舆情分析报告

当用户告知一个互联网热点事件时，联网搜索该事件的真实报道和讨论信息，按专业舆情分析报告的十大模块结构，生成包含完整传播链还原和多维图表的舆情分析报告，输出 HTML 交互版和 Word 正式版双版本。

使用时机

用户提及以下意图时触发本 Skill：

• "帮我写一份舆情分析报告""分析一下这个事件的舆情""做个舆情研判"
• "这个热点事件帮我分析一下""XX事件的舆情怎么样了"
• 输入 /舆情报告 斜杠命令

触发后工作流

第一步：确认事件和分析范围

1. 从用户输入中提取事件名称、关键词和已知背景。
2. 如果用户未说明分析时间范围，询问"需要分析从什么时候到现在的舆情？"或默认取事件发生至今的全周期。
3. 如果用户提供了补充信息（内部数据、侧重点、特定平台关注），记录为分析输入。
4. 识别事件类型（企业品牌危机、政务公共事件、社会民生热点），加载 @references/analysis-methodology.md 中对应的自适应规则。

第二步：联网搜索收集信息

1. 基于事件关键词，使用 WebSearch 进行多轮搜索，覆盖以下维度：
   - 事件起因和经过（"XX事件 起因 经过""XX事件 时间线"）
   - 首发平台和传播路径（"XX事件 首发平台 传播""XX事件 微博 抖音 微信"）
   - 官方回应和组织声明（"XX事件 官方回应 声明""XX事件 企业回应 政府回应"）
   - 网民观点和情感倾向（"XX事件 网友评论 观点""XX事件 舆论 情绪"）
   - 媒体报道和KOL发声（"XX事件 媒体报道""XX事件 大V 意见领袖"）
   - 历史相似案例（"类似XX事件 舆情案例""XX类事件 历史舆情"）
2. 每轮搜索记录来源URL、发布时间、关键信息摘要。
3. 搜索轮次不少于6轮，确保覆盖全部维度。信息不足时增加搜索轮次。

第三步：信息整理与分析

1. 将搜索结果按时间线梳理事件脉络，标注关键节点（爆发点、反转点、回应点、平息点）。
2. 加载 @references/analysis-methodology.md，按以下方法完成分析：
   - 传播链还原：识别首发平台→KOL放大→主流媒体跟进→跨平台扩散的完整链条
   - 情感分析：归纳正面/中立/负面观点分布及演变趋势
   - 传播阶段划分：引发期→爆发期→反复期→平息期
   - 历史舆情对比：找到1-2个相似案例，对比传播规律和应对效果
   - 风险研判：评估当前烈度、次生舆情风险、谣言风险
3. 所有数据和引用必须基于搜索到的真实信息，无法获取的数据明确标注"暂无公开数据"，不得编造。

第四步：构建报告数据结构

1. 加载 @references/report-structure.md，按十大模块组织内容。
2. 加载 @references/chart-specs.md，准备5-8张图表的数据结构。
3. 将完整报告内容组织为标准 JSON 数据结构，包含：
   - report_meta：标题、日期、事件名称、分析周期、报告人
   - modules：十个模块的文字内容
   - charts：每张图表的标题、类型、数据集
4. 将构建好的 JSON 数据写入临时文件，供脚本生成报告使用。

JSON 数据结构定义：

{
  "report_meta": {
    "title": "关于XX事件的舆情分析报告",
    "event_name": "XX事件",
    "analysis_period": "2024年X月X日 - X月X日",
    "report_date": "2024年X月X日",
    "analyst": "舆情分析助手",
    "event_type": "enterprise|government|social"
  },
  "modules": {
    "overview": { "background": "", "time_range": "", "data_sources": [], "core_conclusion": "" },
    "summary": { "timeline": [], "total_volume": "", "source_distribution": [], "key_facts": [] },
    "propagation": { "chain": [], "stages": [], "key_nodes": [], "cross_platform": "" },
    "content": { "hot_topics": [], "keywords": [], "sentiment_distribution": {}, "sentiment_evolution": [] },
    "opinions": { "netizen_views": [], "media_views": [], "expert_views": [], "official_views": [], "kol_list": [] },
    "subjects": { "entities": [], "response_timeline": [], "response_evaluation": "" },
    "history": { "similar_cases": [], "comparison": "", "lessons": "" },
    "risk": { "current_stage": "", "secondary_risks": [], "rumor_risks": [], "risk_level": "" },
    "recommendations": { "immediate": [], "guidance": [], "long_term": [], "offline": [] },
    "conclusion": { "key_findings": [], "future_trend": "" }
  },
  "charts": [
    {
      "id": "trend_chart",
      "title": "舆情声量趋势图",
      "type": "line",
      "data": { "labels": [], "datasets": [] }
    }
  ]
}

第五步：生成 HTML 报告

1. 使用当前会话的 Python 3.13 运行环境。确认 venv 和依赖：创建虚拟环境（如不存在），安装 jinja2。
2. 执行生成命令（python 路径按当前运行时配置）：
   bash <python路径> scripts/generate_html_report.py --input <json路径> --output <html输出路径>
3. 脚本读取 @assets/html-report-template.html 模板和 JSON 数据，生成内嵌 Chart.js 的 HTML 报告。
4. 图表使用 Chart.js CDN（https://cdn.jsdelivr.net/npm/chart.js），折线图遵循红涨绿跌规则。

第六步：生成 Word 报告

1. 确认 python-docx 和 matplotlib 已安装到虚拟环境。
2. 执行生成命令：
   bash <python路径> scripts/generate_docx_report.py --input <json路径> --output <docx输出路径>
3. 脚本用 matplotlib 将图表渲染为 PNG 图片，嵌入 Word 文档。
4. Word 文档包含封面、目录结构、正文和附录。

第七步：交付与呈现

1. 调用 present_files 同时展示 HTML 报告和 Word 报告。
2. HTML 报告会自动在浏览器预览面板打开。
3. 在回复中附报告核心结论摘要。

降级规则

质量自查清单

• [ ] 十大模块全部覆盖，无遗漏
• [ ] 传播链还原包含首发平台→KOL→主流媒体→跨平台完整链条
• [ ] 5-8张图表全部生成，数据基于真实搜索结果
• [ ] 所有数据和引用可追溯至搜索来源，无编造数据
• [ ] 无法获取的数据明确标注"暂无公开数据"
• [ ] 报告保持客观中立，呈现各方观点，无主观立场判断
• [ ] 历史舆情对比至少包含1个相似案例
• [ ] 组织回应分析包含回应时间线和效果评估
• [ ] 折线图等趋势图遵循红涨绿跌规则
• [ ] HTML报告可在浏览器正常打开，图表正常渲染
• [ ] Word报告格式规范，图表清晰可读
• [ ] 篇幅在8000-15000字范围

停止条件

• 事件涉及政治敏感内容：停止分析，告知用户无法处理
• 搜索结果完全为空，无法获取任何事件信息：停止生成，要求用户提供事件背景
• 用户明确要求停止：立即停止

事件类型自适应

加载 @references/analysis-methodology.md 获取三类事件的差异化侧重：

• 企业品牌危机：侧重组织回应效果、商业影响评估、品牌声誉损害、公关策略建议
• 政务公共事件：侧重政府回应、社会稳定风险、政策影响、公信力评估
• 社会民生热点：侧重舆论情绪演变、群体观点分化、社会心理分析、舆论引导建议