synthesis-prompts.md 28 KB
VOC 工作坊 · 数据合成 Prompt 模板
本文档是 OpenClaw Agent 在执行 VOC 工作坊时的数据转换指令集。 当 Agent 从底层技能获取原始数据后，使用对应的 Prompt 模板将其加工为 v2 schema 结构化数据。 每个 Prompt 都是自包含的：包含输入说明、转换逻辑、输出 JSON 格式。
Stage 1：品类全景 → stage-1-output.json
Prompt: category-landscape-synthesis
输入数据：
product-search返回的品类搜索结果（产品列表、价格、评分、BSR）asin-sales-volume返回的销量数据（批量ASIN销量）
转换指令：
你是一个电商品类分析师。基于以下原始数据，生成品类全景分析报告。
== 原始数据 ==
{rawProductSearchData}
{rawSalesVolumeData}
== 计算规则 ==
1. marketOverview:
- totalMonthlySales: 所有产品月销量之和
- totalMonthlyRevenue: Σ(各产品价格 × 月销量)
- totalProducts: 搜索结果中的产品总数
- avgPrice: 所有产品价格的算术平均
- medianPrice: 所有产品价格的中位数
- avgRating: 所有产品评分的加权平均（按评论数加权）
- avgReviewCount: 所有产品评论数的平均
- newEntrantsLast90d: 评论数<50且上架时间<90天的产品数（通过reviewCount推断）
2. concentration:
- 按品牌聚合销量，计算Top5品牌的销量份额 → cr5
- 按品牌聚合销量，计算Top10品牌的销量份额 → cr10
- HHI = Σ(每个品牌市场份额的平方) × 10000
- concentrationLevel: HHI>2500→"高度集中", 1500-2500→"中等竞争", <1500→"分散竞争"
- topBrands: Top5品牌 [{name, share(%), avgPrice, rating, productCount, topAsin}]
3. priceBands:
- 将价格分为5档（按五分位数），统计每档的产品数量和销量份额
- goldenPriceBand: 销量份额最高的价格带 {min, max, sharePercent}
- brandPricePosition: 用户品牌均价相对于goldenPriceBand的位置描述
- priceGapOpportunities: 产品数少但搜索需求存在的价格空白区间
4. searchTrend:
- trendDirection: 根据搜索量数据判断 "上升"/"稳定"/"下降"
- seasonality: 是否有明显季节波动
- peakMonths: 搜索量最高的月份
- yoyGrowthRate: 同比增长率(%)
- topSearchTerms: 品类相关高频搜索词Top10
- searchVolumeTrend: 近12个月搜索量数组
5. competitiveLandscape:
- entryBarrier: 评论数中位数>500→"high", 200-500→"medium", <200→"low"
- marketMaturity: 根据新品比例+品牌集中度判断 "emerging"/"growing"/"mature"/"declining"
- fbaAdoptionRate: FBA配送产品占比(%)
- videoAdoptionRate: 有视频的listing占比(%)
- aPlusAdoptionRate: 有A+页面的listing占比(%)（通过描述长度>1000字推断）
6. healthScore (每个维度0-100):
- marketAttractiveness: 基于市场规模×增长率计算
- 月销额>$100万且增长>10% → 80-100
- 月销额>$50万或增长>5% → 60-80
- 其他 → 40-60
- competitiveIntensity: 基于CR5反向计算
- CR5<20%(分散) → 80+（竞争不激烈，好进入）
- CR5 20-50% → 50-80
- CR5>50%(高集中) → 20-50（竞争激烈）
- growthPotential: 基于搜索趋势+新品率
- 趋势上升+新品>15% → 80+
- 趋势稳定 → 50-70
- 趋势下降 → 20-50
- entryDifficulty: 评论门槛+品牌集中度反向
- 评论中位数<100且CR5<30% → 80+（容易进入）
- 评论中位数>500且CR5>50% → 20-40（难进入）
- overall: 四个维度的加权平均 (吸引力30% + 增长30% + 竞争20% + 进入20%)
7. riskAlerts: 识别风险项
- 价格战风险（如果最低价<均价50%）
- 评论门槛高（中位数>500）
- 品牌垄断（CR5>60%）
- 季节性风险（旺季淡季销量差>3倍）
8. priorityActions: 基于分析给出3-5条建议
== 目标对齐（必填） ==
9. _goalAlignment:
- workshopGoal: 原样复制 brand-context.workshopGoal
- goalRelevantFindings: 从品类数据中提取与用户目标直接相关的3-5条发现
例如用户目标是"想知道品类还有没有机会" → 提取健康度评分+新入场者数量+价格空白
例如用户目标是"不确定定价是否合理" → 提取黄金价格带+品牌价格定位+竞品均价
- goalGapRemaining: 当前阶段还无法回答用户目标的哪些方面？
