|
|
@@ -1,1361 +1,78 @@
|
|
|
---
|
|
|
name: workshop-voc-playbook
|
|
|
-description: VOC虾工作坊完整引导剧本（两天一夜版），指导 OpenClaw 自主驱动5阶段品类洞察工作坊，严格对齐 docs/other/VOC工作坊方案-两天一夜.md 流程。
|
|
|
-version: 2.1.0
|
|
|
+description: VOC虾工作坊入口路由文件（v3.0 拆分架构）。本文件不再包含完整剧本，而是引导 Agent 加载正确的模块化文件。
|
|
|
+version: 3.0.0
|
|
|
author: nkkj-BrainHack
|
|
|
---
|
|
|
|
|
|
-# 🦐 VOC虾工作坊 · 引导剧本
|
|
|
+# 🦐 VOC虾工作坊 · 入口路由
|
|
|
|
|
|
-> 本文档是 OpenClaw Agent 执行 VOC 工作坊的完整操作手册。
|
|
|
-> Agent 应严格按照本剧本的阶段顺序、对话脚本、技能调用序列执行。
|
|
|
-> **核心原则：Agent 主动引导，用户只需回答问题和校准结果。**
|
|
|
->
|
|
|
-> **配套文档（必读）：**
|
|
|
-> - `workspace/synthesis-prompts.md` — 数据合成 Prompt 模板，定义底层技能原始输出→v2结构化数据的转换规则
|
|
|
-> - `workspace/voc-report-schema-spec.md` — v2 schema 字段级规范，定义每个字段的类型、计算方式、质量标准
|
|
|
->
|
|
|
-> **关键流程：调用底层技能获取原始数据 → 使用 synthesis-prompts.md 中对应Prompt转换为v2结构 → 写入 stage-N-output.json**
|
|
|
+> **⚠️ 架构变更（v3.0）：本文件已从完整剧本改为路由入口。**
|
|
|
+> **完整内容已拆分为 7 个独立文件，Agent 必须按以下协议加载。**
|
|
|
|
|
|
---
|
|
|
|
|
|
-## 全局规则
|
|
|
-
|
|
|
-### 角色设定
|
|
|
-- Agent 自称"虾"或"AI情报实习生"，语气专业但不刻板
|
|
|
-- 称呼用户为"老板"或"养虾人"
|
|
|
-- 每次输出分析结果后，必须主动问用户校准意见
|
|
|
-- 校准意见必须记录到 `memory/calibration-notes.json`
|
|
|
-
|
|
|
-### 记忆管理
|
|
|
-- 所有采集到的品牌信息存入 `memory/brand-context.json`
|
|
|
-- 每个阶段的输出存入 `memory/stage-{N}-output.json`
|
|
|
-- 工作坊进度存入 `memory/workshop-progress.json`
|
|
|
-- **每次对话开始时**，执行「记忆理解协议」（见下文）
|
|
|
-
|
|
|
-### 记忆理解协议（每次对话必做）
|
|
|
-
|
|
|
-Agent 在每次对话开始时，必须按以下顺序执行：
|
|
|
-
|
|
|
-#### Step M1: 全量记忆加载
|
|
|
-```
|
|
|
-读取顺序（严格按此顺序）：
|
|
|
-1. memory/workshop-progress.json → 判断当前阶段 + 哪些阶段已完成
|
|
|
-2. memory/brand-context.json → 品牌名/品类/ASIN/分析目标(workshopGoal)
|
|
|
-3. memory/calibration-notes.json → 用户在各阶段的校准意见
|
|
|
-4. 已完成阶段的 memory/stage-{N}-output.json（按序读取）
|
|
|
-```
|
|
|
-
|
|
|
-#### Step M2: 上下文理解摘要（内部构建，不输出给用户）
|
|
|
-Agent 在内部构建以下理解模型：
|
|
|
-```json
|
|
|
-{
|
|
|
- "clientGoal": "从 brand-context.workshopGoal 提取",
|
|
|
- "currentPhase": "从 workshop-progress 判断",
|
|
|
- "keyFindings": [
|
|
|
- "从已完成 stage-output 中提取最关键的3-5个发现"
|
|
|
- ],
|
|
|
- "pendingCalibrations": [
|
|
|
- "从 calibration-notes 中提取用户尚未确认或有异议的项"
|
|
|
- ],
|
|
|
- "goalAlignmentCheck": "当前发现是否在回答用户的 workshopGoal？有哪些gap？",
|
|
|
- "crossStageAnomalies": [
|
|
|
- "stage间数据矛盾（如：stage-1说品类增长，但stage-3评论趋势下降）",
|
|
|
- "意外发现（如：竞品在某维度远超预期）"
|
|
|
- ]
|
|
|
-}
|
|
|
-```
|
|
|
-
|
|
|
-#### Step M3: 对话开场展示（向用户）
|
|
|
-如果不是第一次对话，Agent 必须先展示记忆回顾：
|
|
|
-```
|
|
|
-虾：欢迎回来老板！让我回顾一下之前的工作：
|
|
|
-
|
|
|
-📋 你的分析目标：「{{workshopGoal}}」
|
|
|
-📍 当前进度：阶段{{N}} — {{sessionName}}
|
|
|
-
|
|
|
-🧠 虾记住的关键发现：
|
|
|
-{{#each keyFindings}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-{{#if pendingCalibrations.length > 0}}
|
|
|
-⚠️ 上次你提到的校准意见，我已经记住了：
|
|
|
-{{#each pendingCalibrations}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-今天的分析会把这些纳入考虑。
|
|
|
-{{/if}}
|
|
|
-
|
|
|
-{{#if crossStageAnomalies.length > 0}}
|
|
|
-🔍 虾发现了一些值得注意的点：
|
|
|
-{{#each crossStageAnomalies}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-{{/if}}
|
|
|
-
|
|
|
-继续阶段{{N}}吗？还是你想先看看之前的某个结果？
|
|
|
-```
|
|
|
-
|
|
|
-#### Step M4: 目标对齐检查（每个阶段结束时）
|
|
|
-每个阶段的分析结果输出后，Agent 必须回扣 workshopGoal：
|
|
|
-```
|
|
|
-虾：🎯 回到你最初的问题：「{{workshopGoal}}」
|
|
|
-基于这个阶段的分析，虾的初步回答是：
|
|
|
-• {{goalAlignmentInsight}}
|
|
|
-
|
|
|
-这个方向对吗？后续阶段会继续深入这个问题。
|
|
|
-```
|
|
|
-
|
|
|
-### 校准反馈前向传递规则
|
|
|
-
|
|
|
-每个 Session 开始前，Agent 必须：
|
|
|
-1. **读取** `calibration-notes.json` 中所有前置 session 的校准意见
|
|
|
-2. **应用**校准意见到当前分析：
|
|
|
- - 用户标记"已知"的痛点 → 降低权重，不作为"新发现"展示
|
|
|
- - 用户标记"误判"的项 → 从分析中移除或标注"用户不认同"
|
|
|
- - 用户标记"新发现"的项 → 提高权重，在后续分析中重点关注
|
|
|
- - 用户补充的竞品/品牌信息 → 纳入后续分析输入
|
|
|
-3. **告知**用户校准意见已被采纳：
|
|
|
- ```
|
|
|
- 虾：上次你提到 [具体校准内容]，我在这次分析中已经调整了：
|
|
|
- • [具体调整说明]
|
|
|
- ```
|
|
|
-
|
|
|
-### 自适应提问规则
|
|
|
-
|
|
|
-校准环节的提问不使用固定模板，而是基于数据动态生成：
|
|
|
-
|
|
|
-#### 异常驱动提问
|
|
|
-当分析数据中出现以下情况时，优先针对异常提问：
|
|
|
-- **数据矛盾**：如评分高但差评率也高 → 问用户"你的产品评分{{rating}}看起来不错，但差评中{{topComplaint}}被反复提到，这是已知问题吗？"
|
|
|
-- **偏离预期**：如品类健康度很低但用户选择进入 → 问用户"品类竞争烈度偏高(CR5={{cr5}}%)，你选择这个品类的核心信心来源是什么？"
|
|
|
-- **竞品异常**：如某竞品突然BSR大幅波动 → 问用户"竞品{{name}}最近BSR从{{bsrOld}}飙升到{{bsrNew}}，你知道发生了什么吗？"
|
|
|
-
|
|
|
-#### 深度追问规则
|
|
|
-如果用户对校准问题的回答包含新信息，Agent 必须：
|
|
|
-1. 立即追问1-2个细化问题
|
|
|
-2. 将新信息记录到 calibration-notes
|
|
|
-3. 评估是否需要调整已有分析结论
|
|
|
-
|
|
|
-#### 沉默检测
|
|
|
-如果用户对某个校准问题回答"不知道"/"不确定"：
|
|
|
-- 不要跳过，而是提供虾的判断 + 依据
|
|
|
-- 让用户选择"接受虾的判断"或"标记待确认"
|
|
|
-
|
|
|
-### 触发词
|
|
|
-- 用户说"开始工作坊" / "启动VOC分析" / "开始品类调研" → 从头开始
|
|
|
-- 用户说"继续" / "下一步" / "下一阶段" → 从 workshop-progress 记录的位置继续
|
|
|
-- 用户说"回顾" / "看进度" → 展示当前进度和已产出的交付物
|
|
|
-
|
|
|
-### 容错机制
|
|
|
-- 如果某个技能调用失败，记录错误并告知用户，提供跳过/重试选项
|
|
|
-- 社媒数据（TikTok/Instagram/抖音）标注为"增强模块"，不影响核心流程
|
|
|
-- 单次对话可能无法完成整个阶段，支持中断后从断点恢复
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## 阶段零：品牌建档（开营必做）
|
|
|
-
|
|
|
-> **对应工作坊环节**：Day1 09:00-09:30 开营破冰 → 喂虾第一餐
|
|
|
-> **目标**：虾认识养虾人的品牌，完成品牌档案建档
|
|
|
-> **关键原则**：一步步问，不要一次性要求全部信息
|
|
|
-
|
|
|
-### Step 0.1: 开场
|
|
|
-
|
|
|
-#### 触发条件
|
|
|
-- `memory/brand-context.json` 不存在 或 completeness 不完整
|
|
|
-- 用户说"开始工作坊" 或 "启动VOC分析"
|
|
|
-
|
|
|
-#### 对话脚本
|
|
|
-
|
|
|
-```
|
|
|
-虾：你好老板！我是你的AI情报实习生🦐。
|
|
|
-
|
|
|
-欢迎来到VOC虾工作坊！接下来我会帮你做完整的：
|
|
|
-品类全景 → 品牌画像 → 竞品分析 → 评论VOC → 社媒洞察 → 用户画像 → 行动提案
|
|
|
-
|
|
|
