sentiment-analysis

sentiment-analysis 概览

sentiment-analysis 能做什么

sentiment-analysis skill 可以把原始反馈转化为细分层面的洞察：谁满意、谁沮丧、哪些主题反复出现、哪些问题最值得优先处理。它是为大规模用户反馈分析设计的，不是泛泛的观点打标签工具。如果你需要一个 sentiment-analysis skill，能够把评论、问卷回复、社媒监听导出内容或客服记录总结成可直接用于产品决策的信号，那么它很适合。

适合谁安装

如果你从事产品研究、UX、CX、增长或市场分析，希望比手工翻表更快完成归纳，就应该安装这个 sentiment-analysis skill。尤其是在 sentiment-analysis for Data Analysis 场景下，当目标是把情绪与细分人群、JTBD 和业务影响关联起来，而不是只输出一个正负面分数时，它会更有价值。

它为什么有用

它的核心差异在于工作流导向：会要求你一次性完成细分识别、主题分析、情绪评分和影响排序。这种结构能减少常见问题——只给出很浅的情绪总结，却没有解释人们为什么这么想，或者究竟是哪个子群体受到了影响。

如何使用 sentiment-analysis skill

安装并定位这个 skill

先在你的 skills manager 里走 sentiment-analysis install 流程，然后打开 phuryn/pm-skills 中 pm-market-research/skills/sentiment-analysis 的 skill 文件夹。先看 SKILL.md，因为这里包含模型应该遵循的操作说明。由于这个仓库没有辅助脚本或参考文件夹，skill 文件就是唯一的主要事实来源。

给它正确的输入

sentiment-analysis usage 这种用法，最适合在你提供真实反馈数据并明确分析目标时使用。高质量输入会说明来源、范围和决策背景，例如：Analyze these 1,200 app reviews for churn risk by segment and summarize top pain points by sentiment. 像 Do sentiment analysis on this 这样的弱输入，会让模型只能猜受众、粒度和输出格式。

通过提示词获得更好的输出

一个好的 sentiment-analysis guide 提示词，应该明确说明：

• 数据类型：CSV、问卷文本、评论、工单或访谈记录
• 分析单位：客户、细分群体、主题或时间段
• 你需要的输出：主题、情绪分数、JTBD 或优先级排序
• 任何限制：时间范围、语言混杂情况、产品区域或最小细分样本数

如果源数据比较杂，先让 skill 生成文件或行的清单，再做综合归纳。这样可追溯性更好，最终总结也更容易让人信服。

推荐工作流

1. 收集反馈数据并清理明显重复项。
2. 在要求分析前先说清业务问题。
3. 不要只要一个全局结论，而要细分层面的输出。
4. 先检查第一轮结果有没有漏掉细分人群，再用更精确的指令重跑。
5. 用结果决定下一步要修什么、验证什么，或继续探索什么。

sentiment-analysis skill 常见问题

这比普通提示词更好吗？

通常是更好的，前提是你想要一套可重复的分析结构。普通提示词可以应付一次性的总结，但当你需要稳定的细分识别、明确评分，以及把反馈转化为产品行动的清晰路径时，sentiment-analysis skill 会更合适。

它最适合什么输入？

它最适合带有足够上下文、能推断主题的书面反馈：评论、问卷、开放式回答、研究笔记和社媒帖子。它也能处理更短的文本，但信息太少时，细分和 JTBD 推断的可靠性会下降。

什么时候不该用它？

如果你只需要简单的正/负面计数，或者数据太少，根本支撑不起细分分析，又或者来源主要是结构化指标、文字很少，那就不该用它。这种情况下，更轻量的分析提示词或表格方法可能更快。

它适合新手吗？

适合，只要你能描述反馈来源和想回答的问题。真正的难点不在 skill 本身，而在于给出足够上下文，避免得到空泛的综合结论。新手如果一开始就明确受众、时间范围和期望输出，通常效果会更好。

如何改进 sentiment-analysis skill

把分析问题收窄

提升 sentiment-analysis 输出最快的方法，就是缩小目标范围。一次只问一个产品区域、一个客户群体或一个决策问题。比如，Analyze onboarding survey comments from new SMB users and identify the top 5 negative themes by segment 会比 Summarize customer sentiment 更容易产出可执行结果。

提供信息密度高的样本

输入越好，分群就越准。不要只给总量，要附上有代表性的原话；同时保留有助于模型区分群体的元数据，比如套餐类型、渠道、地区或生命周期阶段。对于 sentiment-analysis for Data Analysis 来说，即使只有少量带标注的上下文，也能显著提升情绪评分的实用性。

注意常见失败模式

最常见的问题是主题过度泛化、把含糊评论硬套情绪标签，以及优先级判断不够有力。如果第一轮结果看起来太宽泛，可以要求：减少细分数量、为每个主题提供直接引语支撑，并按出现频率和业务影响重新排序。

在第一轮之后继续迭代

把第一轮输出当作初稿地图，再用后续提示词继续收窄，例如：Re-run this with only enterprise accounts、Separate complaints about pricing from complaints about UX，或者 Add a shortlist of the highest-impact fixes。这种迭代循环通常比一次性的大而全提示词，更能产出适合决策的 sentiment-analysis 指导结果。