- nextStageDirection: 下一阶段应重点关注什么来继续回答用户目标？
10. _anomalies: 识别数据中的异常/矛盾/意外发现
每项: { "type": "contradiction|surprise|risk", "description": "描述", "severity": "high|medium|low" }
例如:
- 评分高但销量低 → surprise
- CR5极高但新入场者很多 → contradiction
- 品类搜索量急跌 → risk
== 输出要求 ==
严格按照 stage-1-output.json v2 schema 输出JSON，包括 _goalAlignment 和 _anomalies。
所有数字字段必须是实际计算值，不能为0或null。
Stage 2：品牌画像+竞品 → stage-2-output.json
Prompt: brand-profile-synthesis
输入数据：
product-detail-query返回的品牌产品详情asin-sales-volume返回的品牌产品销量product-reviews-query返回的评论概况- Stage 1 的品类基准数据
转换指令：
你是一个品牌战略分析师。基于以下原始数据和品类基准，生成品牌六维画像和竞品分析。
== 原始数据 ==
{rawProductDetails}
{rawSalesVolume}
{rawReviewSamples}
{stage1CategoryLandscape}
== 计算规则 ==
1. brandProfile.dimensions (每个维度0-100):
- pricing.score: 品牌均价在品类价格分布中的百分位
若均价在黄金价格带内 → 70-90分
若偏高/偏低但有合理定位 → 50-70分
- pricing.rank: "Top X%" 百分位排名
- pricing.detail: 具体数据说明（如"均价$24.99，品类中位价$27.99"）
- rating.score: (品牌平均评分 / 5.0) × 100，再根据差评率调整
- traffic.score: BSR中位数在品类中的百分位（BSR越低→分越高）
- sales.score: 品牌月总销量 / 品类Top1销量 × 100
- growth.score: 综合判断（新品数量、销量趋势、BSR变化）
- reputation.score: (好评率×0.6 + 评论增速百分位×0.4) × 100
- overallScore: 六维加权平均（定价20%+评分20%+流量15%+销售15%+增长15%+口碑15%）
2. productDiagnosis (主力ASIN):
- 选择销量最高的ASIN
- listingScore: 评估标题长度(20分)+bullet完整度(20分)+图片数量(20分)+评分(20分)+A+(20分)
- listingIssues: 列出扣分项
- imageAnalysis: 统计图片数、是否有视频、是否有A+
- pricingHealth: 当前价格 vs 竞品平均价格
- reviewHealth: 评分、评论数、最近评论趋势、Top投诉
3. competitorComparison:
- matrix: 每个竞品在 [price, rating, sales, reviews, bsr, listing_quality] 维度的得分
- competitorProfiles: 每个竞品的简要画像
- vulnerabilities: 竞品的弱点 [{competitorName, vulnerability, exploitStrategy, expectedImpact}]
- threats: 竞品的威胁 [{competitorName, threat, defensiveStrategy}]
4. pricingAnalysis:
- recommendedPriceRange: 基于黄金价格带和竞品定位
- marginEstimate: 按Amazon费用结构估算（FBA费+佣金15%+广告10%）
- pricingStrategy: 建议的定价策略描述
== 上下文传递（必填） ==
5. _contextFromPreviousStages:
- stage1KeyMetrics: 从 stage-1-output 中提取 healthScore.overall, concentration.cr5, goldenPriceBand, trendDirection
- stage1CalibrationApplied: 从 calibration-notes.session-1 中提取用户已做的校准修正
→ 如果用户校准了 cr5 或 topBrands，竞品分析必须使用校准后的值
6. _goalAlignment:
- workshopGoal: 原样复制
- goalRelevantFindings: 品牌画像+竞品数据中与用户目标直接相关的发现
- goalGapRemaining: 还缺什么才能回答用户目标？
- nextStageDirection: 评论VOC阶段应重点关注什么？
7. _anomalies: 识别异常
例如:
- 品牌评分高于品类均值但BSR很低 → surprise
- 竞品定价远低于成本线 → risk
- stage-1判断品类分散但Top品牌实际占据大量份额 → contradiction（与stage-1矛盾）
== 输出要求 ==
严格按照 stage-2-output.json v2 schema 输出JSON，包括 _goalAlignment、_anomalies、_contextFromPreviousStages。
Stage 3：VOC 深度分析 · 四维度转换
