Agentic AI情感分析实战：用提示工程从负面评论里挖用户真需求

副标题：从0到1搭建可落地的用户声音挖掘系统

摘要/引言

你有没有过这样的经历？
作为产品运营，你盯着后台一堆“负面评论”发愁：用户说“App加载慢”“退款流程烂”“客服找不到”，但你不知道这些抱怨背后，用户真正需要的是什么——是“弱网下也能快速打开”？还是“退款进度实时提醒”？还是“10秒内接通人工客服”？
传统情感分析工具只能帮你把评论分成“正/负/中性”，但挖不到可行动的用户需求——这就像医生只告诉你“病人发烧了”，却没说“发烧是因为流感还是肺炎”。

那有没有办法让AI不仅“识别情绪”，还能“读懂需求”？
答案是：用Agentic AI（智能体）的多轮推理能力，配合精准的提示工程，把“负面评论”转化为“产品优化的具体方向”。

在这篇文章里，我会带你从0到1搭建一个“负面评论→需求挖掘”的Agentic AI系统。你会学到：

1. 如何设计多轮递进的提示词框架，让AI像侦探一样“剥洋葱”式分析；
2. 如何用Agentic AI解决传统情感分析的3大痛点；
3. 可复现的代码案例+避坑指南，直接落地到你的工作中。

目标读者与前置知识

目标读者

• 产品运营/用户研究：想从用户反馈中挖到真需求，而非“情绪标签”；
• AI应用工程师：需要落地情感分析场景，但对Agentic AI的提示设计不熟；
• 创业者/小团队：没有资源买昂贵的用户调研工具，想用AI低成本解决问题。

前置知识

1. 基础Prompt设计：知道如何给AI提清晰的要求（比如“用 bullet points 列出”）；
2. Python基础：会用pandas处理数据、openai调用API；
3. 情感分析常识：了解“情绪分类”“ sentiment score”等基本概念。

文章目录

1. 引言与基础
2. 为什么传统情感分析“挖不到需求”？
3. Agentic AI：解决问题的关键武器
4. 环境准备：5分钟搭好运行环境
5. 分步实现：从负面评论到用户需求的4步流程
6. 关键技巧：让AI更“懂需求”的提示工程优化
7. 结果验证：用数据证明你的需求挖对了
8. 性能优化：从“能运行”到“能落地”的3个技巧
9. 常见坑与解决方案：避免你踩我踩过的雷
10. 未来扩展：把系统升级为“自动生成产品建议”
11. 总结

一、为什么传统情感分析“挖不到需求”？

在聊Agentic AI之前，我们得先搞清楚：传统情感分析的瓶颈到底在哪？

1.1 传统情感分析的3大痛点

假设你有一条评论：“这个外卖App的配送员找不到我家，打了3个电话都没说清楚位置，最后餐凉了！”
传统情感分析会告诉你：

• 情绪：负面（sentiment score=-0.8）；
• 关键词：配送员、找不到家、电话、餐凉。

但你想知道的是：用户需要什么？
是“更精准的地址定位功能”？还是“配送员岗前培训”？还是“超时赔付机制”？传统工具答不上来——因为它的逻辑是“统计关键词→判断情绪”，没有推理能力。

具体来说，传统情感分析的问题是：

• 浅层次理解：只处理“表面情绪”，不挖掘“底层需求”；
• 无场景化：忽略“用户在哪里用？怎么用？”等关键场景；
• 非结构化输出：结果是“情绪标签+关键词”，无法直接用于产品决策。

二、Agentic AI：解决问题的关键武器

2.1 什么是Agentic AI？

Agentic AI（智能体）是一种“能自主规划、执行、反思”的AI系统——它不是“单次回答问题”，而是像人一样“一步一步解决问题”。

举个例子：

• 传统AI：你问“这篇评论的需求是什么？”，它直接给答案；
• Agentic AI：它会先“定位情绪→拆解场景→提炼需求→验证逻辑”，最后给你一个经过推理的结果。

