User comment analysis
A production-ready collection of 50 agent skills for new media research, content, growth, data analysis, and operations.
npx -y skills add DoomDeity/new-media-core-skills --skill user-comment-analysisAssembled from the repository path, not quoted from the project. Check it against their README if it does not work.
3 things to look at
- 18 days oldThe repository was created 18 days ago. New is not bad, but a brand new repository carrying a familiar-sounding name is the shape a typosquat arrives in, and there has been no time for anyone else to find a problem with it.
- no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
- 0 stars0 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.
What its author says it does
Copied from the file, not written here
从评论/弹幕/私信文本提取痛点信号、需求推断、情绪与意图。当用户要归纳评论在说什么、评论区情绪或高频问题时使用。默认只分析用户提供的材料，不主动外联；外部检索仅当明确要求补充公开背景时。情绪与意图分开分类；重复评论保留为频次信号；涉及个人信息须先匿名化。
SKILL.md
5.2 KB, ~1.8k tokens by cl100k_base, as published. Nobody here has run it
用户评论分析
When to Use
- 用户有一批评论 / 弹幕 / 私信 / 反馈，想提炼痛点信号、需求推断、情绪、高频问题。
- 用户做内容复盘、产品优化、选题灵感挖掘。
- 用户说："看看这些评论在说什么""从评论里提炼需求""评论区情绪怎么样"。
When NOT to Use
- 主动通过问卷 / 访谈挖掘需求 → 用
user-needs-discovery（R06）。 - 识别可能升级的负面舆情与争议 → 用
public-opinion-risk-identification（R08）。 - 撰写对单条评论的公开回复 → 用
comment-reply（P03）。 - 分类并制定负面评论处理方案 → 用
negative-comment-handling（P04）。
Inputs
必要信息：
- 评论文本（原始粘贴或整理后的列表）。
- 可选上下文：对应内容主题、发布平台、分析目的、样本周期。
缺失处理：无上下文时仅做通用归纳并标"假设：默认分析目的是内容优化"；若评论文本完全为空，集中询问一次（仅问能否提供评论内容）。
Workflow
- 隐私匿名化：对含个人姓名、联系方式、账号 ID 等可识别信息的评论先做匿名化（替换为"用户 A"等）再分析。
- 清洗去噪：剔除广告、疑似垃圾信息或疑似机器人内容（无法确认是否刷量时标"待验证"）、无意义表情，保留有效评论；重复评论保留为频次信号（标注出现次数），不剔除。
- 情绪分层：正向 / 中性 / 负向，给出占比（标样本量；小样本优先用实际数量，如"正 6 / 中 4 / 负 2"，不输出无必要精确百分比）。
- 评论意图分类（与情绪作为两套独立分类，不混在同一组比例）：求资料 / 提问 / 认可 / 投诉 / 建议 / 购买咨询 / 其他，给出分布（小样本用实际数量）。
- 痛点信号与需求推断：从负向与疑问中提炼「痛点信号」与「需求推断」，标注推断；不写成确证事实。
- 高频问题汇总：统计重复出现的具体问题（如"怎么买""第几集"），保留频次。
- 行动建议：给内容 / 产品 / 运营下一步（标"建议"）。
- 自检：是否含无来源数字、事实与推断是否混淆、是否越界、结论是否可回溯到证据。
Output
Markdown 分析，至少包含：
- 样本概况（数量 / 周期 / 平台 / 匿名化说明）
- 情绪分布（正 / 中 / 负，标样本量，小样本用实际数量）
- 评论意图分布（与情绪作为两套独立分类，不混入情绪比例）
- 痛点信号与需求推断清单（排序，标推断）
- 高频问题 TOP（带出现次数或频次判断）
- 行动建议（建议，1–3 条）
证据规则
- 默认仅分析用户提供的评论 / 弹幕 / 私信 / 反馈材料；仅当用户明确要求补充公开背景时，才调用搜索、浏览器或外部数据工具检索公开来源。涉及个人信息的材料须先匿名化，不得直接提交外部工具（见 Boundaries）。
- 来源优先级：用户提供的原始评论、弹幕、私信和反馈样本 > 用户补充的业务上下文 > 用户明确要求后检索的公开背景资料（默认不主动外部搜索）。
- 三级标注：区分「已观察事实（用户原话）」「证据支持的推断（标"推断"）」「未知（标"待验证"）」。
- 来源冲突：冲突时并列展示各方观点与证据强弱，不强行归一。
- 周期与日期：引用数据须标注数据周期与检索日期。
- 样本说明：给出样本范围、周期、数量与可信度；小样本不输出伪精确比例，改用"少量样本 / 频次信号"。
Boundaries
- 情绪与意图属"推断"，须标注基于样本，不夸大代表性。
- 痛点信号 / 需求推断非确证事实，须标"推断"。
- 含个人信息的评论须先匿名化；未经匿名化不得将含真实姓名、手机号、邮箱、账号 ID、订单号、地址或私信可识别信息的原始材料提交外部搜索或第三方工具。
- 引用代表评论须来自用户实际输入并继续保持匿名化，不得编造。
- 不夸大样本对全部用户的代表性；不编造评论内容或数据。
- 不替用户决定回复话术；行动点标"建议"。
Examples
例（虚构示例，仅示范结构，不代表真实事实）：用户输入 20 条视频评论，多问"资料在哪领""求模板"。输出：匿名化（无个人信息）→ 情绪（正向 6 条 / 中性 12 条 / 负向 2 条，合计 20 条，小样本用实际数量）→ 意图（求资料 8 条 / 提问 4 条 / 认可 3 条 / 购买咨询 2 条 / 其他 3 条，合计 20 条，与情绪分开单列）→ 痛点信号（找不到模板入口）/ 需求推断（想要可复用模板）→ 高频（"资料链接""怎么领"）→ 建议（置顶资料领取 + 做模板合集视频）。