Prompt 3A: voice-classification-synthesis
输入数据：
review-sentiment-analysis返回的情感分析结果（reviewSentiments, asinAggregation, globalHotPhrases）review-highlight-extraction返回的亮点数据review-batch-collection返回的原始评论语料
转换指令：
你是一个VOC用户声音分析专家。基于以下评论情感分析结果，生成符合v2规范的用户声音分类数据。
== 原始数据 ==
{sentimentAnalysisOutput}
{highlightExtractionOutput}
{rawReviewCorpus}
== 转换规则 ==
1. summary:
- totalReviews: reviewSentiments数组长度
- positiveRate: sentiment=="positive"的百分比
- neutralRate: sentiment=="neutral"的百分比
- negativeRate: sentiment=="negative"的百分比
- overallSentimentScore: positiveRate×1.0 + neutralRate×0.5（满分100）
2. positive/neutral/negative 各分类:
- 从globalHotPhrases和reviewSentiments中提取该极性的声音
- 每个声音项 items[]:
{
"text": "归纳的声音描述（中文）",
"reviewCount": 提及次数,
"keywords": 关联关键词3-5个,
"representativeQuote": 选一条最典型的原文评论（≤120字英文原文）
}
- 按reviewCount降序排列
- topKeywords: 该极性Top10高频词
- positive额外: avgRating = 正向评论的平均星级
- neutral额外: suggestions = 从3星评论中提取的改进建议
- negative额外: returnRateImpact = 差评中提到"return/refund/send back"的比例(%)
3. categoryBreakdown:
遍历所有评论，按以下5个维度分类:
- function: 涉及功能/性能/效果的评论
- quality: 涉及质量/材质/耐用性的评论
- description: 涉及描述准确性/图片一致性的评论
- service: 涉及客服/售后/退换的评论
- logistics: 涉及物流/包装/配送的评论
每个维度统计:
{
"category": "function",
"label": "功能相关",
"count": 该维度评论数,
"percentage": 占比(%),
"sentimentDist": { "positive": X%, "neutral": Y%, "negative": Z% },
"topKeywords": 该维度Top5关键词,
"sampleReviews": 选3条代表性评论 [{ "star": N, "content": "...", "date": "..." }]
}
== 输出JSON格式 ==
直接输出 voiceClassification 对象（不含外层key）。
Prompt 3B: pain-point-insight-synthesis
输入数据：
review-pain-point-extraction返回的痛点数据（painPoints, categoryBreakdown, opportunityGaps, vocOptimizationAdvice）review-sentiment-analysis的负面评论细节review-batch-collection原始评论
转换指令：
你是一个产品痛点分析专家。基于以下痛点提取结果，生成符合v2规范的痛点深度洞察数据。
== 原始数据 ==
{painPointExtractionOutput}
{negativeSentimentDetails}
{rawReviewCorpus}
== 转换规则 ==
1. summary:
- totalPainPoints: 所有识别出的痛点数
- criticalCount: severity=="critical"或severity=="high"且frequency>30的痛点数
- highCount: severity=="high"的痛点数
- topUnsolvedByCompetitors: opportunityGaps的长度（竞品也没解决的）
- avgWeightScore: 所有痛点weight的平均值
2. explicit[] — 显性痛点（从原始painPoints中severity>=medium的）:
对每个原始痛点转换为:
{
"name": painPoint.label（中文简称）,
"description": 1-2句话描述,
"severity": 重新评估（critical/high/medium/low）:
- priorityScore>80 → critical
- priorityScore 60-80 → high
- priorityScore 40-60 → medium
- priorityScore<40 → low,
"frequency": painPoint.frequency,
"affectedUserRate": painPoint.frequencyRate,
"weight": 综合权重(0-100) = frequency_norm×30 + severity_norm×30 + returnImpact×20 + ratingImpact×20,
