把评论丢给模型之前要先做的三件事

让 AI 分析评论找痛点，很多人是从导出 500 条英文评论、直接贴进去开始的。这是最贵的做法，也是效果最差的。

为什么不建议直接贴

三个原因，都很实在。

一、评论不区分真假价值。 500 条里可能有 60 条在骂包装破损，因为这个产品确实该改包装；也可能有 60 条在骂包装破损，因为买家自己手滑。有价值的信息被淹没在噪音里。你不先做区分，AI 会把这两类混在一起给你一个"包装是核心痛点"的结论。

二、AI 不会主动告诉你置信度。 它统计出来"包装问题出现 87 次"，不会加一句"以下判断基于 500 条评论，其中 12 条为 Vine 评论，可能存在偏差"。这个判断的责任最后还是你在扛，但信息不对称了。

三、原文里的语境会丢。 一条差评写"bought it for my son and he loved it but the strap broke after two weeks"，AI 可能只抓到"strap broke"。那个"loved it"和"broke after two weeks"的信息，才是产品机会所在。

动手之前的三步

喂给模型之前的三步准备

第一步：先自己过 50 条

不要一上来就上工具。随便挑一个竞品，你自己读 50 条评论，不用快，读完记三件事：

哪些抱怨你一眼就知道是真的产品缺陷。哪些抱怨其实是使用说明没写清。哪些抱怨是物流、客服这些跟产品本身无关的。

这 50 条是你建立判断基准的过程。有了基准，你才知道 AI 分得对不对。

跳过这一步，你就没有能力验收 AI 的输出。

第二步：分好类再喂

把你的分类标准先定下来，然后让 AI 按你的标准做，而不是按它的标准。

比如分四类：产品缺陷（用了就坏）、预期落差（和描述/图片不符）、使用问题（不会用/装不上）、物流与包装（外部原因）。

分完之后，再让它在每一类内部找高频细分项。

顺序很重要。先聚类再看细分，和先看细分再聚类，结果不一样。因为高频项往往是"产品太重""太大了"这种笼统描述，不聚类直接统计，你会得到一堆无意义的标签。

第三步：一定要交叉验证

同一个痛点，至少要三个来源印证才算信号。

只有一个来源成立的时候不要动，尤其是只有评论一个来源。四类信号里只有一类成立，那个"看起来热"多半是推流推出来的。

一个更狠的用法

直接贴评论是问 AI"这个产品的痛点是什么"。

更高阶的用法是反过来：用大模型做反向挖掘。你把一个品类的头部产品评论全部汇总，让它列出"用户想要但这些产品都没解决的需求"。

这个问法比找痛点值钱。找痛点是防守，别人已经在解决什么。反向挖掘是进攻，找的是哪些还没人解决。

我做这个的时候，会要求它对每个需求给出三样东西：

第三项要细看。如果所有现有产品都没做，原因是"不划算"，那说明它可能永远不会被做。这是个真实的空白，同时说明它可能小到不值得做。

最后

AI 处理评论这件事，最有价值的产出不是"找到痛点"，是"让你快速看完本来读不完的量"。你一个人一周能读几百条，AI 一小时能读几万条。

但它读得比你快，不代表它读得比你深。它告诉你哪条评论出现次数多，你得自己判断这条评论值不值得解决、解决了能不能赚钱。

分工永远是这个：AI 负责量，你负责质。