Communitygithub.com

bangwozuo/launch-commander-zh

Analyse des sentiments des commentaires le jour du lancement pour les développeurs indépendants. Cinq catégories d'émotions (positif/négatif/neutre/doute/risque) + six sous-catégories de risques, classées par priorité P0-P4 avec SLA de réponse (30 min le jour J sur ProductHunt). Génère un fichier Excel et un graphique PNG via un script Python.

Qu'est-ce que launch-commander-zh ?

Cette compétence est conçue pour les développeurs indépendants qui lancent un produit sur des plateformes comme ProductHunt, Reddit, V2EX, etc. Elle analyse en temps réel les commentaires du jour du lancement et les classe en cinq états émotionnels (positif, négatif, neutre, doute, risque) avec six sous-catégories de risques spécifiques (accusations de manipulation de classement, préoccupations de sécurité/vie privée, demandes de remboursement, accusations de plagiat, doutes sur la pérennité, accusations de bots). Les commentaires sont ensuite organisés dans une file d'attente prioritaire de P0 (risque critique) à P4 (neutre), chacun avec un SLA de réponse : P0 doit être traité sous 30 minutes le jour J, P1 sous 30 minutes, P2 sous 2 heures, P3 sous 24 heures, P4 sous 48 heures. La compétence s'appuie sur un prompt système détaillé et/ou un script Python (emotion_scan.py) qui produit un fichier Excel (classement, détails, résumé), un graphique PNG de distribution émotionnelle, et un fichier JSON lisible par machine pour l'intégration dans un flux de travail. Elle ne rédige pas de réponses, n'effectue pas de modération automatique, et n'efface aucun commentaire ; toutes les actions nécessitent une validation humaine.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Analyse des Sentiments des Commentaires

Transformez le flux de commentaires du jour du lancement en quatre priorités : « À répondre immédiatement / À répondre sérieusement / À enregistrer / Pas besoin de répondre ». Les risques P0 doivent être remontés au développeur lui-même sous 30 minutes. Le jour J sur ProductHunt, la vitesse de réponse aux commentaires impacte directement le classement ; une identification lente = un classement en baisse.

Ce que cette compétence ne fait pas : rédiger des réponses (cela relève de reply-drafting), exécuter des réponses automatiques, ou supprimer des commentaires.

Méta-informations

ChampValeur
IDde_dev_02_sk07
Typeatomic (compétence atomique)
Employé associéCommandant du lancement
Famille de capacitésDétection et évaluation · Classification des émotions et alerte aux risques
ComplexitéM
PhaseP1
RéutilisabilitéMoyenne (les données de commentaires sont réutilisées dans le rapport post-lancement T+1)
Forme de l'actifPrompt système détaillé + Script Python (sans appel de modèle, sans clé API)

Description des Capacités

  1. Cinq catégories d'émotions : 🟢 Positif / ⚠️ Négatif / ⚪ Neutre / 🔵 Doute / 🔴 Risque, avec inversion par négation et correction « demande de fonctionnalité ≠ avis positif »
  2. Six sous-catégories de risques : accusation de manipulation de classement, préoccupations de sécurité/vie privée, demande de remboursement, accusation de plagiat/concurrent, doute sur la pérennité, accusation de bots — chaque catégorie a une action standard et un SLA
  3. File d'attente prioritaire : P0 Risque (30 minutes) → P1 Négatif (30 min le jour J PH) → P2 Doute (2 heures) → P3 Positif (24 heures) → P4 Neutre (48 heures)
  4. Ligne de base de santé : Positif ≥ 60 % et Risque = 0 = sain ; Négatif > 20 % déclenche une clarification épinglée et une réponse centralisée ; Doute > 30 % indique une lacune dans le matériel de présentation

Spécifications d'Entrée

ChampTypeObligatoireDescription
commentsarray✅Flux de commentaires, chaque élément contient text (texte complet si possible) + user + platform
platformstring⬜Plateforme principale : ProductHunt / Reddit / V2EX / X / Jike / Weibo / Compte officiel / Général
productstring⬜Nom du produit, pour le jugement contextuel

