Communitygithub.com

launch-commander-zh

Erkennt Emotionen in Launch-Day-Kommentaren und kategorisiert sie. Fünf Emotionsklassen (positiv/negativ/neutral/fraglich/riskant) + sechs Risikoklassen (Vorwürfe zu Manipulation, Datenschutzbedenken, Rückerstattungsforderungen, Plagiatsvorwürfe, Existenzzweifel, Bot-Verdacht) – priorisiert nach P0-P4 mit Reaktions-SLA (PH-Tag-1-Kommentare in 30 Minuten). Liefert Excel-Liste + Emotionsverteilungs-PNG per Python-Skript.

Was ist launch-commander-zh?

Dieses Skill, Teil des bangwozuo Digital Employee Asset Systems, ist eine atomare Fähigkeit für den Launch Commander. Es analysiert Kommentarströme während Produktlaunches und kategorisiert sie in fünf Emotionsklassen (positiv, negativ, neutral, fraglich, riskant) mit sechs spezifischen Risikounterklassen (Manipulationsvorwürfe, Datenschutz-/Sicherheitsbedenken, Rückerstattungsforderungen, Plagiats-/Konkurrenzvorwürfe, Existenzzweifel, Bot-Verdacht). Der Prozess priorisiert Kommentare in einer P0-P4-Queue: P0-Risiken erhalten eine Reaktionszeit von 30 Minuten, negative PH-Tag-1-Kommentare ebenfalls 30 Minuten, gefolgt von gestaffelten SLAs für weniger dringende Kategorien. Das Skill liefert strukturierte Ergebnisse: eine Excel-Datei mit priorisierten Kommentaren (Risikozeilen rot markiert), ein PNG-Diagramm der Emotionsverteilung und eine maschinenlesbare JSON-Datei für Workflow-Integration (daily-comment-duty-flow, launch-battle-review-flow). Es arbeitet rein promptbasiert oder mit einem Python-Skript (emotion_scan.py), das genaue Keyword-Scores, Negationserkennung und Risikoregeln anwendet. Das Skill erstellt keine Antwortentwürfe, führt keine automatischen Antworten aus und löscht keine Kommentare. Die Ausgabe ist als KI-generiert gekennzeichnet, und alle Aktionen erfordern menschliche Bestätigung, bevor sie ausgeführt werden.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/bangwozuo/launch-commander-zh/tree/HEAD/skills/comment-emotion-detect

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Kommentar-Emotionserkennung

Den Launch-Day-Kommentarstrom in vier Kategorien einteilen: „sofort antworten / ernsthaft antworten / dokumentieren / ignorieren". P0-Risiken werden innerhalb von 30 Minuten an den Entwickler selbst eskalieren. Die Antwortgeschwindigkeit am PH-Tag-1 beeinflusst direkt das Ranking – langsame Erkennung bedeutet Ranking-Verlust.

Was nicht gemacht wird: Keine Antwortinhalte schreiben (gehört zu reply-drafting), keine automatischen Antworten ausführen, keine Kommentare löschen.

Metainformationen

FeldWert
IDde_dev_02_sk07
Typatomic (Atomare Fähigkeit)
MitarbeiterLaunch Commander
FähigkeitsfamilieErkennung & Klassifizierung · Emotionsklassifizierung & Risikowarnung
KomplexitätM
PhaseP1
WiederverwendbarkeitMittel (T+1-Review nutzt Kommentardaten wieder)
Asset-FormTiefer Prompt + Python-Skript (keine Modellaufrufe, kein API-Key)

Fähigkeitsbeschreibung

  1. Fünf Emotionsklassen: 🟢 Positiv / ⚠️ Negativ / ⚪ Neutral / 🔵 Fraglich / 🔴 Riskant, mit Negationsumkehrung und Korrektur „Feature-Request ≠ positive Bewertung"
  2. Sechs Risikounterklassen: Manipulationsvorwürfe, Sicherheits-/Datenschutzbedenken, Rückerstattungsforderungen, Plagiats-/Konkurrenzvorwürfe, Existenzzweifel, Bot-Verdacht – jede mit Standardmaßnahmen und SLA
  3. Prioritäts-Queue: P0-Risiko (30 Min) → P1-Negativ (PH-Tag-1 30 Min) → P2-Fraglich (2 Std) → P3-Positiv (24 Std) → P4-Neutral (48 Std)
  4. Gesundheits-Baseline: Positiv-Anteil ≥60% und Risiko=0 gilt als gesund; Negativ >20% löst angeheftete Klärung und zentrale Antwort aus; Fraglich >30% deutet auf blinde Flecken im Material hin

Eingabespezifikation

FeldTypErforderlichBeschreibung
commentsArray✅Kommentarstrom, jeder Eintrag mit text (Originaltext so vollständig wie möglich) + user + platform
platformString⬜Hauptplattform: ProductHunt / Reddit / V2EX / X / 即刻 / Weibo / WeChat Official Account / Allgemein
productString⬜Produktname, für Kontextbewertung