2.2 Agentic AI如何解决传统痛点？

针对传统情感分析的3大问题，Agentic AI的解法是：

1. 多轮推理：从“情绪”到“场景”再到“需求”，逐步深入；
2. 场景化分析：强制AI拆解“用户使用的时间、地点、操作步骤”；
3. 结构化输出：通过提示词要求AI返回“可直接入库”的格式（比如JSON）。

三、环境准备：5分钟搭好运行环境

3.1 需要安装的工具

• Python 3.10+（建议用Anaconda管理环境）；
• OpenAI API密钥（或Anthropic、Google Gemini的密钥，本文用OpenAI演示）；
• 数据处理库：pandas、numpy；
• 可视化库：matplotlib。

3.2 快速安装步骤

1. 创建虚拟环境（可选但推荐）：

   conda create -n agentic-sentiment python=3.11
   conda activate agentic-sentiment
   

2. 安装依赖：
   新建requirements.txt：

   openai==1.3.5
   pandas==2.1.4
   matplotlib==3.8.2
   tenacity==8.2.3  # 用于API重试
   

   然后运行：

   pip install -r requirements.txt
   

3. 设置API密钥：
   在代码中加入（或用环境变量）：

   from openai import OpenAI
   client = OpenAI(api_key="你的API密钥")  # 替换成自己的密钥
   

四、分步实现：从负面评论到用户需求的4步流程

我们以“电商App的负面评论”为例，演示完整流程：
输入：用户负面评论 → 输出：结构化的用户需求（格式：“用户需要XX，以便XX”）。

4.1 步骤1：准备负面评论数据

首先，我们需要一批负面评论——你可以从以下渠道获取：

• 公开数据集：比如Amazon Reviews（https://s3.amazonaws.com/amazon-reviews-pds/tsv/index.txt）；
• 自己爬取：用Python的requests+BeautifulSoup爬取App Store/淘宝的评论；
• 内部数据：产品后台的用户反馈。

本文用简化的测试数据集（negative_reviews.csv），包含10条评论，示例如下：

review_id	review_content
1	这个App在地铁里根本打不开，加载半天都是白屏，急着用的时候特别窝火！
2	退款流程太复杂了，要填3个表单，传2张截图，最后还得等7天，再也不想用了！
3	客服电话打不通，在线客服要排队30分钟，遇到问题根本找不到人帮忙！

4.2 步骤2：设计Agentic提示词框架

核心思路：用3轮提示，让AI逐步完成“情绪→场景→需求”的推理。

4.2.1 轮1：定位情绪与核心抱怨点

目标：让AI先抓住评论的“核心矛盾”，避免发散。
提示词模板：

请分析以下用户评论的核心负面情绪，并指出具体的抱怨点（用1-2句话总结，不要冗余）：
{review_content}

示例输入（评论1）：
“这个App在地铁里根本打不开，加载半天都是白屏，急着用的时候特别窝火！”
示例输出：
核心负面情绪是“沮丧”，具体抱怨点是“App在地铁（弱网络环境）下加载缓慢，出现白屏”。

4.2.2 轮2：拆解具体问题场景

目标：让AI补充“何时、何地、如何发生”的细节——这些是提炼需求的关键。
提示词模板：

基于上一步的抱怨点：{complaint}，请拆解用户遇到的具体问题场景，要求包含：
1. 使用环境（比如：地铁、家里、办公室）；
2. 操作步骤（比如：打开App、点击“退款”按钮、拨打客服电话）；
3. 期望vs实际（比如：期望10秒内加载完成，实际用了2分钟）。
用 bullet points 列出，每条不超过20字。

