背景：新品發(fā)布期的用戶聲音亟待結(jié)構(gòu)化洞察

2025 年 10 月，華為正式發(fā)布 Mate 80 系列旗艦手機(jī)，涵蓋 Mate 80、Mate 80 Pro、Mate 80 RS 以及延續(xù)經(jīng)典的 Mate X2 折疊屏機(jī)型。作為國(guó)產(chǎn)高端智能手機(jī)的代表，該系列一經(jīng)亮相便在全球科技圈引發(fā)熱議。我們團(tuán)隊(duì)通過(guò) YouTube Data API 采集了與“Mate 80”相關(guān)的數(shù)百個(gè)熱門視頻下的全部評(píng)論數(shù)據(jù)。

初步統(tǒng)計(jì)顯示，僅一周內(nèi)就收集到 超過(guò) 2.1 萬(wàn)條原始評(píng)論，內(nèi)容涵蓋產(chǎn)品功能評(píng)價(jià)、價(jià)格討論、競(jìng)品對(duì)比、購(gòu)買意向等豐富維度。然而，這些數(shù)據(jù)高度非結(jié)構(gòu)化：語(yǔ)言混雜（中英夾雜）、表達(dá)隨意（如“M80P太頂了！”、“mate80pro衛(wèi)星通話救命”）、情緒隱晦（如“等第一批用戶踩雷”實(shí)為觀望態(tài)度）。更關(guān)鍵的是，大量評(píng)論與 Mate 80 無(wú)關(guān)——例如討論 iPhone 16、榮耀 Magic7，甚至與手機(jī)完全無(wú)關(guān)的廣告或表情包。

面對(duì)海量噪聲數(shù)據(jù)，傳統(tǒng)人工閱讀或通用 NLP 工具已無(wú)法滿足高效、精準(zhǔn)的分析需求。我們需要一個(gè)能自動(dòng)識(shí)別具體機(jī)型、準(zhǔn)確判斷情感傾向、提煉核心關(guān)注點(diǎn)的智能系統(tǒng)，并在極低成本下快速落地。

目標(biāo)定義：構(gòu)建輕量級(jí)、高精度的輿情分析流水線

基于業(yè)務(wù)訴求，我們明確了三大核心目標(biāo)：

精準(zhǔn)過(guò)濾：僅保留明確提及 Mate 80 系列（含 Pro/RS/X2 等子型號(hào)）的評(píng)論；

細(xì)粒度分析：區(qū)分不同機(jī)型的情感分布與功能關(guān)注點(diǎn)；

結(jié)構(gòu)化輸出：生成可直接用于匯報(bào)的中文分析報(bào)告，包含情感比例、典型語(yǔ)句、熱門維度及各型號(hào)聲量。

技術(shù)選型：為什么選擇 LazyLLM？

在評(píng)估多個(gè)方案后，我們決定采用 LazyLLM + DeepSeek 大模型 的組合。原因如下：

開發(fā)效率高：LazyLLM 提供統(tǒng)一接口封裝主流大模型（包括 DeepSeek），無(wú)需處理認(rèn)證、重試、流式響應(yīng)等底層細(xì)節(jié)；

靈活性強(qiáng)：支持自定義 Prompt，可精確引導(dǎo)模型輸出所需 JSON 結(jié)構(gòu)；

成本可控：結(jié)合本地預(yù)處理，實(shí)現(xiàn)“一次調(diào)用、全局分析”的批處理模式。

這一架構(gòu)完美契合我們的“輕量、精準(zhǔn)、低成本”原則。

落地過(guò)程：從數(shù)據(jù)清洗到智能洞察 第一階段：本地規(guī)則引擎實(shí)現(xiàn)精準(zhǔn)過(guò)濾

我們首先構(gòu)建了一個(gè)本地型號(hào)識(shí)別模塊?？紤]到用戶寫法多樣（如 “Mate80Pro”、“Mate 80 Pro”、“m80 rs”），我們采用“標(biāo)準(zhǔn)化+最長(zhǎng)匹配”策略：

定義標(biāo)準(zhǔn)型號(hào)列表：["Mate 80 RS", "Mate 80 Pro", "Mate 80", "Mate X2"]；

將評(píng)論和型號(hào)均去除空格并轉(zhuǎn)小寫；

按型號(hào)長(zhǎng)度降序匹配，確保“Mate 80 Pro”不會(huì)被誤判為“Mate 80”。

大量評(píng)論與 Mate 80 無(wú)關(guān)——例如討論 iPhone 16、榮耀 Magic7，甚至與手機(jī)完全無(wú)關(guān)的廣告或表情包等（如下圖）

