把100条用户评论提炼成10个选题的AI做法

一句话结论

用 AI 把 100 条用户评论聚类成 8 到 12 个需求簇，再人工筛出 10 个能落地的选题，一张表就能交付。

这篇解决什么问题

评论堆在后台、表格里躺了三五百条，每次开选题会还是靠拍脑袋——这是运营岗最常见的卡点。这篇就是讲怎么把一堆散乱的评论，收敛成一张能直接排期的选题表。

适用：手上有至少几十条真实用户评论，想从中找内容方向的运营或编辑。不适用：评论量只有个位数、或者评论全是”好评””已收到”这类无效内容的情况。

开始前要准备什么

• 一个 AI 对话工具：豆包、通义都能用，网页端即可，免费额度日常够用
• 评论原始素材：导出成一行一条的文本，或直接粘进表格一列
• 一份产品/账号的简单背景说明，两三句话，帮 AI 判断什么选题合适
• 预计耗时：100 条评论，熟练后通常 15 分钟以内做完

我一般用表格来存评论，一行一条，不合并单元格。合并过的表格粘给 AI 容易串行，返工很烦。

具体怎么做

第 1 步 · 把评论洗干净

先删掉纯表情、”收到””好的””谢谢”这类没有信息量的内容。我做过对比，100 条里真正带需求的常常只有六七十条，剩下的删掉反而让聚类更准。

下面是我从某电商后台导出的用户评论，一行一条。请你先帮我做清洗：删掉纯表情、纯客套、与产品使用无关的内容，保留一条一条独立的评论原文。清洗后告诉我保留了多少条、删掉了多少条，并说明你删除的判断标准。清洗结果按”编号 + 评论原文”的格式输出，不要改动评论里的错别字和口语表达。
评论数据：
（此处粘贴你的评论，一行一条）

预期产出：一份干净评论清单，条数比原始数据少一些，但每条都是有效信息。

第 2 步 · 让 AI 做需求聚类

这一步是整个流程的核心。不要问 AI”能提炼出什么选题”，那样它会给一堆正确的废话。要让它先归到”用户的真实诉求”上。

你是用户研究员。下面这些是真实用户评论。请你逐条读完后，把它们归并成若干”用户需求簇”，每个簇代表一类用户真正想解决的问题。
要求：
1. 簇的数量控制在 8 到 12 个之间，太少会混在一起，太多会碎
2. 每个簇给出：簇名称（8 字以内）、命中的评论编号、这个需求的典型原文一句话
3. 如果某条评论无法归类，单独列出，不要硬塞
4. 不要输出任何选题建议，只做需求归类
评论清单：
（此处粘贴第 1 步的清洗结果）

预期产出：8 到 12 个需求簇，每簇带着命中的评论编号，能回溯到原文。

我踩过的坑是让 AI 直接出选题，结果十条里有八条是”如何提升用户体验”这种谁都写不了的题目。先聚类再选题，质量差得很明显。

第 3 步 · 把需求簇翻译成选题

需求簇是”用户想要什么”，选题是”我们写什么”。中间这一步需要把用户的抱怨语言，翻译成内容标题。

下面是我整理出的 10 个用户需求簇。请你把每个簇翻译成 1 到 2 个具体的内容选题，面向的读者是想了解我们这类产品的普通用户。
要求：
1. 选题要能直接当标题用，说清楚写给谁、解决什么具体问题
2. 不要用”深度解析””全面盘点””一文读懂”这类空壳词
3. 每个选题后面标注：对应哪个需求簇、命中评论条数、建议的内容形式（图文 / 短视频 / 短问答）
4. 如果某个需求簇不适合做内容（比如涉及售后流程），标出来并说明原因
需求簇清单：
（此处粘贴第 2 步的结果）

预期产出：一张候选选题列表，通常 12 到 20 条，带来源和形式建议。这一步宁多勿少，后面还要筛。

第 4 步 · 反向打分做筛选

候选多了会挑花眼。我喜欢让 AI 站在”会不会有人搜”的角度反向打分，把明显没流量的先刷掉。

下面这些候选选题，请你按三个维度各打 1 到 5 分，并说明理由：
1. 搜索需求强度：用户会不会主动搜这类问题
2. 差异化：市面上同类内容是不是已经很饱和
3. 可写性：我们团队用现有素材能不能写出来
最后按总分从高到低排序，选出前 10 个，并给每个选题配一句”一句话说明它解决什么”。分数相同的，优先选搜索需求强度高的。
候选选题：
（此处粘贴第 3 步的结果）

预期产出：排好序的 10 个选题，每个带分数和一句话说明。

第 5 步 · 落成选题表并人工过一遍

AI 给的东西不能直接排期。我会把结果贴进表格，自己逐条改标题，把口语化的表述调成用户真正会搜的写法，再补上负责人和排期。

请把最终 10 个选题整理成一张表格，列为：序号、选题标题、对应需求簇、评论命中数、内容形式、一句话说明、优先级。标题一栏请保持口语化、贴近用户搜索习惯，不要堆形容词。输出为可以直接复制到表格软件的格式，用制表符分隔。

预期产出：一张能直接贴进项目管理表的选题表，字段齐全。

这一步别偷懒。我见过太多人把 AI 输出原封不动交上去，标题里全是”赋能””闭环”这种词，一看就知道没改过。

实测记录

主要的返工出在聚类太碎。AI 默认喜欢细分，一不注意就给你二十个簇。第一轮提示词里把数量区间写死之后，情况好很多。

最容易错的 3 个地方

1. 把重复评论当成高频需求。某条吐槽在评论里出现很多次，可能只是因为那批订单集中出了问题。纠正办法：聚类时让 AI 同时标注命中的评论编号，自己扫一眼编号是不是集中在同一时段。
2. 需求簇直接当选题用。“用户不知道怎么选规格”是需求，”三分钟看懂规格怎么选”才是选题。中间一定要有翻译这一步。
3. 全程不删不筛。AI 给多少就用多少，最后表里二十条，没人愿意排期。纠正办法：定死只留 10 条，逼自己做取舍。

可复用的东西

整条流程其实就是五段提示词串起来：清洗评论 → 聚类需求 → 翻译选题 → 反向打分 → 输出表格。你可以把第 2 步和第 3 步的提示词存成模板，下次换一批评论直接套。

唯一需要每次改的，是第 1 步里那段产品背景说明——写得越具体，后面聚类的方向就越准。这条流程我自己用了大半年，评论来源从电商后台换到应用商店、再到内容平台评论区，骨架一直没动过。

你手上的评论一般是从哪儿导出的？后台、客服系统还是评论区手动复制？不同来源的清洗规则其实不太一样，评论区聊两句。

如果你也经常要做这件事，欢迎在评论区说说你的卡点和做法；也可以留言告诉我，你想看哪个岗位的哪件活怎么用 AI 拆。

admin 普通

收藏 海报 链接