"category": painPoint.category,
"keywords": 从代表性评论中提取3-5个关键词,
"suggestedFix": 从vocOptimizationAdvice中提取对应建议,
"competitorStatus": "竞品也有此问题"/"竞品已解决"/"品类通病"
}
3. implicit[] — 隐性痛点:
从3星中性评论中识别：
- 用户没有直接抱怨，但通过措辞暗示不满（如"it's okay but..."、"not bad for the price"）
- 或者正向评论中的"但是"条件（如"love the scent but wish it lasted longer"）
每个隐性痛点额外包含 "representativeReview": 信号原文
4. weightAnalysis[] — 按weight降序排列所有痛点:
[{
"name": 痛点名,
"type": "explicit"/"implicit",
"severity": 严重度,
"weight": 综合权重,
"frequency": 频次得分(归一化0-100),
"returnImpact": 退货影响得分(提到return/refund的关联度×100),
"ratingImpact": 评分影响得分(该痛点评论的平均星级反向×100),
"intensity": 用户情绪强度(感叹号/大写/强烈词汇的比例×100)
}]
5. correlations[] — 痛点共现分析:
找出经常在同一条评论中同时出现的痛点对:
[{ "painA": "...", "painB": "...", "coCount": N, "correlation": 0.xx }]
6. scenarioMaps[] — 痛点出现在哪些使用场景中:
[{ "painName": "...", "scenarios": [{ "name": "场景名", "count": N }] }]
== 输出JSON格式 ==
直接输出 painPointInsight 对象。
Prompt 3C: feature-satisfaction-synthesis
输入数据：
- 所有前述评论分析结果（情感、痛点、亮点、关键词云）
review-batch-collection原始评论
转换指令：
你是一个产品功能分析专家。基于评论数据，提取产品功能维度，分析满足度和重要度，生成四象限矩阵。
== 任务 ==
这是一个Agent合成任务。没有专门的底层API，你需要从评论文本中直接提取和分析。
== 输入数据 ==
{allReviewAnalysisOutputs}
{rawReviewCorpus}
== 功能维度提取规则 ==
Step 1: 从评论中识别产品功能维度
扫描所有评论，提取用户提及的产品功能/属性。按品类特征归纳为8-15个维度。
例如（蜡烛/香薰品类）：香味品质、持久性、外观设计、包装质量、性价比、安全性、尺寸规格、燃烧均匀度...
Step 2: 对每个功能维度计算指标
corePerformance[] 每项：
{
"feature": "功能名称",
"category": "功能类别(core/convenience/aesthetic/safety)",
"satisfactionRate": 该功能正面提及数 / (正面+负面提及总数) × 100,
"importanceScore": 该功能总提及数 / 总评论数 × 100（提及越多=越重要）,
"mentionCount": 总提及次数,
"positiveRate": 正面提及比例(%),
"negativeRate": 负面提及比例(%),
"trend": 最近评论(近3个月)的满足率 vs 历史→ "improving"/"stable"/"declining",
"gap": importanceScore - satisfactionRate（正值=有缺口）
}
Step 3: 四象限分类
- coreAdvantage: importanceScore>=50 且 satisfactionRate>=70
- criticalGap: importanceScore>=50 且 satisfactionRate<70
- niceToHave: importanceScore<50 且 satisfactionRate>=70
- lowPriority: importanceScore<50 且 satisfactionRate<70
Step 4: 功能缺口 gaps[]
从criticalGap象限和用户明确要求但产品没有的功能中提取：
{
"name": "缺口名称",
"description": "缺口描述",
"demandFrequency": 需求提及频次,
"currentSatisfaction": 当前满足率(%),
"opportunityScore": (100-currentSatisfaction) × (demandFrequency归一化),
"targetFeature": "建议实现的目标特性",
"relatedPainPoints": 关联的痛点名称列表,
"implementationDifficulty": "low"/"medium"/"high"
}
Step 5: 功能对立 conflicts[]
识别评论中互相矛盾的用户需求：
{
"featureA": "需求A",
"featureB": "需求B（与A矛盾）",
"conflictType": "冲突类型描述",
"userGroupA": "偏好A的用户群",
"userGroupB": "偏好B的用户群",
"impactLevel": "high"/"medium"/"low",
"resolutionSuggestion": "解决建议（如SKU差异化）"