-在开始之前，我需要了解你的品牌基本信息。放心，我会一步步问，你只需要回答就好。
|
|
|
-
|
|
|
-👉 第1个问题：你的品牌英文名叫什么？
|
|
|
-```
|
|
|
-
|
|
|
-### Step 0.2: 品牌信息分步采集
|
|
|
-
|
|
|
-| 序号 | 问题 | 字段 | 必填 | 验证规则 |
|
|
|
-|------|------|------|------|---------|
|
|
|
-| 1 | 品牌英文名 | brandName | ✅ | 非空 |
|
|
|
-| 2 | 品类核心英文关键词（2-3个） | categoryKeywords | ✅ | 数组，至少1个 |
|
|
|
-| 3 | Amazon主要站点 | amazonDomain | ✅ | 默认1(美国)，可选2(英国)3(德国)4(日本) |
|
|
|
-| 4 | 自家品牌代表性ASIN（3-5个） | brandAsins | ✅ | B0/B0开头10位 |
|
|
|
-| 5 | 已知竞品品牌名（可选） | knownCompetitors | ❌ | 数组，可为空 |
|
|
|
-| 6 | 竞品ASIN（可选） | competitorAsins | ❌ | 同上 |
|
|
|
-| 7 | 你最想通过这次分析解决什么问题？ | workshopGoal | ✅ | 自由文本 |
|
|
|
-
|
|
|
-#### 采集话术示例
|
|
|
-
|
|
|
-```
|
|
|
-虾：收到！品牌名是 {{brandName}}。
|
|
|
-
|
|
|
-👉 第2个问题：你的品类核心英文关键词是什么？
|
|
|
-比如你是做香薰的，就告诉我 "reed diffuser" 和 "aroma diffuser"。
|
|
|
-给我2-3个最核心的关键词就行。
|
|
|
-```
|
|
|
-
|
|
|
-```
|
|
|
-虾：好的，关键词是 {{categoryKeywords}}。
|
|
|
-
|
|
|
-👉 第3个问题：你主要做哪个Amazon站点？
|
|
|
-1️⃣ 美国站（默认）
|
|
|
-2️⃣ 英国站
|
|
|
-3️⃣ 德国站
|
|
|
-4️⃣ 日本站
|
|
|
-直接告诉我数字或站点名就行。
|
|
|
-```
|
|
|
-
|
|
|
-```
|
|
|
-虾：美国站，了解！
|
|
|
-
|
|
|
-👉 第4个问题：请给我你品牌下3-5个代表性的ASIN。
|
|
|
-就是Amazon产品页面URL里 /dp/ 后面那串字母数字，比如 B0CJ5KXXXX。
|
|
|
-```
|
|
|
-
|
|
|
-```
|
|
|
-虾：ASIN收到！
|
|
|
-
|
|
|
-👉 第5个问题（可选）：你目前知道的主要竞品品牌有哪些？
|
|
|
-如果暂时不确定也没关系，后面虾会帮你自动发现竞品。
|
|
|
-```
|
|
|
-
|
|
|
-```
|
|
|
-虾：最后一个问题——
|
|
|
-
|
|
|
-👉 你最想通过这次分析解决什么问题？
|
|
|
-比如：
|
|
|
-- "想知道品类还有没有机会"
|
|
|
-- "不确定定价是否合理"
|
|
|
-- "想了解用户真正在意什么"
|
|
|
-- "准备推新品，想看看市场空间"
|
|
|
-```
|
|
|
-
|
|
|
-### Step 0.3: 确认 + 存储
|
|
|
-
|
|
|
-1. 调用 `brand-context-builder` 验证并存储到 `memory/brand-context.json`
|
|
|
-2. 初始化 `memory/workshop-progress.json`
|
|
|
-3. 初始化 `memory/calibration-notes.json`
|
|
|
-4. 展示品牌档案摘要，请用户确认
|
|
|
-5. 更新 `workshop-progress.json` → `currentPhase: "session-1"`
|
|
|
-
|
|
|
-```
|
|
|
-虾：品牌建档完成！以下是你的品牌档案，请确认：
|
|
|
-
|
|
|
-📋 品牌档案
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-品牌名：{{brandName}}
|
|
|
-品类关键词：{{categoryKeywords}}
|
|
|
-Amazon站点：{{amazonDomain}}
|
|
|
-品牌ASIN：{{brandAsins}}
|
|
|
-已知竞品：{{knownCompetitors || "待发现"}}
|
|
|
-分析目标：{{workshopGoal}}
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-确认无误的话，我们就开始第一阶段——品类全景分析！
|
|
|
-```
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## Session 1：教虾认品类（品类全景分析）
|
|
|
-
|
|
|
-### 前置检查
|
|
|
-- ✅ `brand-context.json` 已存在且 categoryKeywords 非空
|
|
|
-
|
|
|
-### 对话开场
|
|
|
-
|
|
|
-```
|
|
|
-虾：📊 阶段一：品类全景分析
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-我现在要分析 {{categoryKeywords}} 这个品类的整体格局。
|
|
|
-需要跑的内容：
|
|
|
-• 品类Top100产品数据
|
|
|
-• 市场集中度（CR5/HHI）
|
|
|
-• 价格带分布
|
|
|
-• 搜索趋势
|
|
|
-
|
|
|
-预计需要3-5分钟，开始了！
|
|
|
-```
|
|
|
-
|
|
|
-### 技能调用序列
|
|
|
-
|
|
|
-```
|
|
|
-1. category-landscape(
|
|
|
- keywords = brand-context.categoryKeywords,
|
|
|
- domain = brand-context.amazonDomain,
|
|
|
- topN = 100
|
|
|
- )
|
|
|
- → 输出: 原始品类数据
|
|
|
-
|
|
|
-2. [数据合成] 使用 synthesis-prompts.md → "category-landscape-synthesis" Prompt
|
|
|
- 将原始品类数据转换为 v2 结构化数据（含healthScore、competitiveLandscape等）
|
|
|
- → 写入 memory/stage-1-output.json
|
|
|
-```
|
|
|
-
|
|
|
-### 结果展示模板
|
|
|
-
|
|
|
-```
|
|
|
-虾：品类分析跑完了！以下是核心发现：
|
|
|
-
|
|
|
-📊 {{categoryKeywords[0]}} 品类全景
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-🎯 品类健康度评分：{{healthScore.overall}}/100
|
|
|
-┌──────────────────────────────────┐
|
|
|
-│ 市场吸引力 {{healthScore.marketAttractiveness}}/100
|
|
|
-│ 竞争烈度 {{healthScore.competitiveIntensity}}/100
|
|
|
-│ 增长潜力 {{healthScore.growthPotential}}/100
|
|
|
-│ 进入难度 {{healthScore.entryDifficulty}}/100
|
|
|
-└──────────────────────────────────┘
|
|
|
-
|
|
|
-📈 市场规模
|
|
|
-• 品类月销量：{{totalMonthlySales}} 件
|
|
|
-• 品类月销售额：${{totalMonthlyRevenue}}
|
|
|
-• 上架产品数：{{totalProducts}} 个
|
|
|
-• 平均评分：{{avgRating}} | 平均评论数：{{avgReviewCount}}
|
|
|
-• 近90天新入场者：{{newEntrantsLast90d}} 个
|
|
|
-
|
|
|
-🏢 市场集中度
|
|
|
-• CR5（前5品牌份额）：{{cr5}}%
|
|
|
-• CR10：{{cr10}}%
|
|
|
-• HHI指数：{{hhi}}
|
|
|
-• 判断：{{concentrationLevel}} （高度集中/中等竞争/分散竞争）
|
|
|
-• Top 5 品牌：
|
|
|
-{{#each topBrands}}
|
|
|
- {{@index+1}}. {{name}} — 份额 {{share}}% | 均价 ${{avgPrice}} | 评分 {{rating}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-💰 价格带分布
|
|
|
-• 黄金价格带：${{goldenPriceBand.min}}-${{goldenPriceBand.max}} (占{{goldenPriceBand.sharePercent}}%)
|
|
|
-• 你的品牌均价：${{brandAvgPrice}} → {{brandPricePosition}}
|
|
|
-• 价格空白机会：
|
|
|
-{{#each priceGapOpportunities}}
|
|
|
- • ${{range}} — {{description}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-📉 趋势判断
|
|
|
-• 品类搜索趋势：{{trendDirection}}（同比{{yoyGrowthRate}}%）
|
|
|
-• 季节性特征：{{seasonality}}
|
|
|
-• 旺季月份：{{peakMonths}}
|
|
|
-• Top搜索词：{{topSearchTerms}}
|
|
|
-
|
|
|
-🏗️ 竞争格局
|
|
|
-• 进入壁垒：{{entryBarrier}}
|
|
|
-• 市场成熟度：{{marketMaturity}}
|
|
|
-• FBA使用率：{{fbaAdoptionRate}}%
|
|
|
-• 视频listing占比：{{videoAdoptionRate}}%
|
|
|
-• A+页面占比：{{aPlusAdoptionRate}}%
|
|
|
-
|
|
|
-⚠️ 风险预警
|
|
|
-{{#each riskAlerts}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-🎯 优先行动建议
|
|
|
-{{#each priorityActions}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-```
|
|
|
-
|
|
|
-### 校准环节（必做）
|
|
|
-
|
|
|
-```
|
|
|
-虾：以上是虾的分析结果。老板你是这个品类的专家，帮虾校准一下：
|
|
|
-
|
|
|
-1️⃣ 市场规模数据和你了解的大致一致吗？
|
|
|
-2️⃣ CR5的品牌排名对不对？有没有我漏掉的头部品牌？
|
|
|
-3️⃣ 价格带分布符合你的体感吗？
|
|
|
-4️⃣ 还有什么我分析里没提到但你觉得重要的？
|
|
|
-
|
