传统方式： 手动翻200万条评论？需要几天时间 使用本工具： 60秒采样 + AI分析，直接看到核心洞察
| 对比维度 | 传统方式 | 本工具 |
|---|---|---|
| 速度 | 手动翻几小时 ⏱️ | 60秒自动分析 ⚡ |
| 覆盖 | 只能看热评 📌 | 热评+最新+历史（20年跨度）📊 |
| 深度 | 主观印象 💭 | 六维度量化分析 📈 |
| 可信度 | 无法验证 ❓ | 透明采样+原文引用 ✅ |
- 挑战：200万条评论，AI无法全部处理
- 方案：60秒采样 600-1000 条代表性评论
- 策略：热评(15) + 最新(175) + 历史(410)，三维度覆盖
- 创新：发现并利用 API 的 cursor 参数，突破 offset 限制，实现跨年份时间跳转
不只是情感分析，而是全方位理解评论区：
| 维度 | 分析内容 | 置信度 |
|---|---|---|
| 😊 情感维度 | 正面/负面/中性分布 | 0.5-0.7 |
| 💬 内容维度 | TF-IDF 关键词 + 出现率（doc_ratio） | 0.7 |
| ⏰ 时间维度 | 评论区活跃度和氛围随时间的变化 | 0.7 |
| 📏 结构维度 | 长评/短评分布特征 | 0.9 |
| 👥 社交维度 | 点赞集中度（基尼系数） | 0.85 |
| 🗣️ 语言维度 | 玩梗/故事/乐评类型分类 | 0.6 |
- 问题：SnowNLP 情感分析对"感伤式金句"误判为负面
- 例如："我失去了最好的朋友，这首歌是我们的回忆"
- 方案：提供对比样本（高赞低分评论），让 AI 阅读原文自行判断
- 结果：AI 可以发现并纠正算法误判
- ✅ 透明告知采样数量、覆盖率、时间范围
- ✅ 明确标注每个维度的置信度和局限性
- ✅ 提供原始评论样本，AI 可以验证
- ✅ 工具提供证据，不下结论 - 让 AI 自己判断
- Python 3.8+
git clone https://github.com/1mht/netease-music-comments-analysis.git
cd netease-music-comments-analysis
pip install -e .# macOS / Linux
cp -r skills/netease-music-comments-analysis ~/.claude/skills/
# Windows (PowerShell)
Copy-Item -Recurse skills\netease-music-comments-analysis $env:USERPROFILE\.claude\skills\ncm-analysis --version
# → analysis, version 0.9.0完成！在 Claude Code 中直接说"帮我分析《晴天》的评论区"，Claude 会自动触发 Skill 完成完整流程。
ncm-analysis search "晴天"
ncm-analysis select <session_id> 1
ncm-analysis add <song_id>
ncm-analysis sample <song_id> --level standard
ncm-analysis overview <song_id>
ncm-analysis signals <song_id>
ncm-analysis samples <song_id>
ncm-analysis search-comments <song_id> "青春" --limit 30
ncm-analysis raw <song_id> --year 2020 --min-likes 100- NLP 处理: jieba 分词 + SnowNLP 情感分析
- 数据存储: SQLite
- API 逆向: 网易云音乐 weapi
- CLI: Click
netease_analysis/ # 核心分析逻辑
├── tools/
│ ├── search.py # 搜索 + session 管理
│ ├── data_collection.py # 入库（元数据/热评/最新评论）
│ ├── sampling.py # 三级采样（quick/standard/deep）
│ ├── pagination_sampling.py # offset + cursor 分页采样
│ ├── layered_analysis.py # 五层分析入口（Layer 0-3）
│ ├── dimension_analyzers.py # 六维度算法实现
│ ├── comprehensive_analysis.py # Layer 3 原始评论查询
│ ├── sample_selector.py # 验证样本选取策略
│ ├── cross_dimension.py # 跨维度关联分析
│ ├── data_transparency.py # 数据透明度报告
│ └── workflow_errors.py # 错误类型定义
├── schemas/ # 数据结构定义
└── knowledge/ # 平台知识库（文化背景/触发规则）
netease_cloud_music/ # 网易云 API 层
analysis_cli/ # CLI 入口（Click）
skills/ # Skill 定义文件
search → select → add → sample
↓
Layer 0: 数据边界（评论量/覆盖率/时间跨度）
Layer 1: 六维度信号（情感/内容/时间/结构/社交/语言）
Layer 2: 验证样本（锚点样本 + 对比样本）
Layer 2.5: 关键词检索（DB 内验证）
Layer 3: 原始评论（按年份/点赞数筛选）
设计原则：工具提供数据和样本，ai负责判断且每层透明标注置信度和局限性。