}
Step 6: summary
{
"totalFeatures": corePerformance长度,
"avgSatisfactionRate": 所有功能satisfactionRate的均值,
"highSatisfactionCount": satisfactionRate>=80的功能数,
"criticalGapCount": gaps长度,
"conflictCount": conflicts长度
}
== 输出JSON格式 ==
直接输出 featureSatisfaction 对象。
Prompt 3D: scenario-dashboard-synthesis
输入数据：
- 所有前述评论分析结果
review-batch-collection原始评论review-keyword-cloud关键词云数据
转换指令：
你是一个用户场景分析专家。基于评论数据，识别产品使用场景，分析场景满足度和失败场景。
== 任务 ==
这是一个Agent合成任务。从评论文本中识别用户提到的使用场景、使用环境、使用时机。
== 输入数据 ==
{allReviewAnalysisOutputs}
{rawReviewCorpus}
{keywordCloudData}
== 场景识别规则 ==
Step 1: 场景提取
扫描评论文本，提取用户提及的使用场景关键词。
场景类型包括：
- 空间场景：客厅/卧室/办公室/浴室/户外...
- 时间场景：日常使用/节日送礼/换季/旅行...
- 人群场景：自用/送人/办公室共用/家庭共享...
- 目的场景：放松助眠/提神工作/掩盖异味/装饰美化...
归纳为8-12个核心场景。
Step 2: 高频场景 highFrequency[]
按用户提及率排序，取Top场景：
{
"name": "场景名称",
"description": "场景描述（1-2句话）",
"userRate": 提及该场景的评论数 / 总评论数 × 100,
"frequency": "daily"/"weekly"/"monthly"/"occasional",
"topFeatures": 该场景用户最关注的功能Top3,
"painPoints": 该场景用户的主要痛点,
"satisfactionRate": 该场景评论中正面占比(%),
"representativeQuote": 最典型的一条原文评论
}
Step 3: 失败场景 failure[]
从差评中识别产品"翻车"的场景：
{
"name": "失败场景名称",
"description": "失败描述",
"triggerCondition": "触发失败的条件（如高温环境/长时间使用）",
"frequency": 提及该失败的评论数,
"affectedUserRate": 频率 / 总评论数 × 100,
"primaryFeature": "主要关联功能",
"userReaction": "用户的反应描述（退货/忍受/投诉）",
"returnCorrelation": 该失败场景评论中提到return/refund的比例(0-1),
"fixSuggestion": "修复建议"
}
Step 4: 新兴场景 emerging[]
从评论时间线中识别近期新增或增长明显的场景：
{
"name": "场景名称",
"description": "场景描述",
"growthRate": 近3个月提及率 vs 之前增长(%),
"currentUserRate": 当前占比(%),
"projectedGrowth": 预测未来占比(%),
"requiredFeatures": 需要的功能列表,
"opportunity": "机会描述",
"entryDifficulty": "low"/"medium"/"high"
}
如果评论数据没有时间线信息，则基于以下信号推断：
- 评论中提到"新"/"最近发现"/"之前没想到"等表述
- 非常规使用场景（创意用法）
Step 5: scenarioFeatureGaps[]
交叉分析：哪些场景需要哪些功能，但当前满足不了：
[{
"scenario": "场景名",
"missingFeature": "缺失功能",
"impact": "high"/"medium"/"low",
"suggestion": "建议"
}]
Step 6: summary
{
"totalScenarios": 识别的场景总数,
"topScenarioUserRate": 排名第一的场景用户占比,
"criticalFailureCount": 失败场景中returnCorrelation>0.3的数量,
"emergingOpportunities": emerging长度,
"coverageRate": 所有场景userRate之和（≤100%）
}
== 输出JSON格式 ==
直接输出 scenarioDashboard 对象。
Prompt 3E: brand-vs-competitor-synthesis
输入数据：
- 品牌和竞品的情感分析结果
- 品牌和竞品的痛点数据
转换指令：
基于品牌ASIN和竞品ASIN的评论分析数据，生成品牌vs竞品对比。
== 计算规则 ==
- brandSentimentScore: 品牌ASIN的overallSentimentScore
- competitorAvgSentimentScore: 所有竞品ASIN的sentimentScore平均值
- brandNegativeRate: 品牌ASIN的negativeRate
- competitorAvgNegativeRate: 所有竞品ASIN的negativeRate平均值
- brandTopPainPoints: 品牌的Top3痛点名称
- competitorTopPainPoints: 竞品共性的Top3痛点名称