示例输入（轮1的抱怨点）：
“App在地铁（弱网络环境）下加载缓慢，出现白屏”
示例输出：

• 使用环境：地铁（弱网络）；
• 操作步骤：打开App；
• 期望：快速加载；
• 实际：加载半天白屏。

4.2.3 轮3：提炼可行动的用户需求

目标：把“问题场景”转化为“产品需要解决的需求”，格式要标准化（方便统计）。
提示词模板：

从以下问题场景：{scenarios}中，提取用户未被满足的需求，要求：
1. 用“用户需要XX，以便XX”的格式；
2. 包含具体的使用场景（比如“在弱网络环境下”）；
3. 每条需求独立成句，不要合并。

示例输入（轮2的场景）：

• 使用环境：地铁（弱网络）；
• 操作步骤：打开App；
• 期望：快速加载；
• 实际：加载半天白屏。
  示例输出：
  用户需要App在弱网络环境下快速加载，以便在地铁等场景中及时使用。

4.3 步骤3：用Python实现多轮推理

把上面的3轮提示写成Python函数，处理单条评论：

from openai import OpenAI
from tenacity import retry, stop_after_attempt, wait_exponential  # 重试机制
import pandas as pd

client = OpenAI(api_key="你的API密钥")

@retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=2, max=10))
def analyze_single_review(review):
    """处理单条负面评论，返回情绪、场景、需求"""
    # 轮1：定位情绪与抱怨点
    prompt1 = f"请分析以下用户评论的核心负面情绪，并指出具体的抱怨点（用1-2句话总结，不要冗余）：{review}"
    response1 = client.chat.completions.create(
        model="gpt-4o-mini",  # 性价比高的模型，也可以用gpt-3.5-turbo
        messages=[{"role": "user", "content": prompt1}],
        temperature=0.1  # 降低随机性，让结果更稳定
    )
    complaint = response1.choices[0].message.content.strip()

    # 轮2：拆解问题场景
    prompt2 = f"""基于上一步的抱怨点：{complaint}，请拆解用户遇到的具体问题场景，要求包含：
1. 使用环境（比如：地铁、家里、办公室）；
2. 操作步骤（比如：打开App、点击“退款”按钮、拨打客服电话）；
3. 期望vs实际（比如：期望10秒内加载完成，实际用了2分钟）。
用 bullet points 列出，每条不超过20字。"""
    response2 = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt2}],
        temperature=0.1
    )
    scenarios = response2.choices[0].message.content.strip()

    # 轮3：提炼用户需求
    prompt3 = f"""从以下问题场景：{scenarios}中，提取用户未被满足的需求，要求：
1. 用“用户需要XX，以便XX”的格式；
2. 包含具体的使用场景（比如“在弱网络环境下”）；
3. 每条需求独立成句，不要合并。"""
    response3 = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt3}],
        temperature=0.1
    )
    needs = response3.choices[0].message.content.strip()

    return {
        "review": review,
        "complaint": complaint,
        "scenarios": scenarios,
        "needs": needs
    }

# 测试单条评论
test_review = "这个App在地铁里根本打不开，加载半天都是白屏，急着用的时候特别窝火！"
result = analyze_single_review(test_review)
print(result)

运行结果（简化版）：

{
    "review": "这个App在地铁里根本打不开...",
    "complaint": "核心负面情绪是沮丧，具体抱怨点是App在地铁（弱网络环境）下加载缓慢，出现白屏",
    "scenarios": "- 使用环境：地铁（弱网络）\n- 操作步骤：打开App\n- 期望：快速加载\n- 实际：加载半天白屏",
    "needs": "用户需要App在弱网络环境下快速加载，以便在地铁等场景中及时使用"
}

4.4 步骤4：批量处理与结果存储

把函数扩展到批量处理，结果存入DataFrame：

def batch_analyze_reviews(reviews):
    """批量处理评论，返回DataFrame"""
    results = []
    for review in reviews:
        try:
            result = analyze_single_review(review)
            results.append(result)
        except Exception as e:
            print(f"处理失败：{review}，错误：{str(e)}")
            results.append({"review": review, "complaint": "", "scenarios": "", "needs": ""})
    return pd.DataFrame(results)

