300条公开评论归成好评与风险两张表，用豆包和Kimi怎么做

一句话结论

准备一份评论原文表，用豆包逐批判断正负与风险类型，再用 Kimi 做二次校验和归并，最后落成好评表与风险表两张可筛选的表。

这篇解决什么问题

市场、品牌岗常被要求”看看大家怎么说”，可拿到几百条评论就发懵：一条条读，读到第一百条眼睛已经花了；交给 AI 直接总结，又得到一团漂亮的形容词，落不了地。

适用：你手上有一批公开评论文本（电商评价、社媒评论区、应用商店、问答平台都行），量级在几百条，需要分出正面口碑和潜在风险。不适用：只有十几条评论，或者你要做的是舆情危机响应——那种需要实时监控和法务介入，不是分类表能解决的。

开始前要准备什么

• 一份评论文本表：CSV 或 Excel，至少含”编号””平台””日期””正文”四列
• 豆包网页版或 App，日常额度够用；Kimi 网页版，长文本场景更稳
• 一个空白表格工具（Excel、飞书表格、腾讯文档都行），用来落最终两张表
• 预计耗时：初次做约 40 分钟到 1 小时，熟练后通常 20 分钟以内

评论素材怎么来，这里不多讲，各平台合规边界差别大。但有一条我踩过坑：务必先去重。复制粘贴时经常整段重复，同一句话被算三次，正面占比会虚高。

具体怎么做

第 1 步 · 清洗成一张规整的评论表

把抓来的评论丢进表格，只留编号、平台、日期、正文四列，正文超过 200 字的先截断到 200 字以内，避免单条评论吃掉太多判断篇幅。

你是我的数据清洗助手。下面是一批公开评论的原始文本，可能夹杂表情符号、重复内容和无关广告。请帮我做四件事：1）去掉完全重复或高度相似（相似度八成以上）的条目，保留最早出现的那条；2）删掉明显是广告、导流、无意义符号的条目；3）把每条评论整理成一行，字段固定为”编号、平台、日期、正文”，正文里不要保留换行；4）正文超过 200 字的截断到 200 字，并在末尾加”（已截断）”。最后用表格形式输出，并告诉我原始多少条、清洗后保留多少条、删掉了哪几类。原始文本如下：[粘贴你的评论原文]

预期产出：一张干净的评论表，条数通常在原始量级的一半到九成之间；同时你能看到删掉了多少，心里有数。

第 2 步 · 先定分类口径，别急着让 AI 判断

这一步很多人跳过。不定义口径，AI 会按自己的理解分，十批评论出来十个标准。我习惯先和 AI 聊一次，让它根据我的评论样本提议一套标签。

你是品牌口碑分析顾问。我是一家做家用小家电的品牌方（化名”青禾”），下面给你 20 条抽样评论。请帮我设计一套口碑分类口径，要求：1）分两大类——”好评”和”风险”，好评下再分 3 到 5 个正面维度（例如产品力、物流、客服等）；2）风险下再分维度，并额外标注风险等级（高/中/低）；3）每个维度给一句判断标准，写清楚”什么情况算这个维度”；4）如果一条评论同时提到正面和负面，给出拆分规则。用表格输出维度名称、判断标准、典型例句（用我给的原句改写，不要编造）。抽样评论如下：[粘贴 20 条代表性评论]

预期产出：一份维度表，通常 8 到 12 个维度，附判断标准和例句。有了它，后面每一批的判断才会稳定。

第 3 步 · 分批打标签

300 条一次性喂给模型，前后判断标准会漂。我一般按 30 到 50 条一批，每批都带上第 2 步的口径表，让它按固定格式输出，方便后续拼表。

你是品牌口碑标注员。请严格按照下面这份分类口径，对这批评论逐条打标签。口径如下：[粘贴第 2 步生成的维度表] 待标注评论：[粘贴本批 30 到 50 条]。输出要求：1）用表格输出，字段固定为”编号、情感倾向（好评/风险/中性）、维度、风险等级（无/低/中/高）、原文关键词摘录（不超过 15 字）、一句话理由”；2）一条评论如果既有好评又有风险，拆成两行，编号后加 a、b；3）中性评论（纯提问、纯陈述、无情绪）单独标为”中性”，不要硬塞进好评或风险；4）判断不出来就把维度写成”待定”，并在理由里说明缺什么信息。不要附带总结段落，只给表格。

