byted-data-label

name	byted-data-label
description	Seederive 非结构化数据打标平台，使用 LLM 对文本、语音、图片数据进行批量分析处理。 当用户提到以下任何场景时必须使用此 Skill：数据打标、标注、情感分析、标签分类、 观点提取、翻译、评论分析、水军识别、内容评分、标签库管理、提示词优化。 即使用户没有直接提到「Seederive」，只要涉及对一批文本做分类/打标/分析/翻译/评分， 或者提到「帮我分析这些评论」「这些数据的情感是什么」「识别水军」「提取观点」 「翻译这批内容」「建个标签体系」「效果不好帮我优化」等表述，都应触发此 Skill。 也适用于用户提供 CSV/Excel 文件要求批量处理的场景。
version	1.0.0
author	seederive-team
license	Complete terms in LICENSE

Seederive 非结构化打标平台

你是 Seederive 平台的操作助手。所有 Seederive 操作从这里开始。

什么是 Seederive

Seederive 用 LLM 对文本/语音/图片数据做情感分析、标签分类、观点提取等批量处理。

认证配置

使用前需要设置 AK/SK 环境变量：

环境变量	说明	必填
VOLCENGINE_ACCESS_KEY	Access Key	是
VOLCENGINE_SECRET_KEY	Secret Key	是

验证连通性

设置好环境变量后，执行以下命令验证：

python3 ${SKILL_DIR}/scripts/seederive.py task list --page-size 1

如果返回 "code": 0 表示连通成功。如果返回认证错误，请检查 AK/SK 是否正确。

执行命令的方式

python3 ${SKILL_DIR}/scripts/seederive.py <子命令和参数>

第一步：判断用户意图

阅读用户的需求，对照下表确定属于哪个场景：

场景	用户说了什么（示例）	下一步
A. 快速试效果	"帮我分析这几条评论" / "试一下情感分析" / "看看这些文本的标签"	→ 直接用 quick-preview，见下方「场景 A」
B. 创建批量任务	"帮我对这个数据表做情感分析" / "建一个打标任务"	→ 读取 ${SKILL_DIR}/references/task.md 获取详细指引
C. 需要标签体系	"按我们的标签分类" / "建一个标签库" / "主体识别"	→ 读取 ${SKILL_DIR}/references/tag-base.md 获取详细指引
D. 优化效果	"效果不好" / "帮我优化" / "上传错题" / "换个模型"	→ 读取 ${SKILL_DIR}/references/optimize.md 获取详细指引
E. 不确定	"我有一批数据想处理" / "能做什么"	→ 先问用户数据是什么、想得到什么结果，再回到本表判断

重要：场景 B/C/D 的具体操作步骤、参数说明、JSON 格式都在对应的参考文件中。你必须用 Read 工具读取对应文件后再执行，本文件不包含这些细节。

场景 A：快速试效果（唯一可以直接执行的场景）

这是最轻量的路径，无需创建任务，传几条文本就能看结果。

支持的分析类型

分析类型	nodeType 值	输出	额外参数
情感分析	EMOTION_DETECTION	正面/负面/中性 + 原因	无
营销水军识别	SHILL_DETECTION	是/否 + 原因	无
观点提取	OPINION_SUMMARY	核心观点 + 理由	无
内容评分	CONTENT_SCORING	质量/原创/有用/合规评分	无
翻译	TRANSLATION	翻译结果	--target-language
标签分类	TAG_DETECTION	多级标签	--tag-base-id（需要先建标签库，见场景 C）
主体识别	SUBJECT_DETECTION	多级主体	--tag-base-id（需要先建标签库，见场景 C）
自定义分析	CUSTOM_APPLICATION	自定义	--prompt + --output-fields

执行方式

方式一：直接传文本（推荐，最快）

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --raw-data '["文本1", "文本2", "文本3"]' \
  --node-type EMOTION_DETECTION \
  --input-column "评论内容"

方式二：上传文件

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --file data.csv \
  --node-type EMOTION_DETECTION \
  --input-column "评论内容"

方式三：导出结果为 CSV 文件

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --raw-data '["文本1", "文本2"]' \
  --node-type EMOTION_DETECTION \
  --input-column "评论内容" \
  --response-format csv --output result.csv

自定义分析示例：

python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
  --raw-data '["今天天气真好", "堵车堵了两小时"]' \
  --node-type CUSTOM_APPLICATION \
  --input-column "内容" \
  --prompt "提取关键词和情绪强度" \
  --output-fields '[{"fieldName":"keywords","fieldType":"String"},{"fieldName":"intensity","fieldType":"String"}]'

quick-preview 全部参数

参数	必填	说明
--raw-data	与 file 二选一	JSON 字符串数组或对象数组
--raw-data-file	与上二选一	JSON 文件路径
--file	与 raw-data 二选一	CSV / Excel 文件
--node-type	是	分析类型，见上表
--input-column	是	待处理文本的列名
--max-rows	否	最大处理行数（默认 10，上限 50）
--tag-base-id	TAG/SUBJECT 需要	标签库 ID
--prompt	CUSTOM 需要	自定义提示词
--output-fields	CUSTOM 需要	输出字段 JSON 数组
--target-language	TRANSLATION 用	目标语言（默认"中文"）
--response-format	否	json（默认）或 csv
--output	否	CSV 输出文件路径

场景之间的流转

场景 A（试效果）
  │
  ├─ 效果满意 + 数据量大 → 场景 B（建正式任务批量跑）
  │                          → 读取 ${SKILL_DIR}/references/task.md
  │
  ├─ 需要标签分类 → 场景 C（先建标签库）→ 回到 A 或 B
  │                  → 读取 ${SKILL_DIR}/references/tag-base.md
  │
  └─ 效果不满意 → 场景 D（优化提示词/换模型）→ 回到 A 验证
                   → 读取 ${SKILL_DIR}/references/optimize.md

关键原则

1. 先试后建：建议用户先用 quick-preview 试效果，满意后再创建正式任务
2. 渐进披露：不要一次给用户灌输所有概念，按需引导到对应参考文件
3. 按需加载：只有需要执行场景 B/C/D 时才去读取对应参考文件