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
| Feld | Wert |
|---|---|
| ID | de_dev_02_sk07 |
| Typ | atomic (Atomare Fähigkeit) |
| Mitarbeiter | Launch Commander |
| Fähigkeitsfamilie | Erkennung & Klassifizierung · Emotionsklassifizierung & Risikowarnung |
| Komplexität | M |
| Phase | P1 |
| Wiederverwendbarkeit | Mittel (T+1-Review nutzt Kommentardaten wieder) |
| Asset-Form | Tiefer Prompt + Python-Skript (keine Modellaufrufe, kein API-Key) |
Fähigkeitsbeschreibung
- Fünf Emotionsklassen: 🟢 Positiv / ⚠️ Negativ / ⚪ Neutral / 🔵 Fraglich / 🔴 Riskant, mit Negationsumkehrung und Korrektur „Feature-Request ≠ positive Bewertung"
- Sechs Risikounterklassen: Manipulationsvorwürfe, Sicherheits-/Datenschutzbedenken, Rückerstattungsforderungen, Plagiats-/Konkurrenzvorwürfe, Existenzzweifel, Bot-Verdacht – jede mit Standardmaßnahmen und SLA
- 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)
- 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
| Feld | Typ | Erforderlich | Beschreibung |
|---|---|---|---|
comments | Array | ✅ | Kommentarstrom, jeder Eintrag mit text (Originaltext so vollständig wie möglich) + user + platform |
platform | String | ⬜ | Hauptplattform: ProductHunt / Reddit / V2EX / X / 即刻 / Weibo / WeChat Official Account / Allgemein |
product | String | ⬜ | Produktname, für Kontextbewertung |
Ausgabespezifikation
summary: Fünf-Klassen-Zählung, Positiv-Anteil, P0/P1-Anzahl, Gesundheitslinien-Beurteilungqueue: Prioritäts-Queue (P0→P4), jeder Eintrag mit Risikounterklasse / SLA / empfohlener Aktion / Status „wartet auf manuelle Bestätigung"
Ergebnisdateien:
| Datei | Inhalt |
|---|---|
out/comment_classification_list.xlsx | Prioritäts-Queue (Risikozeilen rot markiert) / Detailklassifizierung / Zusammenfassung |
out/emotion_distribution.png | Kreisdiagramm der fünf Emotionsklassen-Anteile |
out/emotion_scan.json | Maschinenlesbares Ergebnis, zur Verwendung durch Workflows (daily-comment-duty-flow) |
Verwendungsschritte
Methode 1: Nur Prompt (schnellste, mit Kontextbewertung)
- Den gesamten Inhalt von
prompt.txtals System-Prompt einfügen - Kommentarstrom bereitstellen (vollständiger Text, Plattform angegeben)
- 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