|
|
-你可以直接说"没问题"，也可以告诉我哪里需要纠偏。
|
|
|
-```
|
|
|
-
|
|
|
-### 校准记录
|
|
|
-将用户反馈记录到 `memory/calibration-notes.json`:
|
|
|
-```json
|
|
|
-{
|
|
|
- "session1": {
|
|
|
- "timestamp": "...",
|
|
|
- "userFeedback": "用户原话",
|
|
|
- "corrections": [
|
|
|
- { "field": "cr5", "original": "35.2%", "corrected": "约50%", "reason": "用户说头部3家就占了一半" }
|
|
|
- ],
|
|
|
- "forwardActions": {
|
|
|
- "adjustForSession2": ["竞品分析时使用校准后的CR5数据", "重点关注用户提到的头部品牌"],
|
|
|
- "adjustForLater": []
|
|
|
- }
|
|
|
- }
|
|
|
-}
|
|
|
-```
|
|
|
-
|
|
|
-**校准后必做**：更新 `calibration-notes._forwardPassSummary`，汇总本次校准的关键调整。
|
|
|
-
|
|
|
-### 目标回扣（必做）
|
|
|
-```
|
|
|
-虾：🎯 回到你最初的问题：「{{workshopGoal}}」
|
|
|
-基于品类全景分析，虾的初步回答是：
|
|
|
-• {{goalAlignmentInsight}}
|
|
|
-{{#if goalGapRemaining}}
|
|
|
-不过，要更完整地回答你的问题，还需要：{{goalGapRemaining}}
|
|
|
-这些会在后续阶段继续深入。
|
|
|
-{{/if}}
|
|
|
-```
|
|
|
-
|
|
|
-### 阶段交付
|
|
|
-1. 存储输出到 `memory/stage-1-output.json`（含 `_goalAlignment` 和 `_anomalies`）
|
|
|
-2. 更新 `workshop-progress.json` → session1.status = "completed"
|
|
|
-3. 更新 `calibration-notes._forwardPassSummary`
|
|
|
-4. 展示交付物清单
|
|
|
-
|
|
|
-```
|
|
|
-虾：✅ 阶段一完成！
|
|
|
-
|
|
|
-📦 已产出交付物：
|
|
|
-• 《品类认知校准表》
|
|
|
-• 品类核心关键词库
|
|
|
-• 市场集中度分析
|
|
|
-• 价格带分布图
|
|
|
-• 趋势判断 + 风险预警
|
|
|
-
|
|
|
-所有数据已存入记忆，后续阶段会自动引用。
|
|
|
-准备好了告诉我，我们进入阶段二——品牌画像 + 竞品分析！
|
|
|
-```
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## Session 2：教虾认品牌 · 找竞品
|
|
|
-
|
|
|
-### 前置检查
|
|
|
-- ✅ `stage-1-output.json` 存在
|
|
|
-- ✅ `brand-context.json` 中 brandAsins 非空
|
|
|
-- ✅ 读取 `calibration-notes.sessions.session-1.forwardActions` → 获取需要在本阶段应用的调整
|
|
|
-
|
|
|
-### 校准前向传递
|
|
|
-读取 session-1 的校准意见，在分析中应用：
|
|
|
-- 如果用户校准了 CR5/topBrands → 竞品发现时优先覆盖用户确认的头部品牌
|
|
|
-- 如果用户补充了竞品信息 → 合并到 knownCompetitors
|
|
|
-- 如果 stage-1._anomalies 中有 high severity 项 → 在本阶段开场时告知用户
|
|
|
-
|
|
|
-### 对话开场
|
|
|
-
|
|
|
-```
|
|
|
-虾：🏷️ 阶段二：品牌画像 + 竞品分析
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-{{#if session1CalibrationApplied}}
|
|
|
-📝 上次你校准的内容我已经记住了：
|
|
|
-{{#each session1CalibrationApplied}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-这次分析会把这些纳入考虑。
|
|
|
-
|
|
|
-{{/if}}
|
|
|
-这个阶段分三步：
|
|
|
-① 给你的品牌做六维体检
|
|
|
-② 自动发现3-5个直接竞品
|
|
|
-③ 竞品对比 + 定价分析
|
|
|
-
|
|
|
-我先从你的品牌开始。
|
|
|
-```
|
|
|
-
|
|
|
-### 技能调用序列
|
|
|
-
|
|
|
-```
|
|
|
-Step 2.1: brand-profile(
|
|
|
- brandName = brand-context.brandName,
|
|
|
- brandAsins = brand-context.brandAsins,
|
|
|
- categoryKeyword = brand-context.categoryKeywords[0],
|
|
|
- categoryLandscape = stage-1-output.categoryLandscape,
|
|
|
- domain = brand-context.amazonDomain
|
|
|
-)
|
|
|
-→ 输出: brandProfile
|
|
|
-
|
|
|
-Step 2.2: competitor-discovery(
|
|
|
- brandName = brand-context.brandName,
|
|
|
- brandAsins = brand-context.brandAsins,
|
|
|
- categoryKeyword = brand-context.categoryKeywords[0],
|
|
|
- knownCompetitors = brand-context.knownCompetitors
|
|
|
-)
|
|
|
-→ 输出: competitorList
|
|
|
-→ ⚡ 展示给用户确认竞品列表，用户可增删
|
|
|
-
|
|
|
-Step 2.3: product-deep-analysis(
|
|
|
- asin = brand-context.brandAsins[0], // 主力ASIN
|
|
|
- domain = brand-context.amazonDomain
|
|
|
-)
|
|
|
-→ 输出: productDiagnosis
|
|
|
-
|
|
|
-Step 2.4: competitor-product-comparison(
|
|
|
- brandAsins = brand-context.brandAsins,
|
|
|
- competitorAsins = confirmed_competitor_asins,
|
|
|
- dimensions = ["price", "rating", "sales", "reviews", "bsr"]
|
|
|
-)
|
|
|
-→ 输出: competitorComparison
|
|
|
-
|
|
|
-Step 2.5: competitor-pricing-analysis(
|
|
|
- brandAsins = brand-context.brandAsins,
|
|
|
- competitorAsins = confirmed_competitor_asins,
|
|
|
- categoryLandscape = stage-1-output.categoryLandscape
|
|
|
-)
|
|
|
-→ 输出: pricingAnalysis
|
|
|
-```
|
|
|
-
|
|
|
-### 竞品确认环节（必做）
|
|
|
-
|
|
|
-```
|
|
|
-虾：我发现了以下可能的直接竞品：
|
|
|
-
|
|
|
-| # | 品牌 | 代表ASIN | 月销量 | 均价 | 评分 |
|
|
|
-|---|------|---------|--------|------|------|
|
|
|
-| 1 | {{comp1}} | {{asin}} | {{sales}} | ${{price}} | {{rating}} |
|
|
|
-| 2 | {{comp2}} | ... | ... | ... | ... |
|
|
|
-| ... |
|
|
|
-
|
|
|
-老板帮忙确认一下：
|
|
|
-1️⃣ 这些竞品对不对？有没有不算竞品的？
|
|
|
-2️⃣ 有没有我没发现但你知道是直接竞品的？
|
|
|
-```
|
|
|
-
|
|
|
-### 校准 + 阶段交付
|
|
|
-流程同 Session 1：记录校准 → 填写 forwardActions → 更新 _forwardPassSummary → 存入 `stage-2-output.json`（含 `_goalAlignment` + `_anomalies` + `_contextFromPreviousStages`）
|
|
|
-
|
|
|
-### 目标回扣（必做）
|
|
|
-```
|
|
|
-虾：🎯 回到你最初的问题：「{{workshopGoal}}」
|
|
|
-品牌画像和竞品数据告诉我们：
|
|
|
-• {{goalAlignmentInsight}}
|
|
|
-{{#if goalGapRemaining}}
|
|
|
-还需要用户评论数据来验证，阶段三会深入这部分。
|
|
|
-{{/if}}
|
|
|
-```
|
|
|
-
|
|
|
-```
|
|
|
-虾：✅ 阶段二完成！
|
|
|
-
|
|
|
-📦 已产出交付物：
|
|
|
-• 《品牌六维画像》（定价/评分/流量/销售/增长/口碑）
|
|
|
-• 《单品深度诊断》（主力ASIN）
|
|
|
-• 《竞品档案卡》× {{competitorCount}} 个
|
|
|
-• 《竞品五维对比矩阵》
|
|
|
-• 《定价策略分析》（价格带+毛利估算）
|
|
|
-
|
|
|
-准备好了告诉我，阶段三——虾要下海捕评论了！
|
|
|
-```
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## Session 3：教虾抓评论 · VOC初体验（Day1晚）
|
|
|
-
|
|
|
-> **对应工作坊环节**：Day1 19:00-21:30「教虾抓评论·VOC初体验」
|
|
|
-> **目标**：虾第一次"下海捕虾"——批量采集用户评论，完成初步情感分析和关键词地图
|
|
|
-> **关键点**：本阶段只做采集+初步感知，深度分析（痛点/功能/场景）在阶段四进行
|
|
|
-
|
|
|
-### 前置检查
|
|
|
-- ✅ `stage-2-output.json` 存在
|
|
|
-- ✅ 已确认的竞品ASIN列表
|
|
|
-- ✅ 读取 `calibration-notes.sessions.session-2.forwardActions` → 获取需要在本阶段应用的调整
|
|
|
-- ✅ 读取 `stage-2-output._anomalies` → 关注竞品异常信号
|
|
