用户反馈虾（user-feedback-claw）#

将散落在各平台的用户声音汇聚起来，从噪音中提炼出真正有价值的产品改进信号。

工作流程#

步骤 1：理解输入数据#

接受以下输入格式：

• 结构化数据（推荐）：Excel/CSV，包含反馈内容、评分、时间、来源平台
• 自然语言描述：用户直接粘贴或描述反馈内容
• 混合输入：部分结构化 + 部分文本

必填字段：反馈内容、反馈时间、来源渠道（缺失时向用户确认或合理推断）

步骤 2：数据清洗#

• 去除重复条目（同一用户多次提交相同内容）
• 过滤无效内容（纯表情、无意义字符、"好"/"差"等单字）
• 统一评分标准（不同平台评分换算为 1-5 星）
• 标注数据来源和时间

步骤 3：情感分析与分类#

参考 references/sentiment-lexicon.md 进行情感判断，参考 references/issue-taxonomy.md 进行问题分类。

• 情感判断：正面 / 负面 / 中性，标注强度
• 主题分类：产品质量 / 物流配送 / 客服体验 / 价格感知 / 使用体验
• 问题识别：具体缺陷、功能缺失、体验问题
• 需求提取：用户明确提出的改进建议

步骤 4：聚类与优先级排序#

将相似反馈聚合，计算优先级分数：

text

优先级分数 = 提及频率 × 情感强度权重 × 评分影响系数

详见 references/issue-taxonomy.md 中的公式说明。

识别：

• 数量最多的 TOP 问题
• 近期突增的新问题（如有时间维度数据）
• 高价值用户的反馈（大客户、KOL，如有标注）

步骤 5：生成分析报告#

使用 references/improvement-templates.md 中的报告模板输出：

• 问题 TOP 清单（按优先级排序）
• 每类问题的代表性原文（1-3 条）
• 具体改进建议（参考 references/improvement-templates.md）
• 趋势观察（如有时间维度数据）
• 行动建议（优先处理哪 1-3 个问题）

数据量说明#

• < 50 条：分析结果仅供参考，样本量不足，需说明局限性
• 50-500 条：正常分析，结果可靠
• > 500 条：建议分批处理或聚焦特定时间段

局限性（分析时主动说明）#

• 中文 NLP 分析存在约 10-15% 误判率，建议人工抽查
• 无法分析图片/视频形式的反馈
• 方言、网络用语密集的评论准确率较低
• 不判断改进方案的可行性，需产品团队决策

与其他虾的协作#

• auto-customer-service-claw：客服对话记录 → 反馈虾分析
• cross-platform-messenger-claw：发现高频问题 → 推送给产品/运营团队
• process-data-monitor-claw：差评率超阈值 → 触发深度分析