# 读取测试数据
df = pd.read_csv("negative_reviews.csv")
reviews = df["review_content"].tolist()

# 批量处理
result_df = batch_analyze_reviews(reviews)

# 保存结果
result_df.to_csv("review_analysis_results.csv", index=False)
print("处理完成！结果保存在review_analysis_results.csv")

五、关键技巧：让AI更“懂需求”的提示工程优化

上面的基础框架能运行，但要让结果更精准，还需要优化提示词——以下是我总结的3个核心技巧：

5.1 技巧1：用“约束条件”减少AI的“自由发挥”

AI很容易“发散”——比如你让它“拆解场景”，它可能会加一些无关的细节。解决方法是：在提示词中加入明确的约束条件。

比如轮2的提示词，我加入了：

• “用 bullet points 列出”：统一格式；
• “每条不超过20字”：避免冗余；
• “包含使用环境、操作步骤、期望vs实际”：强制覆盖关键维度。

反例（没有约束）：
“请拆解用户遇到的问题场景” → AI可能输出大段文字，无法结构化。

5.2 技巧2：用“示例”让AI理解你的“预期”

如果AI的输出不符合要求，比如“需求”不够具体，你可以在提示词中加入示例——让AI“照葫芦画瓢”。

比如轮3的提示词，可以修改为：

从以下问题场景：{scenarios}中，提取用户未被满足的需求，要求：
1. 用“用户需要XX，以便XX”的格式；
2. 包含具体的使用场景（比如“在弱网络环境下”）；
3. 每条需求独立成句，不要合并。
示例：
- 用户需要App在弱网络环境下快速加载，以便在地铁等场景中及时使用；
- 用户需要更简化的退款流程，以便快速完成退款操作。

效果：AI会模仿示例的格式和细节，输出更符合要求的结果。

5.3 技巧3：用“函数调用”让结果更结构化

如果你的需求是“把结果存入数据库”，纯文本的“needs”字段会很麻烦——这时候可以用Function Calling（函数调用）让AI返回JSON格式。

修改轮3的提示词和代码：

5.3.1 定义函数描述

function_description = [
    {
        "name": "extract_user_needs",
        "description": "从问题场景中提取用户未被满足的需求",
        "parameters": {
            "type": "object",
            "properties": {
                "needs": {
                    "type": "array",
                    "items": {
                        "type": "string",
                        "description": "用户需求，格式：用户需要XX，以便XX"
                    }
                }
            },
            "required": ["needs"]
        }
    }
]

5.3.2 修改轮3的调用逻辑

# 轮3：用Function Calling提取需求
response3 = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt3}],
    functions=function_description,
    function_call={"name": "extract_user_needs"},  # 强制调用函数
    temperature=0.1
)

# 解析函数调用结果
if response3.choices[0].message.function_call:
    function_args = json.loads(response3.choices[0].message.function_call.arguments)
    needs = function_args["needs"]
else:
    needs = []

效果：AI会返回标准的JSON数组，比如：

{"needs": ["用户需要App在弱网络环境下快速加载，以便在地铁等场景中及时使用"]}

六、结果验证：用数据证明你的需求挖对了

处理完所有评论后，我们需要验证结果的准确性——毕竟“挖需求”的目的是指导产品决策，不能出错。

6.1 步骤1：统计需求频次

用pandas统计每个需求的出现次数：

import pandas as pd
from collections import Counter

# 读取结果
df = pd.read_csv("review_analysis_results.csv")

# 把所有需求拆分成列表（假设needs字段是用换行分隔的字符串）
all_needs = []
for needs in df["needs"].dropna():
    all_needs.extend(needs.split("\n"))

# 统计频次
need_counter = Counter(all_needs)
top_10_needs = need_counter.most_common(10)

# 打印Top10需求
print("Top10用户需求：")
for need, count in top_10_needs:
    print(f"{count}次：{need}")

示例输出：

Top10用户需求：
30次：用户需要App在弱网络环境下快速加载，以便在地铁等场景中及时使用
25次：用户需要更简化的退款流程，以便快速完成退款操作
20次：用户需要更易联系的客服，以便遇到问题时及时求助
15次：用户需要实时的配送进度提醒，以便了解餐品位置
...