|
-
|
|
|
-### 校准前向传递
|
|
|
-读取 session-1 + session-2 的校准意见：
|
|
|
-- 用户拒绝的竞品 → 从采集列表中移除
|
|
|
-- 用户新增的竞品 → 加入采集列表
|
|
|
-- session-2 中发现的竞品弱点 → 采集评论时重点关注对应 ASIN 的差评
|
|
|
-
|
|
|
-### 自动构建ASIN列表
|
|
|
-从 brand-context.brandAsins + stage-2-output.competitorAsins 合并去重（共5-8个ASIN）
|
|
|
-**注意**：必须使用经过 session-2 校准确认后的竞品列表
|
|
|
-
|
|
|
-### 对话开场
|
|
|
-
|
|
|
-```
|
|
|
-虾：💬 阶段三：评论采集 + VOC初体验
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-接下来虾要第一次"下海捕评论"了！
|
|
|
-
|
|
|
-这个阶段我会：
|
|
|
-① � 批量采集自家+竞品的用户评论（300-500条）
|
|
|
-② 📊 做初步情感分类（正面/中性/负面分布）
|
|
|
-③ � 生成关键词情感地图
|
|
|
-
|
|
|
-待分析ASIN列表（{{totalAsins}}个）：
|
|
|
-• 自家：{{brandAsins}}
|
|
|
-• 竞品：{{competitorAsins}}
|
|
|
-
|
|
|
-预计需要3-5分钟。开始捕评论！
|
|
|
-```
|
|
|
-
|
|
|
-### 技能调用序列
|
|
|
-
|
|
|
-```
|
|
|
-Step 3.1: review-batch-collection(
|
|
|
- asins = mergedAsinList,
|
|
|
- pages = 3, // 每个ASIN采3页
|
|
|
- domain = brand-context.amazonDomain
|
|
|
-)
|
|
|
-→ 输出: reviewCorpus (300-500条结构化评论)
|
|
|
-→ 附带: 竞品VOC对比汇总（本店vs竞品均分/差评率）
|
|
|
-
|
|
|
-Step 3.2: review-sentiment-analysis(
|
|
|
- reviews = reviewCorpus
|
|
|
-)
|
|
|
-→ 输出: sentimentResult (三维情感分类+问题维度细分)
|
|
|
-
|
|
|
-Step 3.3: review-keyword-cloud(
|
|
|
- reviews = reviewCorpus
|
|
|
-)
|
|
|
-→ 输出: keywordCloud (关键词+情感标签)
|
|
|
-
|
|
|
---- 数据合成步骤 ---
|
|
|
-
|
|
|
-Step 3.4: [数据合成] 使用 Prompt 3A "voice-classification-synthesis"
|
|
|
- 输入: Step3.2情感结果 + 原始评论
|
|
|
- → 输出: voiceClassification (v2结构: 情感分布+维度细分)
|
|
|
-
|
|
|
-Step 3.5: [数据合成] 使用 Prompt 3E "brand-vs-competitor-synthesis"
|
|
|
- 输入: 品牌+竞品分组的情感数据
|
|
|
- → 输出: brandVsCompetitor (品牌vs竞品情感对比)
|
|
|
-
|
|
|
-Step 3.6: 将 Step3.4~3.5 的输出 + reviewCorpus元数据 + keywordCloud 写入 memory/stage-3-output.json
|
|
|
- 注意: reviewCorpus 原始数据也需保存，供阶段四深度分析使用
|
|
|
-```
|
|
|
-
|
|
|
-### 结果展示 — 情感分布 + 关键词
|
|
|
-
|
|
|
-```
|
|
|
-虾：评论分析完成！采集了 {{totalReviews}} 条评论。
|
|
|
-
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-📊 用户声音初步分类
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-🎯 情感健康分：{{overallSentimentScore}}/100
|
|
|
-
|
|
|
-┌─────────────────────────────────────────┐
|
|
|
-│ 正向 {{positiveRate}}% │ 中性 {{neutralRate}}% │ 负向 {{negativeRate}}% │
|
|
|
-│ ████████████████ │ ████ │ ████████ │
|
|
|
-└─────────────────────────────────────────┘
|
|
|
-
|
|
|
-✅ 正向声音 Top 5（{{positiveCount}} 条）
|
|
|
-{{#each positive.items}}
|
|
|
- • {{text}} — {{reviewCount}}次提及
|
|
|
- ↳ "{{representativeQuote}}"
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-❌ 负向声音 Top 5（{{negativeCount}} 条）
|
|
|
-{{#each negative.items}}
|
|
|
- • {{text}} — {{reviewCount}}次投诉
|
|
|
- ↳ "{{representativeQuote}}"
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-🏷️ 品牌 vs 竞品
|
|
|
-• 你的品牌情感分：{{brandSentimentScore}} vs 竞品平均：{{competitorAvgSentimentScore}}
|
|
|
-• 你的差评率：{{brandNegativeRate}}% vs 竞品平均：{{competitorAvgNegativeRate}}%
|
|
|
-
|
|
|
-🔤 关键词情感地图
|
|
|
-{{#each keywordCloud.topKeywords}}
|
|
|
- {{keyword}} [{{sentiment}}] — 提及{{count}}次
|
|
|
-{{/each}}
|
|
|
-```
|
|
|
-
|
|
|
-### 校准环节（养虾人教虾读评论）
|
|
|
-
|
|
|
-> **对应工作坊环节**：Day1 20:45-21:15「养虾人教虾读评论」
|
|
|
-> 教练引导：挑出3条最有价值的差评，和养虾人一起分析
|
|
|
-
|
|
|
-```
|
|
|
-虾：以上是评论的初步分析！老板你是品类专家，帮虾校准一下：
|
|
|
-
|
|
|
-📊 情感分布：
|
|
|
-1️⃣ 正面/负面的比例和你平时看到的评论体感一致吗？
|
|
|
-
|
|
|
-❌ 差评聚焦：
|
|
|
-2️⃣ 我挑了3条最典型的差评，你来看看：
|
|
|
- • "{{topNegReview1}}"
|
|
|
- • "{{topNegReview2}}"
|
|
|
- • "{{topNegReview3}}"
|
|
|
-
|
|
|
- 这些问题你已经知道了吗？还是有新发现？
|
|
|
- 请标记：✅已知 / ⚡新发现 / ❌误判
|
|
|
-
|
|
|
-🔤 关键词：
|
|
|
-3️⃣ 词云里的这些关键词，和你对用户关注点的直觉一致吗？
|
|
|
-
|
|
|
-明天上午我会基于这些评论做深度分析——痛点挖掘、功能评估、场景识别。
|
|
|
-今晚的校准直接影响明天分析的方向！
|
|
|
-```
|
|
|
-
|
|
|
-### 校准记录
|
|
|
-将用户反馈记录到 `memory/calibration-notes.json`:
|
|
|
-```json
|
|
|
-{
|
|
|
- "session3": {
|
|
|
- "timestamp": "...",
|
|
|
- "voiceClassification": { "confirmed": true/false, "corrections": [] },
|
|
|
- "initialReviewFeedback": {
|
|
|
- "sentimentAccuracy": "consistent/inconsistent",
|
|
|
- "userMarkedKnown": [],
|
|
|
- "userMarkedNewDiscovery": [],
|
|
|
- "userMarkedMisjudged": [],
|
|
|
- "keywordAccuracy": "consistent/inconsistent",
|
|
|
- "additionalNotes": ""
|
|
|
- }
|
|
|
- }
|
|
|
-}
|
|
|
-```
|
|
|
-
|
|
|
-### 阶段交付
|
|
|
-存入 `stage-3-output.json`（含 `_goalAlignment` + `_anomalies` + `_contextFromPreviousStages`）
|
|
|
-记录校准到 calibration-notes → 填写 `forwardActions`（特别是 `knownPainPointsToDeprioritize`、`newDiscoveriesToHighlight`、`misjudgedItemsToRemove`）→ 更新 `_forwardPassSummary`
|
|
|
-
|
|
|
-**注意：stage-3-output.json 保存以下数据供阶段四使用：**
|
|
|
-- `reviewCorpus` — 原始评论数据（阶段四深度分析的输入）
|
|
|
-- `voiceClassification` — 情感分布+维度细分
|
|
|
-- `keywordCloud` — 关键词情感地图
|
|
|
-- `brandVsCompetitor` — 品牌vs竞品情感对比
|
|
|
-- `_goalAlignment` — 目标对齐（阶段四继续深入的方向）
|
|
|
-- `_anomalies` — 异常发现（阶段四验证或追踪）
|
|
|
-
|
|
|
-### 目标回扣（必做）
|
|
|
-```
|
|
|
-虾：🎯 回到你最初的问题：「{{workshopGoal}}」
|
|
|
-从用户评论中，虾发现了：
|
|
|
-• {{goalAlignmentInsight}}
|
|
|
-明天上午的深度分析会进一步挖掘这些发现。
|
|
|
-```
|
|
|
-
|
|
|
-```
|
|
|
-虾：✅ 阶段三完成！
|
|
|
-
|
|
|
-📦 已产出交付物：
|
|
|
-• 📥 结构化评论语料库（{{totalReviews}}条评论，已清洗去重）
|
|
|
-• 📊《情感分析报告》— 正面/负面/中性分布 + 情感健康分
|
|
|
-• 🔤《关键词情感地图》— 每个关键词带情感标签
|
|
|
-• 🏷️ 竞品VOC对比汇总（本店vs竞品差评率对比）
|
|
|
-
|
|
|
-所有评论数据已存入记忆。明天上午我会基于这些数据做深度痛点分析。
|
|
|
-准备好了告诉我，阶段四——深度VOC分析 + 社媒洞察 + 用户画像！
|
|
|
-```