Spécifications de Sortie

  • summary : comptage des cinq catégories, pourcentage de positifs, nombre de P0/P1, verdict de santé
  • queue : file d'attente prioritaire (P0→P4), chaque élément avec sous-catégorie de risque / SLA / action suggérée / statut d'attente de validation humaine

Fichiers produits :

FichierContenu
out/分类清单.xlsxFile d'attente prioritaire (lignes à risque en rouge) / Détails de classification / Résumé
out/情绪分布.pngDiagramme circulaire des cinq catégories d'émotions
out/emotion_scan.jsonRésultat lisible par machine, pour le flux de travail (daily-comment-duty-flow)

Instructions d'Utilisation

Méthode 1 : Prompt pur (le plus rapide, inclut le jugement contextuel)

  1. Copiez tout le contenu de prompt.txt comme prompt système
  2. Fournissez le flux de commentaires (texte complet, avec la plateforme)
  3. Obtenez un aperçu des émotions + la file d'attente prioritaire + les éléments nécessitant une vérification par le modèle (ironie, comptes suspects)

Méthode 2 : Avec script (score précis basé sur un lexique + production d'Excel/PNG)

python3 <SKILL_DIR>/scripts/emotion_scan.py --input input.json --outdir out
python3 <SKILL_DIR>/scripts/emotion_scan.py --demo        # Fonctionne même sans entrée

Répartition des tâches : le script effectue le scoring par lexique, l'inversion par négation, l'analyse des règles de risque, et la mise en file d'attente P0-P4 (sans oubli, sans supposition) ; le modèle gère la détection de l'ironie, la vérification des comptes suspects, et l'attribution des avis négatifs des anciens utilisateurs (ce que le script ne peut pas faire). Les deux résultats sont recoupés.

Limites (Ce que la compétence ne fait PAS)

  • ❌ Ne supprime pas les commentaires, ne recommande pas de suppressions — « reconnaître + proposer une solution » est la seule posture correcte face aux commentaires négatifs
  • ❌ Ne rédige pas les réponses (cela relève de reply-drafting), donne seulement une direction de traitement
  • ❌ Ne compte pas les demandes de fonctionnalités comme des avis positifs (cela surestimerait les émotions et fausserait le jugement du PMF)
  • ❌ N'automatise pas le jugement contextuel — l'ironie et les comptes suspects doivent être vérifiés par le modèle
  • ❌ Si le flux de commentaires est vide, la sortie indique « 0 commentaire le jour du lancement » et invite à vérifier le lien de publication, sans fabriquer de données

Exemple d'Appel

Entrée (examples/input.json, extrait) :

{
  "product": "ClipMate (outil d'historique du presse-papiers)",
  "comments": [
    {"user": "maker_fan99", "platform": "ProductHunt", "text": "Félicitations ! Enfin un gestionnaire de presse-papiers qui n'est pas gonflé. J'adore la rapidité de recherche."},
    {"user": "angry_bob", "platform": "ProductHunt", "text": "A planté deux fois en 10 minutes. Comment obtenir un remboursement ?"},
    {"user": "PrivacyGuy", "platform": "V2EX", "text": "Les données du presse-papiers sont-elles téléchargées sur le serveur ?"}
  ]
}

Sortie (script réel, code de sortie 0) : Positif 1 / Négatif 0 / Neutre 2 / Doute 1 / Risque 3, P0+P1 total 3 — angry_bob « remboursement » correspond à la demande de remboursement P0 ; « doesn't feel bloated » est correctement inversé par négation et classé comme avis positif. Voir examples/output.md pour les détails.

Flux de Travail Associés

  • daily-comment-duty-flow (veille des commentaires du jour, toutes les 15 minutes)
  • launch-battle-review-flow (rapport post-lancement, T+1)

Déclaration de Conformité

  • La sortie est marquée « Contenu généré par IA », toutes les actions sont conditionnées à « En attente de validation humaine »
  • Le contenu des commentaires appartient aux utilisateurs : la liste est réservée à la veille du lancement, ne pas diffuser à l'extérieur, ne pas faire de captures d'écran publiques (les citations d'avis positifs nécessitent une autorisation)
  • N'exécute pas de réponses automatiques ; les brouillons de réponse doivent passer par reply-drafting et être validés manuellement

Cette compétence suit la Spécification des actifs des employés numériques bangwozuo v3.0

Skills associés