我们一个主推的 SKU，月销几千，评价区差评零零散散一两百条。老板让我"看看用户都在不满啥"。听着简单，真去翻你就崩溃——一条条点开，物流、质量、客服、和图不符、价格，啥都有，看到第五十条我已经记不清前面在骂啥了，更别说统计哪个问题最集中。
人脑干不了这种"大批量、要归类、还要算占比"的活，看着看着就只剩印象流，得出的结论全凭手感。这种最该上工具。
让它先聚类，再给我占比
我用讯飞星辰搭了个评论洞察助手。把导出来的差评批量喂进去，它干两件事：一是按问题类型给每条打标（物流慢/质量问题/与描述不符/客服态度/价格…），二是统计各类占多少、挑几条典型原文给我看。我拿到的是一张"用户主要在抱怨这几类，占比如下，例子在这"的表，而不是两百条流水。
搭起来主要是配两块：把"我想分成哪几类问题"的标准告诉它，再定好输出——每类多少条、占比、附代表性原话。批量处理它能一条条过完，不用我盯。
几个让结果更准的做法
分类标准自己先想清楚。一开始我让它自由发挥分类，分出来的类七零八落、还互相重叠。后来我先定死几个我真正关心的桶，让它往里归，结果立刻能用了。机器执行得好不好，看你给的框架清不清楚。
"与描述不符"这种主观类要给例子。光给个类名它把握不准边界，我附几条样例说明"这种算、那种不算"，归得准多了。
让它附原话，别只给结论。它说"30% 在抱怨质量"，我得能点开看是哪些原话，万一它把"质量很好"误判成质量问题（真发生过，反讽和否定它偶尔栽），我一眼能抓出来。
老实讲它的边界
反话、阴阳怪气它会读错。"质量真好，用三天就坏"这种，它有时按字面归成好评。占比当参考可以，别拿它当精确统计。
它只告诉你"在骂啥"，不告诉你"为啥"和"咋办"。归类完，到底是供应商的问题还是详情页吹过头了，得人去深挖。它是把问题摆到你面前，不是替你解决。
样本太杂效果打折。把好评差评一起喂，不如先粗筛出差评再分析来得干净。
跑完那两百条，结论挺扎心也挺清楚：占比最高的不是质量，是"和详情页图片不符"。这事儿要我手工翻，多半得出"质量要加强"的错判。归完类我才看明白，问题出在详情页过度美化，改图比改产品快多了。
那套分类桶和"必须附原话"的设定我怎么配的，放评论区了。你们分析评论是人工翻还是有别的招？
实战：本地生活AI搜索获客方案)