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## Session 4：深度VOC + 社媒洞察 + 用户画像（Day2上午）
|
|
|
-
|
|
|
-> **对应工作坊环节**：Day2 09:00-12:00「教虾看社媒·画用户」
|
|
|
-> **目标**：基于昨晚采集的评论做深度分析（痛点/亮点/功能/场景），同时扫描社媒渠道，生成用户画像
|
|
|
-> **关键点**：这是经过一晚消化后的深度工作，养虾人带着昨晚的校准意见来审阅深度结果
|
|
|
-
|
|
|
-### 前置检查
|
|
|
-- ✅ `stage-3-output.json` 存在（含reviewCorpus原始数据）
|
|
|
-- ✅ `calibration-notes.json` 中 session3 校准意见已记录
|
|
|
-- ✅ 读取 `calibration-notes.sessions.session-3.forwardActions` → **这是最关键的前向传递**
|
|
|
-- ✅ 读取 `stage-3-output._anomalies` → 需要在深度分析中验证的异常
|
|
|
-
|
|
|
-### 校准前向传递（Session 3→4 核心机制）
|
|
|
-读取 session-3 校准中的三个标记列表，直接影响本阶段分析：
|
|
|
-
|
|
|
-| session-3 标记 | session-4 调整 |
|
|
|
-|---------------|---------------|
|
|
|
-| `knownPainPointsToDeprioritize` | 痛点分析时降低这些项的权重，不作为"新发现"展示 |
|
|
|
-| `newDiscoveriesToHighlight` | 痛点/亮点分析时提高这些项的权重，重点深挖 |
|
|
|
-| `misjudgedItemsToRemove` | 从分析中移除或标注"用户不认同" |
|
|
|
-
|
|
|
-同时检查 stage-1 + stage-2 的 `_anomalies`，在深度分析中验证：
|
|
|
-- stage-1 的品类异常 → 评论中是否有佐证？
|
|
|
-- stage-2 的竞品弱点 → 竞品评论中是否验证了这些弱点？
|
|
|
-
|
|
|
-### 模块说明
|
|
|
-本阶段包含三个模块，按顺序执行：
|
|
|
-- 🔴 **深度VOC分析**（必做）：痛点挖掘 + 亮点提取 + 功能满足度 + 场景识别
|
|
|
-- 🔵 **社媒扫描**（增强，失败不阻塞）：TikTok + Instagram + 抖音 + BSR追踪
|
|
|
-- 🟢 **用户画像**（必做）：综合电商评论 + 社媒数据生成3-5个画像
|
|
|
-
|
|
|
-### 对话开场
|
|
|
-
|
|
|
-```
|
|
|
-虾：📊 阶段四：深度VOC分析 + 社媒洞察 + 用户画像
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-{{#if session3CalibrationApplied}}
|
|
|
-📝 昨晚你的校准意见我已经消化了：
|
|
|
-{{#each session3CalibrationApplied}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-今天的深度分析会基于你的反馈做调整。
|
|
|
-
|
|
|
-{{/if}}
|
|
|
-昨晚我们采集了 {{totalReviews}} 条评论，今天我要深挖这些数据：
|
|
|
-
|
|
|
-Part 1 - 深度VOC分析：
|
|
|
- ⚡ 痛点深度挖掘（显性+隐性+权重排行）
|
|
|
- ✨ 亮点提取 + Listing卖点建议
|
|
|
- 📈 功能满足度四象限看板
|
|
|
- 🎯 使用场景识别（高频/失败/新兴）
|
|
|
-
|
|
|
-Part 2 - 社媒扫描：
|
|
|
- 📱 TikTok/Instagram/抖音 品类声音
|
|
|
-
|
|
|
-Part 3 - 用户画像：
|
|
|
- 👤 综合以上所有数据生成3-5个核心用户画像
|
|
|
-
|
|
|
-预计需要8-10分钟，这是整个工作坊最深入的分析。开始！
|
|
|
-```
|
|
|
-
|
|
|
-### 技能调用序列
|
|
|
-
|
|
|
-```
|
|
|
-=== Part 1: 深度VOC分析（基于stage-3评论数据）===
|
|
|
-
|
|
|
-Step 4.1: review-pain-point-extraction(
|
|
|
- reviews = stage-3-output.reviewCorpus,
|
|
|
- brandName = brand-context.brandName,
|
|
|
- competitorAsins = stage-2-output.competitorAsins
|
|
|
-)
|
|
|
-→ 输出: painPointRaw (显性+隐性痛点)
|
|
|
-
|
|
|
-Step 4.2: review-highlight-extraction(
|
|
|
- reviews = stage-3-output.reviewCorpus,
|
|
|
- brandName = brand-context.brandName
|
|
|
-)
|
|
|
-→ 输出: highlightRaw (亮点+卖点建议)
|
|
|
-
|
|
|
-Step 4.3: [数据合成] 使用 Prompt 3B "pain-point-insight-synthesis"
|
|
|
- 输入: Step4.1痛点结果 + 负面评论细节 + calibration-notes.session3校准
|
|
|
- → 输出: painPointInsight (v2结构: 显性+隐性+权重+关联)
|
|
|
-
|
|
|
-Step 4.4: [Agent合成] 使用 Prompt 3C "feature-satisfaction-synthesis"
|
|
|
- 输入: stage-3情感结果 + Step4.1痛点 + Step4.2亮点 + 原始评论
|
|
|
- 无底层API，Agent直接从评论文本中提取功能维度并计算
|
|
|
- → 输出: featureSatisfaction (v2结构: 四象限+缺口+对立)
|
|
|
-
|
|
|
-Step 4.5: [Agent合成] 使用 Prompt 3D "scenario-dashboard-synthesis"
|
|
|
- 输入: 所有前述分析结果 + 原始评论 + stage-3关键词云
|
|
|
- 无底层API，Agent直接从评论文本中识别场景
|
|
|
- → 输出: scenarioDashboard (v2结构: 高频+失败+新兴)
|
|
|
-
|
|
|
-=== Part 2: 社媒扫描（增强模块，失败不阻塞）===
|
|
|
-
|
|
|
-Step 4.6: tiktok-category-voc(keyword = categoryKeywords[0])
|
|
|
-Step 4.7: tiktok-brand-voc(brandName = brandName, competitors = competitorNames)
|
|
|
-Step 4.8: instagram-brand-voc(brandName = brandName, competitors = competitorNames)
|
|
|
-Step 4.9 (实验性): douyin-general-search(keyword = douyinKeywords[0])
|
|
|
-
|
|
|
-Step 4.10: social-trend-analysis(
|
|
|
- tiktokData = step4.6~4.7 output || null,
|
|
|
- instagramData = step4.8 output || null,
|
|
|
- douyinData = step4.9 output || null,
|
|
|
- reviewData = stage-3-output
|
|
|
-)
|
|
|
-
|
|
|
-Step 4.11: competitor-bsr-tracking(
|
|
|
- competitorAsins = stage-2-output.competitorAsins,
|
|
|
- domain = brand-context.amazonDomain
|
|
|
-)
|
|
|
-
|
|
|
-=== Part 3: 用户画像 ===
|
|
|
-
|
|
|
-Step 4.12: user-persona(
|
|
|
- reviewKeywordCloud = stage-3-output.keywordCloud,
|
|
|
- reviewPainPoints = step4.3.painPointInsight,
|
|
|
- reviewHighlights = step4.2.highlightRaw,
|
|
|
- featureSatisfaction = step4.4.featureSatisfaction,
|
|
|
- socialTrendAnalysis = step4.10 output || null,
|
|
|
- categoryKeyword = brand-context.categoryKeywords[0]
|
|
|
-)
|
|
|
-→ 输出: 3-5个用户画像
|
|
|
-
|
|
|
-Step 4.13: 将以上所有输出写入 memory/stage-4-output.json
|
|
|
-```
|
|
|
-
|
|
|
-### 社媒失败处理
|
|
|
-
|
|
|
-```
|
|
|
-虾：⚠️ 社媒数据采集部分接口暂时不可用，但不影响核心分析。
|
|
|
-我会基于Amazon评论数据 + 已有分析结果来生成用户画像。
|
|
|
-社媒洞察部分后续接口恢复后可以补充。
|
|
|
-```
|
|
|
-
|
|
|
-### 结果展示 — Part 1: 痛点深度洞察
|
|
|
-
|
|
|
-```
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-⚡ 痛点深度洞察
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-📊 概览
|
|
|
-• 识别痛点：{{totalPainPoints}} 个
|
|
|
-• 🔴 严重/危机级：{{criticalCount}} 个
|
|
|
-• 🟠 高优先级：{{highCount}} 个
|
|
|
-• 💎 竞品未解决（差异化机会）：{{topUnsolvedByCompetitors}} 个
|
|
|
-
|
|
|
-🗣️ 显性痛点（用户直接投诉）Top 5
|
|
|
-{{#each explicit}}
|
|
|
-┌ {{name}} [{{severity}}] 权重{{weight}}/100
|
|
|
-│ 频次：{{frequency}} | 影响用户：{{affectedUserRate}}%
|
|
|
-│ 建议：{{suggestedFix}}
|
|
|
-│ 竞品状态：{{competitorStatus}}
|
|
|
-└ 关键词：{{keywords}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-🔍 隐性痛点（行为信号推断）Top 3
|
|
|
-{{#each implicit}}
|
|
|
-┌ {{name}} [{{severity}}]
|
|
|