预期产出：每批一张标注表。300 条大概 6 到 8 批，全部拼起来就是主表。

第 4 步 · 换一个模型做二次校验

单个模型的判断会有系统性偏好，比如对带感叹号的评论更容易判成好评。这一步换 Kimi，只让它挑刺，不让它重标。

你是口碑标注的复核员。下面这张表是另一份标注结果，字段包括”编号、情感倾向、维度、风险等级、关键词摘录、理由”。请只做复核，不要重新标注全部。任务：1）找出你认为情感倾向判断可疑的条目，最多 30 条，按可疑程度排序；2）每条说明可疑理由，指出是口径理解偏差、还是原文信息不足；3）找出维度归类明显错误的条目；4）不要输出新的完整表格，只输出”可疑条目清单”。标注表如下：[粘贴第 3 步的完整结果]

预期产出：一份可疑清单，通常占总量的 10% 到 20%。这部分人工过一遍，比从头复核省力得多。

第 5 步 · 归并成两张表

主表校验完，最后一步是把它拆成好评表和风险表，风险那侧要能按等级和维度筛。这一步让 AI 直接出结构，你只负责粘回去。

你是我品牌”青禾”的口碑数据整理助手。下面是一份已校验并归并的完整标注表。请帮我拆成两张表：第一张”好评表”，字段为：编号、维度、原文关键词摘录、代表性原句（从评论原文里摘，不要改写）、出现频次；第二张”风险表”，字段为：编号、维度、风险等级、原文关键词摘录、代表性原句、建议关注程度。要求：1）两张表都按频次或等级从高到低排序；2）每个维度下挑 2 到 3 条代表性原句，必须逐字来自原文；3）最后附一段不超过 100 字的说明，写清哪几个维度样本量过小、结论需要谨慎；4）不要写营销建议，只做结构化整理。完整标注表如下：[粘贴主表]

预期产出：两张可以直接贴进周报的表，好评侧看清优势集中在哪，风险侧看清哪几类问题反复出现。

实测记录

我用一批 286 条公开评论跑过完整流程，来源是某电商平台的商品评价加社媒评论区。素材整理和去重花了大约 15 分钟，第 2 步定口径来回改了两轮，约 10 分钟，打标签按 40 条一批共 7 批，每批几十秒，中间粘贴耗时比模型本身多。二次校验加人工过一遍可疑清单，约 20 分钟。

失败的地方主要在两处：一是模型把带反问语气的评论判成风险，其实是用户在夸；二是多条评论讲同一个事，被拆成不同维度。前者靠可疑清单捞回来，后者我是手动把维度名统一了一遍。

最容易错的 3 个地方

1. 不分批，一把梭。300 条一次性丢进去，前五十条判得细，后面开始糊，维度名也会变。改成每批 30 到 50 条，每批都带上口径表。
2. 把所有评论硬分成好评和风险。总有相当一部分是中性提问，硬塞会让两张表都失真。单独留一个”中性”桶，最后统计时剔除。
3. 代表性原句让 AI 自己写。不约束的话它会”润色”成通顺的句子，看着像真的，其实原文里没有。明确要求逐字摘录，并抽查三五条回原文核对。

可复用的东西

整条流程其实就五个提示词：清洗去重、定分类口径、分批打标签、二次校验挑刺、拆成两张表。建议存成一个文档，每次换项目只改三处——品牌化名、口径表、批次大小。第 2 步的口径表是最值钱的东西，同一品类做第二次，直接复用，能省掉一半时间。

口碑这件事，难点从来不是读不完，是读完脑子里只有印象、没有结构。一张能筛能排序的表，比一段漂亮的总结有用得多。你上次做口碑盘点，是卡在评论收不齐，还是卡在分完类不知道怎么用？

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