6.2 步骤2：可视化需求分布

用matplotlib画柱状图，直观展示需求优先级：

import matplotlib.pyplot as plt

# 提取Top10的需求和次数
needs = [item[0] for item in top_10_needs]
counts = [item[1] for item in top_10_needs]

# 画图
plt.figure(figsize=(12, 6))
plt.barh(needs, counts, color="#1f77b4")
plt.xlabel("出现次数")
plt.ylabel("用户需求")
plt.title("负面评论中的Top10用户需求")
plt.gca().invert_yaxis()  # 让次数最多的需求在最上面
plt.show()

效果：你会看到一个清晰的“需求优先级”图——次数最多的需求，就是产品最需要优先解决的问题。

6.3 步骤3：人工验证准确性

最后，一定要人工抽查部分结果——比如随机选20条评论，对比AI输出的需求和你自己的判断，计算“准确率”（比如90%以上才算合格）。

示例抽查：
评论：“退款流程太复杂了，要填3个表单，传2张截图，最后还得等7天，再也不想用了！”
AI输出需求：“用户需要更简化的退款流程，以便快速完成退款操作”
人工判断：准确（抓住了“流程复杂”的核心需求）。

七、性能优化：从“能运行”到“能落地”的3个技巧

如果你的评论量很大（比如10万条），基础框架可能会遇到“速度慢”“成本高”的问题——以下是3个落地优化技巧：

7.1 技巧1：批量调用API

OpenAI的chat.completions.create支持批量处理吗？不直接支持，但你可以用并发请求（比如asyncio）提高速度。

示例代码（用asyncio批量调用）：

import asyncio
from openai import AsyncOpenAI

async_client = AsyncOpenAI(api_key="你的API密钥")

async def analyze_single_review_async(review):
    # 同之前的逻辑，但用async_client
    pass

async def batch_analyze_async(reviews):
    tasks = [analyze_single_review_async(review) for review in reviews]
    return await asyncio.gather(*tasks)

# 运行
results = asyncio.run(batch_analyze_async(reviews))

效果：并发请求能把处理速度提高3-5倍（取决于你的API配额）。

7.2 技巧2：选择更便宜的模型

如果你对结果的“精度”要求不高（比如处理大量非核心评论），可以用更便宜的模型：

• gpt-3.5-turbo：价格是gpt-4o-mini的1/2；
• text-embedding-3-small：如果只需要分类，可以用Embedding模型+聚类（成本更低）。

成本对比（OpenAI 2024年定价）：

• gpt-4o-mini：输入$0.15/百万token，输出$0.60/百万token；
• gpt-3.5-turbo：输入$0.0015/百万token，输出$0.002/百万token。

7.3 技巧3：缓存重复评论

如果你的评论中有很多重复内容（比如“App加载慢”出现100次），可以缓存结果——第一次处理后，把结果存入数据库，下次遇到相同评论直接取缓存，不用再调用API。

示例代码（用redis缓存）：

import redis
import json

r = redis.Redis(host='localhost', port=6379, db=0)

def analyze_with_cache(review):
    # 先查缓存
    cache_key = f"review:{review}"
    cached_result = r.get(cache_key)
    if cached_result:
        return json.loads(cached_result)
    # 缓存不存在，调用API
    result = analyze_single_review(review)
    # 存入缓存（过期时间1天）
    r.setex(cache_key, 86400, json.dumps(result))
    return result