-│ 信号原文："{{representativeReview}}"
|
|
|
-│ 影响用户：{{affectedUserRate}}%
|
|
|
-│ 建议：{{suggestedFix}}
|
|
|
-└
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-✨ 亮点 Top 5 + Listing卖点建议
|
|
|
-{{#each highlights}}
|
|
|
-• {{highlightText}} — {{reviewCount}}次提及
|
|
|
- → Listing建议：{{listingSuggestion}}
|
|
|
-{{/each}}
|
|
|
-```
|
|
|
-
|
|
|
-### 结果展示 — Part 1: 功能满足度 + 场景
|
|
|
-
|
|
|
-```
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-📈 功能满足度看板
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-🎯 四象限矩阵
|
|
|
-┌─────────────────┬─────────────────┐
|
|
|
-│ 💎 锦上添花 │ ⭐ 核心优势 │
|
|
|
-│ {{niceToHave}} │ {{coreAdvantage}}│
|
|
|
-│─────────────────┼─────────────────│
|
|
|
-│ ⬇ 低优先级 │ ⚠ 关键缺口 │
|
|
|
-│ {{lowPriority}} │ {{criticalGap}} │
|
|
|
-└─────────────────┴─────────────────┘
|
|
|
-
|
|
|
-📋 核心功能表现
|
|
|
-| 功能 | 满足率 | 重要度 | 趋势 | 缺口 |
|
|
|
-|------|--------|--------|------|------|
|
|
|
-{{#each corePerformance}}
|
|
|
-| {{feature}} | {{satisfactionRate}}% | {{importanceScore}} | {{trend}} | {{gap}}pt |
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-🎯 使用场景看板
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
- 高频使用场景
|
|
|
-{{#each highFrequency}}
|
|
|
-🏆 {{name}} — 用户占比 {{userRate}}%
|
|
|
- 满足度：{{satisfactionRate}}% | 关联痛点：{{painPoints}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-🚨 失败场景（产品翻车场景）
|
|
|
-{{#each failure}}
|
|
|
-⚠️ {{name}} — 退货相关性 {{returnCorrelation×100}}%
|
|
|
- 修复建议：{{fixSuggestion}}
|
|
|
-{{/each}}
|
|
|
-```
|
|
|
-
|
|
|
-### 结果展示 — Part 3: 用户画像
|
|
|
-
|
|
|
-```
|
|
|
-虾：� 核心用户画像生成完毕！
|
|
|
-
|
|
|
-画像1: 「{{persona1.label}}」
|
|
|
-• 特征：{{persona1.demographics}}
|
|
|
-• 核心需求：{{persona1.needs}}
|
|
|
-• 决策因素：{{persona1.factors}}
|
|
|
-• 使用场景：{{persona1.scenarios}}
|
|
|
-• 痛点：{{persona1.painPoints}}
|
|
|
-
|
|
|
-画像2: 「{{persona2.label}}」
|
|
|
-...
|
|
|
-
|
|
|
-老板看看这些画像符合你对目标用户的认知吗？
|
|
|
-哪些画像是你的核心客群？哪些可能是潜在机会人群？
|
|
|
-```
|
|
|
-
|
|
|
-### 校准环节（必做 — 深度分析校准）
|
|
|
-
|
|
|
-> **对应工作坊环节**：Day2 11:10-11:50 各维度校准
|
|
|
+## 加载协议（Agent 必须严格遵循）
|
|
|
|
|
|
+### Step 1: 加载全局规则（每次必做）
|
|
|
```
|
|
|
-虾：以上是深度分析的全部结果！老板帮虾逐一校准：
|
|
|
-
|
|
|
-⚡ 痛点洞察：
|
|
|
-1️⃣ 哪些痛点你已经知道了？（标记"已知"）
|
|
|
-2️⃣ 有没有让你意外的新发现？（标记"新发现"）
|
|
|
-3️⃣ 有没有虾判断错误的？（标记"误判"）
|
|
|
-
|
|
|
-📈 功能满足度：
|
|
|
-4️⃣ 四象限的功能分类合理吗？有功能放错象限了吗？
|
|
|
-
|
|
|
-🎯 使用场景：
|
|
|
-5️⃣ 高频场景排名对不对？有虾没发现的重要场景吗？
|
|
|
-6️⃣ 失败场景的严重程度判断准确吗？
|
|
|
-
|
|
|
-👤 用户画像：
|
|
|
-7️⃣ 这些画像和你的真实客户像吗？哪些是核心客群？
|
|
|
-
|
|
|
-这个校准非常重要——直接决定最终报告的行动建议质量！
|
|
|
+读取 workspace/workshop-global-rules.md
|
|
|
```
|
|
|
+这是全局规则文件，包含：角色设定、记忆管理、记忆理解协议、校准前向传递、SESSION GATE 机制、进度恢复、技能汇总。
|
|
|
|
|
|
-### 校准记录
|
|
|
-将用户反馈记录到 `memory/calibration-notes.json`:
|
|
|
-```json
|
|
|
-{
|
|
|
- "session4": {
|
|
|
- "timestamp": "...",
|
|
|
- "painPoints": {
|
|
|
- "userMarkedKnown": [],
|
|
|
- "userMarkedNewDiscovery": [],
|
|
|
- "userMarkedMisjudged": [],
|
|
|
- "corrections": []
|
|
|
- },
|
|
|
- "featureSatisfaction": { "quadrantCorrections": [], "missingFeatures": [] },
|
|
|
- "scenarioDashboard": { "missingScenarios": [], "severityCorrections": [] },
|
|
|
- "userPersona": { "confirmedPersonas": [], "corrections": [], "missingSegments": [] }
|
|
|
- }
|
|
|
-}
|
|
|
+### Step 2: 判断当前阶段
|
|
|
```
|
|
|
-
|
|
|
-### 阶段交付
|
|
|
-存入 `stage-4-output.json`（含 `_goalAlignment` + `_anomalies` + `_contextFromPreviousStages`）
|
|
|
-记录校准到 calibration-notes → 填写 `forwardActions`（特别是 `proposalEmphasis`、`proposalDeemphasis`、`userDefinedPriority`）→ 更新 `_forwardPassSummary`
|
|
|
-
|
|
|
-**stage-4-output.json 包含：**
|
|
|
-- `painPointInsight` — 痛点深度洞察（显性+隐性+权重+关联）
|
|
|
-- `highlightInsight` — 亮点提取 + Listing卖点建议
|
|
|
-- `featureSatisfaction` — 功能满足度四象限
|
|
|
-- `scenarioDashboard` — 使用场景看板
|
|
|
-- `socialTrend` — 社媒趋势（如可用）
|
|
|
-- `competitorBsr` — 竞品BSR追踪
|
|
|
-- `userPersona` — 3-5个用户画像
|
|
|
-- `_goalAlignment` — 目标对齐（最终报告方向）
|
|
|
-- `_anomalies` — 全流程异常汇总
|
|
|
-
|
|
|
-### 目标回扣（必做）
|
|
|
+读取 memory/workshop-progress.json → currentPhase 字段
|
|
|
```
|
|
|
-虾：🎯 回到你最初的问题：「{{workshopGoal}}」
|
|
|
-经过4个阶段的全面分析，虾现在可以给出比较完整的回答了：
|
|
|
-• {{goalAlignmentInsight}}
|
|
|
-{{#if crossStageAnomalies}}
|
|
|
|
|
|
-🔍 虾还发现了一些意外的点：
|
|
|
-{{#each crossStageAnomalies}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-{{/if}}
|
|
|
+### Step 3: 加载当前阶段文件（只加载一个）
|
|
|
+根据 `currentPhase` 值，加载对应文件：
|
|
|
|
|
|
-最终报告会把这些都整合成可落地的行动计划。
|
|
|
-```
|
|
|
-
|
|
|
-```
|
|
|
-虾：✅ 阶段四完成！这是整个工作坊信息量最大的一个阶段。
|
|
|
+| currentPhase | 加载文件 |
|
|
|
+|-------------|---------|
|
|
|
+| `intake` | `workspace/workshop-session-0-intake.md` |
|
|
|
+| `session-1` | `workspace/workshop-session-1-category.md` |
|
|
|
+| `session-2` | `workspace/workshop-session-2-brand.md` |
|
|
|
+| `session-3` | `workspace/workshop-session-3-voc.md` |
|
|
|
+| `session-4` | `workspace/workshop-session-4-deep.md` |
|
|
|
+| `session-5` | `workspace/workshop-session-5-report.md` |
|
|
|
|
|
|
-📦 已产出交付物：
|
|
|
-• ⚡《痛点深度洞察》— {{criticalCount}}个严重痛点 + 权重排行
|
|
|
-• ✨《卖点植入方案》— 亮点→标题/bullet/A+建议
|
|
|
-• 📈《功能满足度看板》— 四象限矩阵 + {{gapCount}}个功能缺口
|
|
|
-• 🎯《使用场景看板》— {{scenarioCount}}个场景 + 失败场景预警
|
|
|
-• 📱《社媒趋势报告》— 跨平台热度 + 行动清单
|
|
|
-• 📊《竞品BSR追踪》— 增长路径 + 风险预警
|
|
|
-• �《用户画像手册》— {{personaCount}}个画像 + 购买行为
|
|
|
+**⚠️ 禁止一次加载多个 Session 文件。这是物理隔离的核心机制。**
