 产品A_20260320/
│ ├── reviews_labeled.csv
│ ├── 分析洞察报告.md
│ └── 可视化洞察报告.html
├── 产品B_20260321/
│ ├── reviews_labeled.csv
│ ├── 分析洞察报告.md
│ └── 可视化洞察报告.html
└── ...
命名规则：
- 文件夹：
{产品名}_{日期YYYYMMDD}
- CSV：
reviews_labeled.csv
- Markdown：
分析洞察报告.md
- HTML：
可视化洞察报告.html
技术架构
文件结构
simple-review-analyzer/
├── skill.md # Skill 定义文件
├── prompts/ # 提示词模板
│ ├── tagging.txt # 单条评论打标
│ ├── tagging_batch.txt # 批量打标
│ └── insights.txt # 洞察报告生成
├── templates/ # 输出模板
│ └── report.html # HTML 可视化模板
└── utils/ # 工具脚本
├── transform_logic.py # JSON↔CSV双向转换工具
└── csv_reader.sh # CSV 读取辅助
输出文件：生成到 output/{产品名}_{日期}/ 目录
提示词模板
- 单条打标: 基于 prompts/tagging.txt，分析单条评论返回22维度标签
- 批量打标: 基于 prompts/tagging_batch.txt，一次处理最多30条评论
- 洞察报告: 基于 prompts/insights.txt，生成深度分析报告
使用场景
场景1：产品优化
分析自己产品的评论，发现用户痛点，优化产品功能和设计。
场景2：竞品分析
分析竞品评论，了解竞争对手的优势和劣势，寻找差异化机会。
场景3：市场调研
批量分析多个产品的评论，了解市场需求、用户偏好和行业趋势。
场景4：用户洞察
深度了解目标用户群体，构建精准用户画像，优化营销策略。
输出文件说明
CSV 标签数据
- 原始评论数据（保留所有原始列）
- 22维度 AI 标签列（新增）
- 用途：数据分析、导入 BI 工具、筛选过滤
Markdown 洞察报告
- 执行摘要：分析概述、关键发现
- 战略机会点：市场机会、产品差异化
- 用户痛点：问题分类、改进建议
- 用户画像：典型用户类型、需求特点
- VOC 分析：黄金样本、情感分布
HTML 可视化看板
- 黑金奢华设计风格
- 6个交互式 Chart.js 图表
- 响应式设计，支持移动端
- 纯 HTML 文件，可直接浏览器打开
工具使用
transform_logic.py - 数据格式转换工具
位置：utils/transform_logic.py
功能：JSON（嵌套结构）与 CSV（扁平格式）之间的双向转换
使用方法：
python3 .claude/skills/simple-review-analyzer/utils/transform_logic.py json \
tagged_reviews.json \
reviews_labeled.csv
python3 .claude/skills/simple-review-analyzer/utils/transform_logic.py csv \
reviews_labeled.csv \
tagged_reviews.json
数据结构对比：
| JSON (嵌套) | CSV (扁平) |
|---|
tags.人群_性别 | 人群_性别 |
tags.场景_使用场景 | 场景_使用场景 |
tags.功能_满意度 | 功能_满意度 |
| ... | ... |
应用场景：
- 将AI分析结果导出为Excel/BI工具兼容格式
- 从已有标签数据恢复嵌套JSON结构
- 数据格式验证和转换
注意事项
- 分析数量: 推荐选择 100 条评论以平衡速度与质量
- 并发限制: 每批最多处理 30 条评论
- 输出目录:
output/{产品名}_{日期}/ （自动创建）
- 文件命名: 固定文件名，便于对比同一产品的多次分析
- 编码支持: UTF-8/GBK/GB2312 自动检测
- 工具使用: 可单独使用
transform_logic.py 进行数据格式转换
