Communitygithub.com

bangwozuo/launch-commander-zh

Identificación de sentimientos en comentarios del día de lanzamiento para desarrolladores independientes. Cinco etiquetas emocionales (positivo/negativo/neutral/duda/riesgo) + seis subtipos de riesgo (acusaciones de manipulación, privacidad, reembolsos, plagio, sostenibilidad, bots) priorizados por P0-P4 con SLA de respuesta (PH primer día en 30 min). Incluye script Python para generar Excel clasificado + PNG de distribución emocional. Útil para monitoreo de comentarios en lanzamiento, clasificación, alertas de negativos y priorización de hilos.

¿Qué es launch-commander-zh?

Esta habilidad especializada para agentes de IA ayuda a desarrolladores independientes a gestionar el flujo de comentarios durante el día de lanzamiento de un producto. Clasifica automáticamente los comentarios en cinco categorías emocionales (positivo, negativo, neutral, duda, riesgo) y seis subtipos de riesgo detallados como acusaciones de manipulación en rankings, preocupaciones de privacidad, solicitudes de reembolso, acusaciones de plagio, cuestionamientos de viabilidad del producto y acusaciones de uso de bots. La habilidad prioriza los comentarios en una cola P0-P4, asignando tiempos de respuesta SLA (el más crítico, P0, debe responderse en 30 minutos durante el primer día en ProductHunt). Además, genera automáticamente un archivo Excel con la clasificación detallada y un gráfico PNG de la distribución emocional, todo mediante un script Python. Es ideal para automatizar la vigilancia inicial de comentarios, alertar sobre riesgos graves y optimizar la prioridad de respuesta, ayudando a los desarrolladores a mantener una buena reputación y ranking en plataformas como ProductHunt, Reddit, V2EX, X y otras.

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Identificación de Sentimientos en Comentarios

Convierte el flujo de comentarios del día de lanzamiento en cuatro niveles: «responder ahora / responder con cuidado / registrar / no responder». Los riesgos P0 se escalan al desarrollador en 30 minutos. En el primer día de ProductHunt, la velocidad de respuesta impacta directamente en el ranking; reaccionar lento = perder posiciones.

Lo que NO hacemos: No redactamos respuestas (eso lo hace reply-drafting), no ejecutamos respuestas automáticas, no eliminamos ningún comentario.

Metadatos

CampoValor
IDde_dev_02_sk07
Tipoatomic (habilidad atómica)
Empleado asignadoComandante de lanzamiento
Familia de capacidadesDetección y juicio · Clasificación emocional y alerta de riesgos
ComplejidadM
FaseP1
ReutilizaciónMedia (el informe de guerra del día T+1 reutiliza los datos de comentarios)
Forma del activoPrompt profundo + script Python (sin invocación de modelos, sin clave API)

Descripción de capacidades

  1. Cinco etiquetas emocionales: 🟢 Positivo / ⚠️ Negativo / ⚪ Neutral / 🔵 Duda / 🔴 Riesgo, con inversión por negación y corrección por «solicitud de función ≠ reseña positiva».
  2. Seis subtipos de riesgo: Acusaciones de manipulación de rankings, preocupaciones de seguridad/privacidad, solicitudes de reembolso, acusaciones de plagio/competencia, cuestionamientos de sostenibilidad, acusaciones de bots. Cada uno tiene acciones estándar y SLA.
  3. Cola de prioridad: P0 Riesgo (30 min) → P1 Negativo (primer día PH: 30 min) → P2 Duda (2 horas) → P3 Positivo (24 horas) → P4 Neutral (48 horas).
  4. Línea base de salud: Positivos ≥60% y riesgo=0 es saludable; Negativos >20% activa aclaración fijada y respuesta concentrada; Dudas >30% indica áreas ciegas en el material.

Especificaciones de entrada

CampoTipoObligatorioDescripción
commentsarray✅Flujo de comentarios, cada uno con text (texto completo del original si es posible) + user + platform
platformstring⬜Plataforma principal: ProductHunt / Reddit / V2EX / X / Jike / Weibo / Cuenta Oficial / General
productstring⬜Nombre del producto, usado para contexto

Especificaciones de salida

  • summary: Conteo de las cinco categorías, porcentaje de positivos, cantidad de P0/P1, determinación de la línea de salud.
  • queue: Cola de prioridad (P0→P4), cada entrada con subtipo de riesgo / SLA / acción sugerida / estado de confirmación humana.

