全平台互动运营中枢 · 评论私信统一管家

> 发布之后才是开始。一条爆款会带来成百上千条评论和私信，跨平台分散、重复刷屏、好坏混杂——回不过来就等于白白浪费流量。
> 本技能把多平台互动统一收口到本地一条流水线，从"抄抄粘粘手忙脚乱"变成"看板+队列+一键复制回复"。

设计哲学：统一多源 + 本地增值

• 统一多源：抖音评论、小红书评论、公众号留言、各平台私信，来自不同入口，归一为同一张表，跨平台近重复自动合并。
• 本地增值：意图×情绪双维分类、平台调性适配的回复话术、紧急度评分与跟进队列、复盘看板——全部在本地纯标准库完成，不依赖任何外部 API / Key，粘贴即用。

与已发布家族技能的闭环

本技能是 omni-viral-studio（全平台爆款工作室，skillId 105241）和 omni-material-studio（多源素材工坊，skillId 105244）的下游收口环节：

• 本技能的回复合规沿用 omni-viral-studio 的违禁词思路（评论场景同样要避坑）。
• 复盘看板里归纳出的"高互动选题/形式/时段"，可回灌给 omni-viral-studio 做下一轮选题——形成增长飞轮。

触发场景

当用户提到以下任一，立即启用本技能：
- "把这几个平台的评论整理一下"、"评论太多了回不过来"、"统一看我的抖音小红书公众号留言"
- "帮我给评论写回复"、"评论怎么回"、"私信自动回复话术"
- "哪些评论要优先回"、"差评/投诉怎么处理"、"给我一个跟进清单"
- "评论复盘"、"这波内容互动怎么样"、"做个月度互动看板"
- 关键词：评论运营、私信管理、互动、涨粉、粉丝维护、舆情

工作流（7 步）

> 前 6 步把"评论乱成一团"变成"看板+队列+一键复制回复"；第 7 步让这套打法自我进化——你发出去之后到底哪条话术真把差评平息、哪条真带来了转化，都会被记下来，下次同类评论自动用最灵的那一套。

第 1 步：多源导入归一

支持三种来源，最终都归一为统一结构 {platform, ctype(comment|dm), author, content, time, likes, ...}：
- 粘贴文本：python scripts/engage_ingest.py --paste douyin comments_dy.txt --paste xhs comments_xhs.txt --paste gzh comments_gzh.txt --out comments.json
- 每个 txt 一行一条，可带 作者|内容|点赞 或纯内容。
- JSON 导入：python scripts/engage_ingest.py --import raw.json --out comments.json
- raw.json 为 [{platform, ctype, author, content, time?, likes?}, ...]。
- 混合：--paste 与 --import 可同时出现。

第 2 步：跨平台去重（本地）

python scripts/engage_ingest.py --dedup --threshold 0.30 --out comments.json
- 算法与 omni-material-studio 同源：字符 bigram + trigram 特征 + Jaccard 与 Overlap 系数取大 的组合分数。
- 抓"同一条被搬运/换皮/换账号重复发"的评论；同作者同内容精确去重。
- 阈值建议：0.25 宽松（多留不同角度）｜0.30 默认（均衡）｜0.5+ 严格（连改写也合并）。

第 3 步：意图 × 情绪分类（本地，零模型）

python scripts/engage_analyze.py --in comments.json --out comments_enriched.json
- 意图 7 类：咨询 / 投诉 / 差评 / 夸赞 / 求链接 / 广告 / 无关。
- 情绪 3 类：正 / 中 / 负。
- 规则 + 关键词双引擎（见 references/taxonomy.md），不调用大模型、不上传数据。

第 4 步：平台适配回复 + 紧急度评分

同一分类，按平台调性生成不同话术：
- 抖音：活泼口语、短句、带表情（"宝子～安排！"）。
- 小红书：亲切种草、emoji 分段（"姐妹～已私你啦💕"）。
- 公众号：得体礼貌、完整句（"您好，感谢您的关注与支持"）。
- 可选 --deai 开关叠加"去 AI 味"风格（更口语、更像真人）。
- 紧急度评分：投诉/差评加权、含联系方式或购买意向优先、高赞置顶；广告/无关降权进"观察区"。

第 5 步：跟进队列

按紧急度倒序输出"待跟进队列"，差评/投诉/高意向置顶，广告/无关沉底，避免漏掉该回的、浪费时间在不该回的。

第 6 步：导出交付

python scripts/engage_export.py --in comments_enriched.json --formats csv,html,md --title "7月互动复盘" --out out/
- CSV：回复话术总表（平台/作者/分类/紧急度/建议回复），可直接筛选复制。
- HTML：互动复盘看板（按平台/意图/情绪的分布图、Top 紧急、回复表），本地打开即看。
- MD：待跟进清单 + 复盘摘要（高互动规律、风险提示）。