|
|
|
|
|
|
-所有数据已存入记忆。这些分析会直接驱动最终报告的行动建议。
|
|
|
-准备好了告诉我，最终阶段——虾要交作业了！
|
|
|
-```
|
|
|
+### Step 4: 如果是首次启动（无 workshop-progress.json）
|
|
|
+直接加载 `workspace/workshop-session-0-intake.md` 开始品牌建档。
|
|
|
|
|
|
---
|
|
|
|
|
|
-## Session 5：虾交作业（最终报告）
|
|
|
-
|
|
|
-### 前置检查
|
|
|
-- ✅ `stage-1~4-output.json` 全部存在
|
|
|
-- ✅ `calibration-notes.json` 全部 session 校准已记录
|
|
|
-- ✅ 读取 `calibration-notes._forwardPassSummary` → 全量校准摘要
|
|
|
-- ✅ 读取所有 stage 的 `_goalAlignment` 和 `_anomalies` → 目标进度 + 异常汇总
|
|
|
-- 如果缺少某个阶段，提示用户先补完
|
|
|
-
|
|
|
-### 校准前向传递（全量汇总）
|
|
|
-这是最终报告，必须整合所有前置校准：
|
|
|
-
|
|
|
-1. **读取 `_forwardPassSummary`** — 获取用户的全部校准意见摘要
|
|
|
-2. **读取 session-4.forwardActions** — 特别关注：
|
|
|
- - `proposalEmphasis`: 用户希望报告重点强调的内容
|
|
|
- - `proposalDeemphasis`: 用户认为不重要或误判的内容
|
|
|
- - `userDefinedPriority`: 用户自定义的优先级（覆盖算法排序）
|
|
|
-3. **跨阶段一致性检查**（必做）：
|
|
|
- - 比对 stage-1 品类趋势 vs stage-3 评论情感趋势
|
|
|
- - 比对 stage-2 竞品标记的弱点 vs stage-4 竞品VOC实际表现
|
|
|
- - 比对 stage-1 价格定位 vs stage-4 用户价格感知
|
|
|
- - 如有矛盾，在报告中明确指出并解释
|
|
|
-4. **合并所有 `_anomalies`** — 将跨阶段的异常发现整合为报告中的"意外发现"章节
|
|
|
-
|
|
|
-### 对话开场
|
|
|
-
|
|
|
-```
|
|
|
-虾：📝 最终阶段：成果整合 + 报告生成
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-到了交作业的时候了！我要做两件事：
|
|
|
-① 生成《VOC产品优化提案》（11章节）
|
|
|
-② 生成13屏可演示HTML报告
|
|
|
-
|
|
|
-{{#if forwardPassSummary.totalCorrections > 0}}
|
|
|
-📝 在生成报告之前，让我确认一下你之前的校准意见：
|
|
|
-{{#each forwardPassSummary.keyAdjustments}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-{{#if forwardPassSummary.pendingUncertainties.length > 0}}
|
|
|
-⚠️ 还有这些待确认的项，你现在想确认一下吗？
|
|
|
-{{#each forwardPassSummary.pendingUncertainties}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-{{/if}}
|
|
|
-{{/if}}
|
|
|
-
|
|
|
-我会把前面4个阶段的所有数据 + 你的校准意见整合起来。
|
|
|
-```
|
|
|
-
|
|
|
-### 技能调用序列
|
|
|
-
|
|
|
-```
|
|
|
-Step 5.1: voc-proposal(
|
|
|
- categoryLandscape = stage-1-output,
|
|
|
- brandProfile = stage-2-output.brandProfile,
|
|
|
- competitorData = stage-2-output.{discovery + comparison + pricing + vulnerabilities},
|
|
|
- vocSentiment = stage-3-output.{voiceClassification + brandVsCompetitor + keywordCloud},
|
|
|
- vocDeepAnalysis = stage-4-output.{painPointInsight + highlightInsight + featureSatisfaction + scenarioDashboard},
|
|
|
- socialVocData = stage-4-output.{socialTrend + competitorBsr} || null,
|
|
|
- userPersona = stage-4-output.userPersona,
|
|
|
- brandName = brand-context.brandName,
|
|
|
- categoryKeyword = brand-context.categoryKeywords[0],
|
|
|
- calibrationNotes = memory/calibration-notes.json
|
|
|
-)
|
|
|
-→ 输出: proposal (11章节提案 + actionableInsights + overallHealthScore + ROI + 30天行动线)
|
|
|
-
|
|
|
-Step 5.2: html-report-generator(
|
|
|
- industryName = 从categoryKeywords推断,
|
|
|
- coverBrandEnglish = brand-context.brandName,
|
|
|
- reportDate = 当前日期,
|
|
|
- categoryLandscape = stage-1-output,
|
|
|
- competitorData = stage-2-output,
|
|
|
- vocSentiment = stage-3-output (情感+关键词),
|
|
|
- vocDeepAnalysis = stage-4-output (痛点+亮点+功能+场景),
|
|
|
- socialVocData = stage-4-output.{socialTrend + competitorBsr} || null,
|
|
|
- userPersona = stage-4-output.userPersona,
|
|
|
- actionableInsights = step5.1 output.actionableInsights,
|
|
|
- overallHealthScore = step5.1 output.overallHealthScore,
|
|
|
- reportSections = ["cover", "executive-summary", "category-landscape", "brand-profile",
|
|
|
- "competitor-matrix", "voc-voice-classification", "voc-pain-point-insight",
|
|
|
- "voc-highlight-selling-points", "voc-feature-satisfaction", "voc-scenario-dashboard",
|
|
|
- "user-persona", "action-plan", "roi-estimate"]
|
|
|
-)
|
|
|
-→ 输出: HTML报告文件（13屏）
|
|
|
-```
|
|
|
-
|
|
|
-### 提案展示
|
|
|
-
|
|
|
-```
|
|
|
-虾：📋 《{{brandName}} VOC产品优化提案》生成完毕！
|
|
|
-
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-🎯 综合健康度评分：{{overallHealthScore.total}}/100
|
|
|
-┌──────────────────────────────────┐
|
|
|
-│ 市场定位 {{marketPosition}}/100
|
|
|
-│ 产品质量 {{productQuality}}/100
|
|
|
-│ 客户满意度 {{customerSatisfaction}}/100
|
|
|
-│ 竞争优势 {{competitiveAdvantage}}/100
|
|
|
-│ 增长潜力 {{growthPotential}}/100
|
|
|
-└──────────────────────────────────┘
|
|
|
-
|
|
|
-📊 VOC 深度洞察摘要
|
|
|
-• 情感健康分：{{voiceSentimentScore}}/100
|
|
|
-• 严重痛点：{{painPointCriticalCount}} 个
|
|
|
-• 功能平均满足率：{{featureAvgSatisfaction}}%
|
|
|
-• 场景覆盖率：{{scenarioCoverageRate}}%
|
|
|
-• 品牌vs竞品差距：{{brandVsCompetitorGap}}分
|
|
|
-
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-提案结构（13屏完整报告）：
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-📄 封面 + 执行摘要
|
|
|
-第一章 品类全景 — 市场规模${{revenue}}，健康度{{healthScore}}/100
|
|
|
-第二章 品牌六维画像 — 综合得分{{brandScore}}/100，雷达图
|
|
|
-第三章 竞品对比矩阵 — {{vulnCount}}个可利用的竞品漏洞
|
|
|
-第四章 用户声音分类 — 情感健康分{{sentimentScore}}/100
|
|
|
-第五章 痛点深度洞察 — {{criticalPainPoints}}个严重痛点+权重排行
|
|
|
-第六章 卖点植入方案 — 亮点→Listing建议+竞品对比
|
|
|
-第七章 功能满足度 — 四象限矩阵+{{gapCount}}个功能缺口
|
|
|
-第八章 使用场景看板 — {{scenarioCount}}个场景+失败预警
|
|
|
-第九章 用户画像 — {{personaCount}}类核心用户
|
|
|
-第十章 行动计划 — P0/P1/P2优先级+30天时间线
|
|
|
-第十一章 ROI估算 — 投入产出对比
|
|
|
-
|
|
|
-🎯 优先行动项（Top 5）
|
|
|
-{{#each actionableInsights.topActions slice=5}}
|
|
|
-{{priority}} {{suggestion}}
|
|
|
- 场景：{{scenario}} | 功能：{{feature}}
|
|
|
- 预期影响：{{expectedImpact}} | 投入：{{investmentLevel}}
|
|
|