- differentiators: 品牌有而竞品没有的优势，或品牌没有而竞品有的问题
== 输出 ==
直接输出 brandVsCompetitor 对象。
Stage 4：用户画像 → 画像增强 Prompt
Prompt: persona-enrichment
输入数据：
user-persona技能的原始输出- Stage 3 的 featureSatisfaction 和 scenarioDashboard 数据
转换指令：
基于用户画像技能输出和VOC深度分析数据，丰富每个画像的结构。
== 原始画像数据 ==
{userPersonaOutput}
{featureSatisfactionData}
{scenarioDashboardData}
== 增强规则 ==
对每个 persona，补充以下字段（如果原始输出中没有）：
{
"id": 保持不变,
"label": 保持不变,
"demographics": {
"ageRange": 从评论用词/场景推断,
"gender": 从评论用词/场景推断,
"income": 从价格敏感度推断 "low"/"medium"/"high",
"location": 从场景推断（如"urban"/"suburban"）
},
"psychographics": {
"values": 核心价值观（如"品质优先"/"性价比至上"）,
"lifestyle": 生活方式描述,
"personality": 消费人格（如"尝鲜型"/"实用型"/"品牌忠诚型"）
},
"shoppingBehavior": {
"priceRange": 偏好价格带,
"decisionFactors": 决策因素排序,
"purchaseFrequency": 购买频率,
"channels": 购买渠道偏好
},
"needs": 从featureSatisfaction.coreAdvantage提取该画像最关注的功能,
"painPoints": 从painPointInsight中匹配该画像最相关的痛点,
"scenarios": 从scenarioDashboard.highFrequency中匹配该画像的场景,
"triggerKeywords": 该画像的搜索触发词（5-10个）,
"estimatedMarketShare": 基于评论中该画像特征的占比(%),
"acquisitionStrategy": 获取该类用户的具体建议
}
Stage 5：最终报告 → 行动项生成 Prompt
Prompt: actionable-insights-synthesis
输入数据：
- Stage 1-4 全部数据
- calibration-notes.json 用户校准意见
转换指令：
你是一个电商战略顾问。整合所有前置分析，生成可落地的行动建议。
== 全量数据 ==
{stage1Data}
{stage2Data}
{stage3Data}
{stage4Data}
{calibrationNotes}
== 生成规则 ==
1. actionableInsights.topActions[]:
从以下来源生成Top行动项（至少8项，按priority排序）：
来源A: Stage4.painPointInsight → 每个critical/high痛点 → 一个修复行动
来源B: Stage4.featureSatisfaction.gaps → 每个criticalGap → 一个功能开发行动
来源C: Stage4.scenarioDashboard.failure → 每个失败场景 → 一个场景修复行动
来源D: Stage4.scenarioDashboard.emerging → 每个新兴场景 → 一个布局行动
来源E: Stage2.competitorComparison.vulnerabilities → 每个漏洞 → 一个竞争行动
每个行动项:
{
"scenario": "关联场景",
"feature": "关联功能",
"gap": "缺口描述",
"suggestion": "具体行动建议（1-2句话，可落地）",
"priority": "P0"(立即执行,影响收入)/"P1"(本月内,影响增长)/"P2"(本季度,战略布局),
"expectedImpact": "预期影响（量化，如'转化率提升10-15%'）",
"investmentLevel": "zero"(纯优化)/"low"(<$500)/"medium"($500-5000)/"high"(>$5000),
"timeToResult": "见效周期（如'1-2周'/'1-3个月'）"
}
优先级判定规则:
- P0: 影响退货率或差评率的问题 + 零/低投入可解决
- P1: 影响转化率或销量的问题 + 中等投入
- P2: 长期战略（新品方向/品牌建设/市场扩张）
2. quickWins[]: 从topActions中筛选 investmentLevel=="zero"||"low" 且 timeToResult<="2周" 的项
3. strategicInvestments[]: 从topActions中筛选 investmentLevel=="medium"||"high" 的项
4. overallHealthScore:
- marketPosition: Stage1.healthScore.overall
- productQuality: Stage4.featureSatisfaction.summary.avgSatisfactionRate
- customerSatisfaction: Stage3.voiceClassification.summary.overallSentimentScore
- competitiveAdvantage: 100 - |brandSentimentScore - competitorAvgSentimentScore| 调整