Archivos generados:

ArchivoContenido
out/clasificacion_comentarios.xlsxCola de prioridad (filas de riesgo en rojo) / Detalle de clasificación / Resumen
out/distribucion_emocional.pngGráfico circular de las cinco emociones
out/emotion_scan.jsonResultado legible por máquina, para que lo lea el flujo de trabajo (daily-comment-duty-flow)

Instrucciones de uso

Modo 1: Solo prompt (más rápido, incluye juicio de contexto)

  1. Pegue todo el contenido de prompt.txt como prompt del sistema.
  2. Proporcione el flujo de comentarios (texto completo, indicando plataforma).
  3. Obtenga resumen emocional + cola de prioridad + elementos que requieren revisión del modelo (ironía/cuentas falsas).

Modo 2: Con script (puntuación precisa con lista de palabras + genera Excel/PNG)

python3 <SKILL_DIR>/scripts/emotion_scan.py --input input.json --outdir out
python3 <SKILL_DIR>/scripts/emotion_scan.py --demo        # Sin entrada también muestra resultados

División del trabajo: El script realiza puntuación con lista de palabras, inversión por negación, escaneo de reglas de riesgo y encolado P0-P4 (sin omisiones, sin suposiciones); el modelo realiza identificación de ironía, revisión de cuentas falsas y atribución de quejas de usuarios antiguos (cosas que el script no puede hacer). Ambos resultados se cruzan y verifican.

Límites (lo que NO hacemos)

  • ❌ No eliminamos comentarios ni sugerimos borrarlos: «reconocer + dar solución» es la única postura correcta ante comentarios negativos.
  • ❌ No redactamos respuestas (eso es tarea de reply-drafting), solo damos dirección de acción.
  • ❌ No contamos las solicitudes de función como reseñas positivas (sobreestimaría emociones y malinterpretaría el PMF).
  • ❌ No automatizamos el juicio de contexto: la ironía y las cuentas falsas deben ser revisadas por el modelo.
  • ❌ Cuando el flujo de comentarios está vacío, se genera «0 comentarios en el día de lanzamiento» y se sugiere revisar el enlace de publicación; no se inventan datos.

Ejemplo de invocación

Entrada (examples/input.json, extracto):

{
  "product": "ClipMate (herramienta de historial del portapapeles)",
  "comments": [
    {"user": "maker_fan99", "platform": "ProductHunt", "text": "¡Felicidades! Por fin un administrador del portapapeles que no se siente inflado. Me encanta la velocidad de búsqueda."},
    {"user": "angry_bob", "platform": "ProductHunt", "text": "Se ha bloqueado dos veces en 10 minutos. ¿Cómo consigo un reembolso?"},
    {"user": "privacidad_man", "platform": "V2EX", "text": "¿Los datos del portapapeles se suben al servidor?"}
  ]
}

Salida (ejecución real del script, código de salida 0): Positivo 1 / Negativo 0 / Neutral 2 / Duda 1 / Riesgo 3. P0+P1 total: 3. angry_bob con «refund» activa solicitud de reembolso P0; «doesn't feel bloated» se invierte correctamente gracias a la negación, clasificándose como reseña positiva. Consulte examples/output.md para más detalles.

Flujos de trabajo asociados

  • daily-comment-duty-flow (vigilancia de comentarios del día, cada 15 minutos)
  • launch-battle-review-flow (revisión de la batalla de lanzamiento, T+1)

Declaración de cumplimiento

  • La salida se marca como «contenido generado por IA» y todas las acciones requieren «confirmación humana» antes de ejecutarse.
  • El contenido de los comentarios son datos del usuario: la lista es solo para uso en la vigilancia del lanzamiento, no se distribuye externamente ni se capturan pantallas públicas (las citas de reseñas positivas requieren autorización).
  • No se ejecutan respuestas automáticas; los borradores de respuestas siempre pasan por reply-drafting y requieren confirmación humana.

Esta habilidad sigue la Especificación de activos de empleados digitales de bangwozuo v3.0

Skills relacionados