差评堆在后台三个月没人看，AI替我把改进清单排好了序

先说一个反例：我曾经的「差评处理三连」

去年我做一款小工具类产品，用户量不大，差评倒是不缺。我的处理流程大概是这样的：

第一连：情绪化反驳。 看到一条言辞激烈的差评，第一反应是「用户不会用」，截图发到群里，大家嘲讽一番，散会。差评本身的信息量被情绪完全吞掉了。

第二连：凭印象改。 有一次真下定决心要改产品，我问团队「大家觉得用户最不满什么？」每个人说的都不一样——因为每个人只记得自己最近看过的那几条评论。最后我们花两周改了一个「我以为是最高频」的问题，上线后数据毫无波动。

第三连：全量人肉阅读。 被打脸之后我走了另一个极端，把三百多条评论打印出来逐条看。看了两晚上，越看越乱：这条说慢，那条说贵，还有一条说按钮颜色丑。看完了，脑子里只剩一团浆糊，什么清单也没列出来。

这三个阶段的共同问题是：差评的价值没有被结构化地提取出来。评论是非结构化文本，而人的短时记忆和归纳能力应付不了几百条杂乱叙述。独立开发者和小团队尤其吃亏——没有用研岗，没有数据分析岗，老板自己就是全部的「用户洞察部门」。

换个思路：AI在中间干脏活

后来我把流程改成：人负责定义「什么是有效洞察」，AI负责阅读、归类、计数、排序。

这个分工的关键在于：AI不会因为差评骂得难听而恼火，不会因为读了三百条而疲劳，也不会凭最近三条评论形成偏见。它擅长的恰好是人最不擅长的——机械地读完所有文本，按统一标准归类。

具体流程四步：

1. 导出原始评论：从应用商店、客服系统、社群反馈导出，保留时间、渠道、原文。注意脱敏，去掉用户ID、联系方式。
2. 跑批提炼：用大模型API把评论分批送进去（每批30-50条，避免超长上下文导致漏读），让AI按统一维度输出结构化结果。
3. 合并汇总：把各批结果再合并一次，让AI做跨批去重和频次统计，输出问题分类表。
4. 人来拍板：AI给出的清单按「提及频次 × 严重程度」排序，我只需要看前十条，结合技术成本决定做什么。决策仍然在人手里，AI只负责让决策有依据。

跑完第一次，我印象最深的是：我猜的「最高频问题」只排到第七，排第一的是我从没在意过的「首次启动引导缺失」——因为抱怨它的人措辞都很温和，人读的时候容易被激烈的抱怨抢走注意力。AI没有这个偏好。

前后对比

成本方面：处理几百条评论的API调用费用很低，具体计价以官网价格页为准，对独立开发者基本可以忽略。

可复制的提示词模板

你是一位产品分析师。我会提供一批用户差评，请严格按以下要求处理：

1. 逐条阅读，将每条评论反映的问题归入以下类别（不可归入的放"其他"并注明）：
   - 功能缺失
   - 性能/速度
   - 上手难度/引导
   - 稳定性/崩溃
   - 价格/付费
   - 交互设计
   - 客服/响应
2. 输出格式为JSON数组，每个元素包含：
   category（类别）、count（提及次数）、summary（该类问题的简要概括，50字内）、
   representative_quote（最有代表性的一条原文，保留用户原话）、severity（1-5，按对使用的影响程度）
3. 规则：
   - 一条评论提到多个问题时，分别计入对应类别
   - 纯情绪宣泄、无具体信息的评论标记为 noise，不计入统计
   - 不要发明评论中不存在的细节
4. 最后按 count × severity 降序排列，另附一段100字以内的总体结论。

以下是差评内容：
{comments}

使用建议：把这段模板接入工作流，替换 {comments} 即可。小团队也可以直接在对话界面里贴，但超过两三百条时建议走API跑批，稳定性更好。

几个避坑提醒

• 先抽样校验再全量跑。 先扔50条让AI归类，人工抽查20%看分类是否合理，不合理的先调提示词，再跑全量。垃圾进，垃圾出。
• 警惕幻觉。 明确要求「不要发明评论中不存在的细节」，并保留原文引述，方便回溯核查。
• 渠道要分开跑。 应用商店差评和客服工单语气、问题分布差异很大，混在一起会互相稀释，分渠道出表更有价值。
• 清单不是终点。 AI给你的是「问题分布图」，做什么、怎么做、排多少期，还是得靠人对产品的理解。

写在最后

差评是这个世界上最便宜、最真实的用户调研，只是它以最难读的形式呈现。AI把这层壳剥掉之后，独立开发者第一次可以跟大公司一样，用结构化的方式倾听用户——而成本只是几次API调用。

如果你也在找稳定的大模型API服务来跑这类文本处理任务，可以试试 https://api.thistoken.ai/register ，注册即可开始接入，把你的差评堆变成下一版的改进清单。

---

不想折腾多家供应商的接入差异？在 https://api.thistoken.ai/register 注册，用一个 base_url 调用所有模型。