Ausgabespezifikation

  • summary: Fünf-Klassen-Zählung, Positiv-Anteil, P0/P1-Anzahl, Gesundheitslinien-Beurteilung
  • queue: Prioritäts-Queue (P0→P4), jeder Eintrag mit Risikounterklasse / SLA / empfohlener Aktion / Status „wartet auf manuelle Bestätigung"

Ergebnisdateien:

DateiInhalt
out/comment_classification_list.xlsxPrioritäts-Queue (Risikozeilen rot markiert) / Detailklassifizierung / Zusammenfassung
out/emotion_distribution.pngKreisdiagramm der fünf Emotionsklassen-Anteile
out/emotion_scan.jsonMaschinenlesbares Ergebnis, zur Verwendung durch Workflows (daily-comment-duty-flow)

Verwendungsschritte

Methode 1: Nur Prompt (schnellste, mit Kontextbewertung)

  1. Den gesamten Inhalt von prompt.txt als System-Prompt einfügen
  2. Kommentarstrom bereitstellen (vollständiger Text, Plattform angegeben)
  3. Emotionsübersicht + Prioritäts-Queue + modellprüfpflichtige Elemente (Ironie/Bot-Konten) erhalten

Methode 2: Mit Skript (genaues Keyword-Scoring + Excel/PNG-Ausgabe)

python3 <SKILL_DIR>/scripts/emotion_scan.py --input input.json --outdir out
python3 <SKILL_DIR>/scripts/emotion_scan.py --demo        # Kann auch ohne Eingabe verwendet werden

Aufgabenverteilung: Das Skript übernimmt Keyword-Scoring, Negationsumkehrung, Risikoregeln-Scan, P0-P4-Reihung (keine Lücken, keine Spekulationen); das Modell übernimmt Ironieerkennung, Bot-Konto-Prüfung, Ursachenanalyse für negative Bewertungen von Altkunden (Dinge, die das Skript nicht kann). Die Ergebnisse beider werden kreuzvalidiert.

Grenzen (Was nicht gemacht wird)

  • ❌ Keine Kommentare löschen, kein Löschen empfehlen – „Zugeben + Lösung anbieten" ist der einzig richtige Umgang mit negativen Kommentaren
  • ❌ Keine Antwortinhalte schreiben (Sache von reply-drafting), nur Handlungsrichtung angeben
  • ❌ Feature-Requests nicht als positive Bewertungen zählen (würde Emotionen überschätzen, PMF falsch einschätzen)
  • ❌ Keine Automatisierung der Kontexterkennung – Ironie und Bot-Konten müssen vom Modell geprüft werden
  • ❌ Bei leerem Kommentarstrom: Ausgabe „0 Kommentare am Launch-Day" und Hinweis, den Launch-Link zu überprüfen; keine Daten erfinden

Aufrufbeispiel

Eingabe (examples/input.json, Auszug):

{
  "product": "ClipMate (Zwischenablage-Tool)",
  "comments": [
    {"user": "maker_fan99", "platform": "ProductHunt", "text": "Congrats! Finally a clipboard manager that doesn't feel bloated. Love the search speed."},
    {"user": "angry_bob", "platform": "ProductHunt", "text": "Crashed twice within 10 minutes. How do I get a refund?"},
    {"user": "Datenschutzfan", "platform": "V2EX", "text": "Werden Zwischenablagedaten auf den Server hochgeladen?"}
  ]
}

Ausgabe (Skript real ausgeführt, Exit-Code 0): Positiv 1 / Negativ 0 / Neutral 2 / Fraglich 1 / Riskant 3, P0+P1 insgesamt 3 Einträge – angry_bob „refund" löst Rückerstattungsforderung P0 aus; „doesn't feel bloated" wird durch Negationsumkehrung korrekt als positive Bewertung erkannt. Details siehe examples/output.md.

Zugehörige Workflows

  • daily-comment-duty-flow (Kommentarüberwachung am Launch-Tag, alle 15 Minuten)
  • launch-battle-review-flow (Launch-Battle-Review, T+1)

Compliance-Erklärung

  • Ausgabe mit „KI-generierter Inhalt" gekennzeichnet; alle Aktionen werden erst nach „manueller Bestätigung" ausgeführt
  • Kommentarinhalte sind Benutzerdaten: Die Liste wird nur für die Einsatzüberwachung am Launch-Tag verwendet, nicht weitergeleitet, keine öffentlichen Screenshots (Zitate positiver Bewertungen benötigen Genehmigung)
  • Keine automatischen Antworten ausgeführt; Antwortentwürfe laufen immer über reply-drafting und werden manuell bestätigt

Dieses Skill folgt dem bangwozuo Digital Employee Asset Specification v3.0

Verwandte Skills