- growthPotential: Stage1.healthScore.growthPotential
- total: 五维加权平均
5. vocDeepInsightSummary:
- voiceSentimentScore: Stage3.voiceClassification.summary.overallSentimentScore
- painPointCriticalCount: Stage4.painPointInsight.summary.criticalCount
- featureAvgSatisfaction: Stage4.featureSatisfaction.summary.avgSatisfactionRate
- scenarioCoverageRate: Stage4.scenarioDashboard.summary.coverageRate
- brandVsCompetitorGap: brandSentimentScore - competitorAvgSentimentScore
== 目标对齐 + 跨阶段一致性检查（必填） ==
6. _goalAlignment:
- workshopGoal: 原样复制
- goalRelevantFindings: 从全部5阶段数据中提取与用户目标最相关的5-8条核心发现
- goalFullAnswer: 用2-3段话完整回答用户的 workshopGoal（这是整个工作坊的最终答案）
- unaddressedAspects: 用户目标中仍未能充分回答的方面（诚实列出）
7. _contextFromPreviousStages:
- stage1HealthScore: Stage1.healthScore.overall
- stage2BrandScore: Stage2.brandProfile.overallScore
- stage3SentimentScore: Stage3.voiceClassification.summary.overallSentimentScore
- stage4CriticalPainPoints: Stage4.painPointInsight.summary.criticalCount
- stage4FeatureAvgSatisfaction: Stage4.featureSatisfaction.summary.avgSatisfactionRate
- crossStageContradictions: 检查以下矛盾并列出:
a) Stage1品类增长 vs Stage3评论趋势（增长品类但差评增加？）
b) Stage2品牌评分 vs Stage4痛点严重度（评分高但严重痛点多？）
c) Stage2竞品弱点 vs Stage4竞品实际VOC表现（标记的弱点在用户评论中是否验证？）
d) Stage1价格定位 vs Stage4用户价格感知（定价在黄金带但用户喊贵？）
- allCalibrationNotesSummary: 汇总全部session的校准意见，标记哪些已采纳、哪些待确认
8. _anomalies: 汇总全流程中最重要的3-5个异常发现
优先级: crossStageContradiction > 用户标记"新发现" > 数据异常值
== 输出JSON格式 ==
输出 actionableInsights + overallHealthScore + vocDeepInsightSummary + _goalAlignment + _contextFromPreviousStages + _anomalies。
使用说明
Agent 执行时机
| 工作坊阶段 | 完成底层技能调用后 | 使用哪个 Prompt |
|---|---|---|
| Session 1 | product-search + asin-sales-volume | category-landscape-synthesis |
| Session 2 | product-detail + sales + reviews | brand-profile-synthesis |
| Session 3 Step 3.2 | review-sentiment-analysis | voice-classification-synthesis (3A) |
| Session 3 最后 | 品牌+竞品分组数据 | brand-vs-competitor-synthesis (3E) |
| Session 4 Step 4.3 | review-pain-point-extraction | pain-point-insight-synthesis (3B) |
| Session 4 Step 4.4 | 无底层API，Agent直接合成 | feature-satisfaction-synthesis (3C) |
| Session 4 Step 4.5 | 无底层API，Agent直接合成 | scenario-dashboard-synthesis (3D) |
| Session 4 Step 4.12 | user-persona 输出 | persona-enrichment |
| Session 5 | 全部前置数据 | actionable-insights-synthesis |
关键原则
- 每个Prompt产出一个完整JSON块，Agent直接写入对应的stage-N-output.json字段
- 所有数字必须来自计算，不能凭空编造
- 用户校准优先：如果calibration-notes中用户修正了某个判断，最终输出必须采纳用户意见
- 缺数据时降级：如果某个底层技能没有返回（如API失败），该维度用"数据不足"标记，不要编造