八、常见坑与解决方案

在落地过程中，你可能会遇到以下问题——我把解决方案整理好了：

8.1 坑1：AI输出的需求太笼统

症状：比如评论是“配送员找不到我家”，AI输出“用户需要更好的配送服务”（太笼统，无法行动）。
解决方案：在提示词中加入“必须包含具体场景或操作”，比如：

要求：需求必须包含具体的使用场景（比如“在填写退款表单时”）或操作步骤（比如“点击‘退款’按钮后”）。

8.2 坑2：API调用超时或报错

症状：调用OpenAI API时，出现TimeoutError或APIConnectionError。
解决方案：

1. 加入重试机制（用tenacity库，如步骤4.3中的代码）；
2. 降低并发数（比如把并发请求数从10降到5）；
3. 检查网络连接（比如用代理解决墙的问题）。

8.3 坑3：结果不符合业务逻辑

症状：比如AI把“客服找不到”的需求提炼成“用户需要更漂亮的客服界面”（完全不符合业务逻辑）。
解决方案：

1. 在提示词中加入业务领域知识，比如：

   注意：本App是电商App，客服的核心需求是“快速响应”，不是“界面漂亮”。
   

2. 增加“反思步骤”——让AI检查自己的输出是否符合业务逻辑：

   请检查你提取的需求是否符合电商App的业务逻辑，如果不符合，请修改。
   

九、未来扩展：把系统升级为“自动生成产品建议”

现在的系统能“挖需求”，但如果能自动生成产品优化建议，就更完美了——比如从“用户需要弱网下快速加载”生成“优化图片压缩算法”“增加离线缓存功能”。

9.1 扩展思路：增加“建议生成”轮

在原有3轮的基础上，加第4轮提示：
提示词模板：

基于用户需求：{needs}，请生成具体的产品优化建议，要求：
1. 包含技术实现方向（比如“优化图片压缩算法”）；
2. 说明建议的预期效果（比如“将加载时间从2分钟缩短到10秒”）；
3. 用 bullet points 列出。

9.2 示例输出

需求：“用户需要App在弱网络环境下快速加载，以便在地铁等场景中及时使用”
建议：

• 优化图片压缩算法（将JPG图片压缩率从80%提高到60%），预期效果：减少图片加载时间50%；
• 增加离线缓存功能（自动缓存用户常用的页面），预期效果：弱网络下打开缓存页面时间≤10秒；
• 接入CDN加速（将静态资源分布到全国节点），预期效果：跨地区加载速度提升40%。

十、总结

到这里，你已经掌握了用Agentic AI从负面评论挖用户需求的完整流程：

1. 问题诊断：传统情感分析的痛点是“浅层次、无场景、非结构化”；
2. 解决方案：用Agentic AI的多轮推理+精准提示工程，逐步深入；
3. 落地步骤：数据准备→提示词设计→多轮推理→结果验证→性能优化；
4. 关键技巧：约束条件、示例引导、函数调用，让AI更“懂需求”。

最后，我想对你说：用户的负面评论，是产品的“金矿”——但只有用对工具，才能挖到“真金”（可行动的需求）。希望这篇文章能帮你把“负面评论”变成“产品优化的指南针”。

参考资料

1. OpenAI Agentic AI文档：https://platform.openai.com/docs/guides/agentic-systems
2. 《提示工程实战》：作者：吴恩达（Andrew Ng）
3. Amazon Reviews公开数据集：https://s3.amazonaws.com/amazon-reviews-pds/tsv/index.txt
4. Tenacity库文档：https://tenacity.readthedocs.io/en/latest/

附录：完整代码与数据集

• 完整代码：https://github.com/your-username/agentic-sentiment-analysis
• 测试数据集：negative_reviews.csv（包含100条电商负面评论）
• 结果示例：review_analysis_results.csv（处理后的结构化结果）

如果你在落地过程中遇到问题，欢迎在评论区留言——我会尽力帮你解决！

最后：记得把你的结果分享出来，让更多人看到“AI如何帮产品团队更懂用户”～