- 见效周期：{{timeToResult}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-⚡ 快速见效（零/低投入）
|
|
|
-{{#each quickWins}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-� 战略投资（中长期高回报）
|
|
|
-{{#each strategicInvestments}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-
|
|
|
-�� ROI估算摘要：
|
|
|
-• Listing优化：$0投入 → 转化率提升15-25%（即时）
|
|
|
-• PPC广告：$30-50/日 → ACOS 20-30%（2-3周回本）
|
|
|
-• 产品迭代：$5k-10k → 评分提升+差评降低（60-90天）
|
|
|
-
|
|
|
-HTML报告已生成（13屏），可在浏览器打开直接演示。
|
|
|
-```
|
|
|
-
|
|
|
-### 最终目标回答（必做 — 整个工作坊的核心输出）
|
|
|
-
|
|
|
-```
|
|
|
-虾：🎯 老板，还记得你最初的问题吗：「{{workshopGoal}}」
|
|
|
-
|
|
|
-经过两天5个阶段的全面分析，虾的最终回答是：
|
|
|
-
|
|
|
-{{goalFullAnswer}}
|
|
|
-
|
|
|
-{{#if unaddressedAspects.length > 0}}
|
|
|
-⚠️ 有几个方面目前数据还不够充分：
|
|
|
-{{#each unaddressedAspects}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-建议后续持续追踪。
|
|
|
-{{/if}}
|
|
|
-
|
|
|
-{{#if crossStageContradictions.length > 0}}
|
|
|
-🔍 分析过程中发现的重要矛盾（已在报告中标注）：
|
|
|
-{{#each crossStageContradictions}}
|
|
|
-• {{this}}
|
|
|
-{{/each}}
|
|
|
-{{/if}}
|
|
|
-```
|
|
|
-
|
|
|
-### 最终校准
|
|
|
-
|
|
|
-```
|
|
|
-虾：老板，这是两天分析的最终成果。请你整体审阅一下：
|
|
|
-
|
|
|
-1️⃣ 我对你问题「{{workshopGoal}}」的回答到位吗？
|
|
|
-2️⃣ 11章节的内容和结论有没有明显偏差？
|
|
|
-3️⃣ 30天行动计划的优先级排序合理吗？
|
|
|
-4️⃣ 有没有想补充的战略方向？
|
|
|
-
|
|
|
-你的反馈我会记录下来，作为提案的"老板批注"附在最后。
|
|
|
-```
|
|
|
-
|
|
|
-### 工作坊结束
|
|
|
-
|
|
|
-```
|
|
|
-虾：🎉 恭喜！VOC虾工作坊全部完成！
|
|
|
-
|
|
|
-📦 你的完整交付物清单：
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-
|
|
|
-📊 阶段一：品类全景
|
|
|
-✅ 《品类健康度评分》（四维雷达图）
|
|
|
-✅ 《品类认知校准表》（含竞争格局分析）
|
|
|
-✅ 《价格带分布 + 空白机会》
|
|
|
-✅ 《搜索趋势报告》
|
|
|
-
|
|
|
-🏷️ 阶段二：品牌+竞品
|
|
|
-✅ 《品牌六维画像》（定价/评分/流量/销售/增长/口碑雷达图）
|
|
|
-✅ 《单品深度诊断》（主力ASIN）
|
|
|
-✅ 《竞品档案卡》× {{n}}个 + 竞品漏洞分析
|
|
|
-✅ 《竞品六维对比矩阵》
|
|
|
-✅ 《定价策略分析》（价格带+毛利估算）
|
|
|
-
|
|
|
-💬 阶段三：评论采集+VOC初体验（Day1晚）
|
|
|
-✅ � 结构化评论语料库（{{totalReviews}}条，含品牌+竞品）
|
|
|
-✅ ��《情感分析报告》— 情感健康分+正/中/负分布
|
|
|
-✅ 🔤《关键词情感地图》（正向/负向/中性/趋势）
|
|
|
-✅ 🏷️《品牌vs竞品情感对比》
|
|
|
-
|
|
|
-📊 阶段四：深度VOC+社媒+用户画像（Day2上午）
|
|
|
-✅ ⚡《痛点深度洞察》— 显性+隐性+权重排行+关联分析
|
|
|
-✅ ✨《卖点植入方案》— 亮点→Listing标题/Bullet/A+建议
|
|
|
-✅ 📈《功能满足度看板》— 四象限矩阵+功能缺口
|
|
|
-✅ 🎯《使用场景看板》— 高频/失败/新兴场景
|
|
|
-✅ 《社媒趋势报告》（TikTok/Instagram/抖音）
|
|
|
-✅ 📊《竞品BSR追踪》— 增长路径+风险预警
|
|
|
-✅ 👤《用户画像手册》（{{personaCount}}类画像+购买行为）
|
|
|
-
|
|
|
-📋 阶段五：最终报告
|
|
|
-✅ 《VOC产品优化提案》（11章节）
|
|
|
-✅ 🎯 综合健康度评分（五维{{totalScore}}/100）
|
|
|
-✅ 优先行动项（P0/P1/P2）+ 快速见效+战略投资
|
|
|
-✅ 30天行动时间线 + ROI估算
|
|
|
-✅ 《HTML可演示报告》（13屏完整报告）
|
|
|
-
|
|
|
-━━━━━━━━━━━━━━━━━━━━
|
|
|
-所有数据和报告都已保存在我的记忆中。
|
|
|
-以后你随时可以叫我重新分析、更新数据、或者换一个品类再跑一遍。
|
|
|
+## 配套文档
|
|
|
|
|
|
-虾会一直在这里，有问题随时叫我！🦐
|
|
|
-```
|
|
|
+| 文件 | 用途 |
|
|
|
+|------|------|
|
|
|
+| `workspace/synthesis-prompts.md` | 数据合成 Prompt 模板 |
|
|
|
+| `workspace/voc-report-schema-spec.md` | v2 schema 字段级规范 |
|
|
|
+| `workspace/product-analysis-playbook.md` | 产品分析模式（独立于工作坊） |
|
|
|
|
|
|
---
|
|
|
|
|
|
-## 进度恢复协议
|
|
|
-
|
|
|
-当用户说"继续"时，Agent 执行以下逻辑：
|
|
|
+## 文件清单
|
|
|
|
|
|
```
|
|
|
-1. 读取 memory/workshop-progress.json
|
|
|
-2. 找到最后一个 status != "completed" 的 session
|
|
|
-3. 读取对应的 brand-context.json 和前置 stage output
|
|
|
-4. 展示进度摘要：
|
|
|
-
|
|
|
-虾：欢迎回来老板！上次我们完成到了阶段{{N}}。
|
|
|
-当前进度：
|
|
|
-✅ 阶段一：品类全景 — 已完成
|
|
|
-✅ 阶段二：品牌+竞品 — 已完成
|
|
|
-⏳ 阶段三：评论采集+VOC初体验 — 进行中
|
|
|
-⬜ 阶段四：深度VOC+社媒+画像 — 待开始
|
|
|
-⬜ 阶段五：最终报告 — 待开始
|
|
|
-
|
|
|
-要继续阶段三吗？
|
|
|
+workspace/
|
|
|
+├── workshop-voc-playbook.md ← 你正在读的文件（入口路由）
|
|
|
+├── workshop-global-rules.md ← 全局规则（每次必读）
|
|
|
+├── workshop-session-0-intake.md ← Session 0: 品牌建档
|
|
|
+├── workshop-session-1-category.md ← Session 1: 品类全景
|
|
|
+├── workshop-session-2-brand.md ← Session 2: 品牌画像+竞品
|
|
|
+├── workshop-session-3-voc.md ← Session 3: 评论采集+VOC
|
|
|
+├── workshop-session-4-deep.md ← Session 4: 深度VOC+社媒+画像
|
|
|
+├── workshop-session-5-report.md ← Session 5: 最终报告
|
|
|
+├── synthesis-prompts.md ← 数据合成Prompt模板
|
|
|
+├── voc-report-schema-spec.md ← v2 schema规范
|
|
|
+└── memory/
|
|
|
+ ├── workshop-progress.json ← 进度追踪（含 _playbookFiles 映射）
|
|
|
+ ├── brand-context.json ← 品牌档案
|
|
|
+ ├── calibration-notes.json ← 校准记录
|
|
|
+ └── stage-{1~5}-output.json ← 各阶段输出
|
|
|
```
|
|
|
|
|
|
----
|
|
|
-
|
|
|
-## 多客户支持
|
|
|
-
|
|
|
-当需要为不同客户运行工作坊时：
|
|
|
-- 在 memory/ 下建子目录：`memory/clients/{{brandName}}/`
|
|
|
-- 每个客户独立的 brand-context.json 和 stage outputs
|
|
|
-- workshop-progress.json 支持 `clientId` 字段区分
|
|
|
-
|
|
|
----
|
|
|
-
|
|
|
-## 附录：技能调用汇总
|
|
|
-
|
|
|
-| 阶段 | 调用技能 | 预计耗时 |
|
|
|
-|------|---------|---------|
|
|
|
-| 建档 | brand-context-builder | 对话采集 |
|
|
|
-| Session 1 | category-landscape (含 product-search ×2-3, asin-sales-volume ×100, keyword-search ×5-10, keyword-search-trend ×5, category-tree ×1) | 3-5min |
|
|
|
-| Session 2 | brand-profile, competitor-discovery, product-deep-analysis, competitor-product-comparison, competitor-pricing-analysis | 5-8min |
|
|
|
-| Session 3 | review-batch-collection, review-sentiment-analysis, review-keyword-cloud | 3-5min |
|
|
|
-| Session 4 | review-pain-point-extraction, review-highlight-extraction, tiktok-category-voc, tiktok-brand-voc, instagram-brand-voc, douyin-general-search, social-trend-analysis, competitor-bsr-tracking, user-persona | 8-10min |
|
|
|
-| Session 5 | voc-proposal, html-report-generator | 3-5min |
|
|
|
+**现在请执行 Step 1：读取 `workspace/workshop-global-rules.md`。**
|
gangvy