真正聚焦于 Mate 80 系列的評(píng)論散落在海量噪聲之中，且表達(dá)形式高度非結(jié)構(gòu)化，因此，我們統(tǒng)一提取所有明確提及 Mate 80 及其子型號(hào)（如 Pro、RS、X2）的評(píng)論進(jìn)行分析。

核心代碼如下：

    return found if found else ["Unknown"]

隨后，我們?cè)谥髁鞒讨姓{(diào)用該函數(shù)進(jìn)行批量篩選：

    return entries

該模塊在本地運(yùn)行，不依賴任何外部 API，2.1 萬(wàn)條評(píng)論僅需 3 秒即可完成過(guò)濾。最終，系統(tǒng)從 21,451 條原始評(píng)論中精準(zhǔn)提取出 274 條有效評(píng)論，過(guò)濾率達(dá) 98.7%。

第二階段：設(shè)計(jì)結(jié)構(gòu)化 Prompt 引導(dǎo)大模型輸出

我們將 274 條評(píng)論截取前 200 條（兼顧代表性與 token 限制），拼接成一段上下文，并精心設(shè)計(jì)中文 Prompt，明確要求模型：

統(tǒng)計(jì)正面/負(fù)面/中性情感數(shù)量及占比；

為每類情感提供 2 條原始評(píng)論示例；

從預(yù)設(shè)維度（如衛(wèi)星通信、操作系統(tǒng)、價(jià)格等）中選出熱度最高的 5 項(xiàng)；

分別統(tǒng)計(jì)各具體機(jī)型的提及次數(shù)；

所有輸出字段必須為簡(jiǎn)體中文，且為標(biāo)準(zhǔn) JSON 格式。

這一設(shè)計(jì)確保了 LLM 的輸出可直接解析，無(wú)需后處理。

Prompt 構(gòu)建代碼如下：

    return prompt

通過(guò) LazyLLM 的 OnlineChatModule，我們僅用一行代碼完成 DeepSeek 調(diào)用：

raw_output = llm(prompt)

為確保結(jié)果可靠，我們還加入了安全解析邏輯：

    result = {"原始LLM輸出": raw_output}

整個(gè)過(guò)程耗時(shí)約 4 秒，消耗約 10,000 tokens，成本僅為 ￥0.0015（約 0.15 分錢）如下圖（0.23包含其他請(qǐng)求）

第四階段：結(jié)果驗(yàn)證與業(yè)務(wù)賦能

系統(tǒng)輸出清晰展示了關(guān)鍵洞察：

Mate X2 是絕對(duì)討論焦點(diǎn)，占相關(guān)評(píng)論的 98%（196/200），Mate 80 系列幾乎未被提及。

正面情緒為主（62.5%），用戶稱贊其“無(wú)折痕折疊設(shè)計(jì)”和“硬件領(lǐng)先三星”。

負(fù)面主要集中在價(jià)格與生態(tài)：高價(jià)（約 $2700）、無(wú) Google 服務(wù)、不支持手寫筆和防水，被指“性價(jià)比低”。

中性評(píng)論多為混淆或詢問，如誤問“Mate 80 Pro 尺寸”，反映新品認(rèn)知度不足。

高頻維度：折疊屏、價(jià)格、系統(tǒng)、設(shè)計(jì)、相機(jī)——聚焦硬件形態(tài)與生態(tài)短板，Mate 80 新特性尚未進(jìn)入海外討論視野。

最終生成的 JSON 報(bào)告示例如下：

}

本次項(xiàng)目從需求提出到完成僅用 1 日，卻實(shí)現(xiàn)了傳統(tǒng)方式難以企及的分析深度與速度。更重要的是，它驗(yàn)證了一種可復(fù)用的輕量化大模型應(yīng)用范式：本地規(guī)則做“減法”，大模型做“加法”，用規(guī)則過(guò)濾噪聲，用智能提煉價(jià)值。

未來(lái)，該框架將擴(kuò)展至 Pura 系列、平板、穿戴設(shè)備等產(chǎn)品線，成為我們用戶聲音監(jiān)測(cè)的標(biāo)準(zhǔn)化工具。而這一切的起點(diǎn)，正是 LazyLLM 所提供的極簡(jiǎn)開發(fā)體驗(yàn)與強(qiáng)大問題解決能力。

版權(quán)聲明：本文作者@Y