---

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

1. CSV标签数据: 原始评论 + 22维度 AI 标签
2. Markdown洞察报告: 战略机会点、痛点、优化建议
3. 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

1. 准备 CSV 文件（支持自动模糊匹配列名）
2. 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：

• 分析数量（100条/300条/全部）

第二步：执行分析

1. 读取并解析 CSV 文件
2. 批量标签提取（每批最多30条）
3. 统计分析与用户画像识别
4. 生成洞察报告
5. 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：

# JSON → CSV（扁平化输出，22维度标签展开为独立列）
python3 .claude/skills/simple-review-analyzer/utils/transform_logic.py json \
    tagged_reviews.json \
    reviews_labeled.csv

# CSV → JSON（恢复嵌套结构，22维度标签聚合为tags对象）
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

1. 分析数量: 推荐选择 100 条评论以平衡速度与质量
2. 并发限制: 每批最多处理 30 条评论
3. 输出目录: output/{产品名}_{日期}/ （自动创建）
4. 文件命名: 固定文件名，便于对比同一产品的多次分析
5. 编码支持: UTF-8/GBK/GB2312 自动检测
6. 工具使用: 可单独使用 transform_logic.py 进行数据格式转换