第 7 步：复盘反哺闭环（让回复越回越准）

> 第 1–6 步是"把这一波互动处理好"；第 7 步把"处理结果"变成"下次更好用"的资产——这是本技能与 omni 家族"验证库反哺"范式一致的核心闭环。

你发出去之后，哪些话术真把差评平息了、哪些真带来了转化、哪些反而让情况升级了，都值得被记下来。本步骤用 scripts/engage_retro.py 把真实结果沉淀为本地验证库 engage_playbook.json：

# 1) 喂一批真实结果（你实际发送后的 outcome）
python scripts/engage_retro.py add --in results.json
#    results.json: [{"intent":"complaint","platform":"douyin","variant":1,"tone":"deai","cta":"私信发截图","outcome":"resolved"}, ...]
#    outcome ∈ resolved(平息) | converted(转化) | reinforced(强化) | escalated(恶化)

# 2) 看各意图的"最佳打法画像"
python scripts/engage_retro.py summary
# 3) 输出下次默认照做的回复策略
python scripts/engage_retro.py benchmark
# 上手即见效果（写入 5 条示例）
python scripts/engage_retro.py seed

沉淀之后，第 3–4 步自动调优：带着 --playbook 跑分类与回复，脚本会按验证库给同类意图挑"历史上最灵的语气/话术变体"，并在看板附上"基于你历史验证的回复策略"——

python scripts/engage_analyze.py --in comments.json --out comments_enriched.json --deai --playbook
python scripts/engage_export.py --in comments_enriched.json --formats csv,html,md --title "本周互动" --out out/ --playbook

由此形成完整飞轮：发布 → 互动涌入 → 回复处理 → 真实结果回流 → 复盘沉淀 → 下次同类评论越回越准。同时看板归纳出的"高互动选题/形式/时段"可回灌 omni-viral-studio 做下一轮选题，让整个内容增长闭环越转越快。

• 验证库纯本地、零联网，数据不出本机；首次使用先 seed 即可看到结构，日常用 add 持续喂养（样本越多越准）。
• 详见 references/closed-loop-playbook.md（复盘操作手册）。

边界与说明

• 纯本地、零 API：所有分类/回复/排分/复盘都在本机标准库完成，不联网、不上传你的粉丝数据，隐私友好。
• 回复是"建议草稿"：AI 生成的回复需你过目确认后发送；涉及退款/法律/医疗等敏感答复，技能会标注"需人工确认"。
• 不替代平台后台：本技能产出话术与队列，实际发送仍在各平台 App/后台完成（避免触发平台风控与授权复杂度）。
• 可扩展：references/reply-templates.md 与脚本内词库均可按你的行业/品牌语气二次编辑。
• 复盘验证库是"你的"：engage_playbook.json 只记录你自己的真实结果，越喂越准；可随时 seed 重置为示例基线。

快速上手（零门槛示例）

# 1) 把三个平台的评论分别存成 txt（一行一条），然后：
python scripts/engage_ingest.py \
  --paste douyin dy.txt --paste xhs xhs.txt --paste gzh gzh.txt \
  --dedup --out comments.json

# 2) 分类 + 回复 + 排分（首次先 seed 一个示例验证库，之后用 --playbook 调优）
python scripts/engage_retro.py seed
python scripts/engage_analyze.py --in comments.json --out comments_enriched.json --deai --playbook

# 3) 导出话术表 + 看板 + 清单（看板附带"基于你历史验证的回复策略"）
python scripts/engage_export.py --in comments_enriched.json \
  --formats csv,html,md --title "本周互动" --out out/ --playbook

# 4) 你实际发出去之后，把结果喂回验证库，下次越回越准
python scripts/engage_retro.py add --in results.json

详见 references/usage-examples.md（含从两个家族技能产物衔接的端到端示例）与 references/closed-loop-playbook.md（复盘操作手册）。

常见问题（FAQ）

Q1：复盘验证库会把我的粉丝数据上传吗？
不会。engage_playbook.json 只记录"意图/平台/用了哪条话术/结果如何"的聚合统计，不含任何原文或个人信息，纯本地、零联网。

Q2：--playbook 会不会乱改我的回复？
不会。它只在验证库对某意图有明确的"最佳语气/变体"时才调优，其余仍按默认规则生成；所有回复都是"建议草稿"，发送前你都会过目确认。

Q3：第一次用没有数据怎么办？
先跑 python scripts/engage_retro.py seed 写入 5 条示例，立刻能看到验证库结构和 benchmark 推荐策略；之后用 add 持续喂你自己的真实结果，样本越多越准。

Q4：这个技能能单独用吗，还是要配合 omni 家族？
可完全独立使用（粘贴评论即可）。它同时也是 omni-viral-studio / omni-material-studio 的下游收口环节，看板归纳的高互动规律可回灌上游做下一轮选题，形成增长飞轮。