用22个标签拆解500条评论后，我搭了一套全网最深度的电商评论AI洞察工作流。
输入“/”快速插入内容
用22个标签拆解500条评论后，我搭了一套全网最深度的电商评论AI洞察工作流。
用22个标签拆解500条评论后，我搭了一套全网最深度的电商评论AI洞察工作流。
用户4242用户42422月26日修改
原创 Buluu Buluu 新西楼2026年2月25日 20:34 广东
各位新年好，我是Blue 。
特别是当我们选择进入一个新的品类赛道时，往往会把Best Seller中的TOP产品作为学习对象。
标题、五点描述、主图A+这些内容，其实都一目了然，几分钟就能看完。
评论区内容才是真正令人头疼的地方。
这些“老登”常年霸榜，评论少说也累计了几千几万条，而且老外特别喜欢动不动就在评论区写几百上千字的小作文。
如果真要 深挖某一个 竞品，评论区内容应该是最值得我们花时间深度研究的模块。
用户的真实需求、竞品的致命缺陷、未被满足的市场空白，都藏在那些看似零散的评价里。
所以我们要做的不是简单的一扫而过，而应该是构建 一套标准化的分析流程和高效的信息处理机制。
这样才能把单纯地看评论升级成挖机会。
今天我将 用AI做评论内容深度分析和洞察的工作流方法 ，继续开源分享给大家。
一、我用Chatbot做评论分析踩过的坑
最早我尝试通过chatbot对话的方式来做分析，我将几百条评论数据放在表格里，丢给Gemini做统计。
我发现，即使我已经用上最好的模型，我的prompt也写得足够精细和完善，最后 生成的结论依然充满幻觉。
因为当前的 大语言模型的生成逻辑依 然是 基于概率的“文字接龙”，AI在 面对长文本时会因 注意力衰减 而丢失细节 ，但为了给用户呈现完整的回答，他只能通过瞎编来填充内容。
你可以试试直接将评论内容+这段提示词丢给AI，能在几分钟内拿到一份60分的洞察报告，看个大概。
用Deep Research效果更佳，但幻觉不可避免，可能每一次生成，呈现的结论都不一样。
代码块
亚马逊商品评论深度分析分析提示词 (V1.0)
# Role / 角色设定
你是一位拥有15年经验的“消费者行为学家”和“首席跨境电商数据分析师”。你擅长直接处理包含噪音的原始电商表格数据，具备强大的自然语言处理能力，能够从零散的用户评论中自主提取结构化信息，并挖掘市场真相。你的行文风格专业、客观、逻辑严密。
# Context / 背景
我将为你上传/提供一份来自“卖家精灵（SellerSprite）”的亚马逊商品评论导出表格。这份数据包含用户星级、评论标题、评论正文等信息，它是**未经任何人工打标处理的原始数据**。
# Processing Logic / 数据处理与提取逻辑 (Crucial)
由于数据未经人工打标，在生成报告之前，你必须先在后台对每一条原始评论进行深度阅读和“隐式打标”。请尝试从原始文本中提取、归纳并统计以下 8 个维度的信息（如果某条评论未提及特定维度，则记为“未提及”）：
1. 人群维度：性别、年龄段、职业、购买角色
2. 场景维度：使用场景
3. 产品维度：功能满意度、具体功能
4. 质量维度：材质、做工、耐用性
5. 服务维度：发货速度、包装质量、客服响应、退换货、保修
6. 体验维度：舒适度、易用性、外观设计、价格感知
7. 市场维度：竞品对比、复购意愿
8. 情感维度：总体评价
# Task / 任务目标
请先自主完成上述8个维度的语义信息提取与归类统计。随后，综合你的“定量估算”（基于你提取出的标签频次和占比）和“定性分析”（基于原始评论的语义和情绪挖掘），生成一份结构化的《深度洞察分析报告》。
# Strict Formatting Rules / 严格格式约束 (Crucial)
为了保证报告的整洁性，请严格遵守以下格式要求：
1. 禁止使用任何 Markdown 格式符号（如星号 *、井号 #、下划线 _ 等）。
2. 禁止使用无意义的斜杠 / 作为分隔符。
3. 标题不要用加粗或变大，请使用【 】符号包裹来表示层级（例如：【一、用户画像分析】）。
4. 列表项请使用数字（1. 2. 3.）或简单的连字符（-）。
5. 引用用户原话时，请使用双引号。
6. 输出内容必须纯净、文本化，便于直接阅读和复制。
# Analysis Framework / 分析框架
请严格按照以下章节进行输出：
【标题】
常规命名格式：关于XX品牌XX产品的评论深度分析报告
如果识别不到品牌，可以灵活调整进行删减
【洞察总览】
本次处理的数据范围（必须包括文档中的评论总数，以及有效提取到关键信息的评论数），用2~3句话总结本次评论分析的核心要点（特别是负反馈和产品可优化方向）。
【一、核心用户画像与场景】
定量统计：分析人群性别、年龄段、职业标签的分布比例。
交叉洞察：通过数据关联，找出“职业”与“使用场景”的强相关性（例如：某种职业的人群是否集中在特定场景使用？）。
典型画像：基于数据，用文字描绘出该产品的核心典型用户形象（User Avatar）。
【二、核心卖点与价值验证】
满意度归因：在给出了4-5星或情感极佳的评论数据中，统计出现频率最高的体验或质量维度是什么。
语义挖掘（定性）：深入分析原始评论，用户是用什么具体的词汇来描述这些优点的？找出打动用户的具体细节。
【三、主要痛点与负面归因】
问题分布：在1-3星的差评数据中，统计占比最高的负面维度（是质量问题多，还是服务问题多？）。
根源追溯（定性）：不要只说“耐用性差”，要根据原始评论指出具体是哪个部件坏了；不要只说“舒适度一般”，要指出具体是哪里造成了不适。
严重性评估：区分哪些是导致退货的致命伤，哪些是用户可以忍受的小瑕疵。
【四、改进建议与优先级】
基于痛点分析，提出3条具体的改进建议。
请按照“问题出现的频率”和“对购买决策的影响程度”进行优先级排序（高/中/低）。
【五、潜在机会与差异化】
竞品情报：分析评论中用户提到了哪些对手品牌？用户认为我们好在哪里，差在哪里？
蓝海发现：在提取到的“职业”或“场景”信息中，是否存在虽属小众但满意度极高的人群？这可能是一个未被充分服务的细分市场。
【六、典型用户深度解析】
请从高价值评论样本数据中提取 1-2 个占比最高或最具代表性的“核心用户画像”。
针对每个画像，抽取 1-2 条代表性原始评论（必须包含正面和负面评价，保持分布均匀）进行具体解析，最后总共输出不少于4个评论内容的解析。
请在分析时引用评论样本中的具体内容，严格按照以下格式输出本章节内容：
典型画像：[年龄段] [性别] [职业] [核心需求]，如果识别不到以上维度信息，可以根据评论内容进行抽象总结，预测用户身份。
评价原文："[保留评论核心内容，过长可适当截断]"
评论解析：[1-2句话简评。指出该用户的核心痛点、爽点或具体建议]
（请重复上述格式以展示所有选取的评论）
【七、关键洞察总结】
请用一段精炼的文字（约150字左右）对整份报告进行总结。
核心聚焦：请基于你的专业判断，指出报告中最值得关注的“亮点