bettafish-opinion-analysis

# BettaFish 舆情分析系统 BettaFish（微舆）是一个**无数据库依赖、无模拟数据**的多智能体舆情分析系统，采用 **QueryAgent + MediaAgent + InsightAgent 三引擎并行架构**，通过 **ForumEngine** 实现 Agent 间协作讨论，执行 **3 轮反思循环**优化分析，最终**同时生成 Word/PDF 文档和高质量 HTML 可视化报告**。 ## 输出产物说明 本 Skill **同时生成三种格式的报告**，每种格式都必须包含**丰富的文本内容**，而不仅仅是视觉效果： ### 报告内容结构要求 所有报告必须包含以下**8个核心章节**，每个章节都需要**详细的文本分析和数据支撑**： ``` 1. 执行摘要（核心发现 + 关键指标 + 主要结论） 2. 品牌声量与影响力分析（整体趋势 + 渠道分布 + 区域分析） 3. 关键事件深度回顾（时间线 + 多方观点 + 数据支撑） 4. 情感与认知分析（情感光谱 + 品牌联想 + 核心议题） 5. 用户画像分析（人群属性 + 触媒习惯） 6. 声誉风险与机遇洞察（负面议题 + 风险预警 + 正面机遇） 7. 结论与战略建议（SWOT分析 + 优化建议 + 监测重点） 8. 数据附录（指标汇总 + 来源清单） ``` ### 内容丰富度标准 **每个章节必须包含**： - **详细分析段落**：至少3-5段深入分析文字，解释数据背后的洞察 - **具体数据支撑**：KPI指标、百分比、对比数据等 - **多维度视角**：Query/Media/Insight 三引擎的交叉分析 - **案例说明**：具体事件、引用、用户评论示例 - **表格展示**：事件时间线、数据对比、来源清单等 - **引用块**：关键结论、分析师总结、用户原话 **禁止**： - ❌ 只有图表没有文字解释 - ❌ 只有数据没有分析洞察 - ❌ 只有标题没有详细内容 - ❌ 使用占位符或模板文本 ### 1. Word 文档 (.docx) - **用途**: 正式汇报、打印存档、邮件附件、向上级提交 - **特点**: - 结构清晰、内容完整、格式规范 - **图文并茂**：图表配合详细文字说明 - 标准公文格式，适合正式场合 - **生成方式**: 使用 `docx` subskill 通过 docx-js 生成 ### 2. PDF 文档 (.pdf) - **用途**: 正式汇报、跨平台分享、不可编辑存档 - **特点**: 版式固定、兼容性强、专业外观 - **生成方式**: 使用 `pdf` subskill 通过 reportlab 生成 ### 3. HTML 交互式报告 (.html) - **用途**: 演示展示、在线分享、交互探索 - **特点**: 独特的编辑杂志风格设计、丰富的交互可视化 - **生成方式**: 使用 `frontend-design` subskill 生成 --- ## 报告模板系统 本 Skill 内置 **6 种专业舆情分析报告模板**，根据用户需求自动匹配最合适的模板结构。 ### 模板类型与适用场景 | 模板名称 | 适用场景 | 核心特点 | |---------|---------|---------| | **企业品牌声誉分析** | 品牌月度/季度声誉监测 | 品牌形象、用户认知、声誉风险 | | **突发事件与危机公关** | 危机事件应急分析 | 事件溯源、传播分析、应对策略 | | **社会公共热点事件** | 社会热点追踪 | 演变脉络、传播路径、多方观点 | | **市场竞争格局分析** | 竞品对比、市场份额 | SOV对比、口碑对比、营销策略 | | **特定政策/行业动态** | 政策解读、行业分析 | 政策影响、行业反应、机遇挑战 | | **日常/定期舆情监测** | 周期性监测报告 | 数据看板、趋势追踪、风险预警 | ### 模板选择逻辑 **Step 1: 识别分析类型** 根据用户查询自动判断适用的模板： ```yaml 关键词匹配规则: 企业品牌声誉分析: - "品牌声誉" - "品牌形象" - "品牌口碑" - "企业舆情" 突发事件与危机公关: - "危机" - "突发事件" - "负面舆情" - "公关" - "回应" - "道歉" 社会公共热点事件: - "热点事件" - "社会热议" - "舆论焦点" - "公众关注" 市场竞争格局分析: - "竞品" - "对比" - "竞争" - "市场份额" - "vs" 特定政策/行业动态: - "政策" - "行业" - "新规" - "监管" 日常/定期舆情监测: - "定期" - "周报" - "月报" - "监测" - "追踪" ``` **Step 2: 加载对应模板结构** 根据识别结果，读取 `assets/templates/` 目录下对应模板文件，获取详细的章节结构。 ### 模板使用说明 **默认行为**： - 如果用户查询未明确匹配任何模板类型，使用**企业品牌声誉分析**模板作为默认结构 - 如果用户明确要求"竞品对比"、"危机分析"等，自动切换到对应模板 **模板内容填充要求**： - 每个章节必须包含 **3-5 段详细分析文字** - 时间线章节必须包含 **结构化表格** - 对比分析必须包含 **数据对比表格** - 每个二级章节下必须有 **具体案例和数据支撑** --- ## 核心架构 ``` 用户查询输入 ↓ [并行启动三 Agent] ├─ QueryAgent ──┐ ├─ MediaAgent ──┼──→ ForumEngine (Agent 讨论协作) └─ InsightAgent ─┘ ↓ [3轮反思循环优化] ↓ [ReportEngine 报告生成] ↓ ├─ docx subskill → Word 文档 ├─ pdf subskill → PDF 文档 └─ frontend-design subskill → HTML 报告 ``` ## Agent 职责分工 | Agent | 职责 | 数据获取方式 | LLM 推荐 | |-------|------|-------------|----------| | **QueryAgent** | 网页搜索、新闻资讯、论坛讨论 | WebSearch + WebFetch + Browser | DeepSeek | | **MediaAgent** | 短视频/图文内容分析 | 下载视频 → video-frames 提取帧 → 分析 | Gemini-2.5-pro | | **InsightAgent** | 情感分析、关键词提取、聚类分析 | WebSearch + Python 脚本分析 | Kimi-K2 | | **ForumHost** | 主持 Agent 讨论、引导研究方向 | LLM 生成 | Qwen-Plus | ## 设计规范：编辑杂志风格 HTML 报告采用 **Editorial/Magazine（编辑杂志）风格**，遵循以下设计原则： ### 视觉风格 | 设计元素 | 规范 | 说明 | |---------|------|------| | **整体风格** | 编辑杂志风 | 高端出版物质感，如《Monocle》《Wallpaper》| | **色彩方案** | 深海军蓝 + 暖金色 | 主色 `#0a192f`，强调色 `#ffd700`，营造专业权威感 | | **字体搭配** | Playfair Display + Source Serif Pro | 衬线字体组合，传递优雅与可信度 | | **布局特点** | 不对称网格 + 慷慨留白 | 打破常规对称，创造视觉张力 | | **动效设计** | 电影级滚动触发 + 微交互 | 页面加载渐现、图表动画、悬停反馈 | ## 执行步骤 ### Step 1: 需求解析与模板选择 #### 1.1 提取分析要素 ```yaml 分析目标: "品牌声誉/热点追踪/账号挖掘/竞品对比/危机公关/政策分析" 目标主体: "品牌名/事件名/话题关键词" 时间范围: "近7天/近30天/自定义" 输出格式: "Word + PDF + HTML" ``` #### 1.2 智能模板选择 **根据用户查询内容，自动匹配最合适的报告模板：** ```python def select_report_template(user_query): """ 根据用户查询选择报告模板 返回: (template_name, template_path) """ query = user_query.lower() # 模板匹配规则 template_keywords = { "突发事件与危机公关": ["危机", "突发事件", "负面舆情", "公关", "回应", "道歉", "事故"], "社会公共热点事件": ["热点事件", "社会热议", "舆论焦点", "公众关注", "热议话题"], "市场竞争格局分析": ["竞品", "对比", "竞争", "市场份额", "vs", "比较"], "特定政策或行业动态": ["政策", "行业", "新规", "监管", "法规", "指导意见"], "日常或定期舆情监测": ["定期", "周报", "月报", "监测", "追踪", "日报"], "企业品牌声誉分析": ["品牌声誉", "品牌形象", "品牌口碑", "企业舆情", "声誉"] } # 匹配逻辑 for template_name, keywords in template_keywords.items(): if any(kw in query for kw in keywords): return template_name, f"assets/templates/{template_name}报告模板.md" # 默认使用品牌声誉模板 return "企业品牌声誉分析", "assets/templates/企业品牌声誉分析报告模板.md" ``` **模板选择示例：** | 用户查询 | 自动选择模板 | |---------|-------------| | "分析某咖啡连锁品牌社交媒体口碑" | 企业品牌声誉分析 | | "某音乐节安全事故危机分析" | 突发事件与危机公关 | | "对比可口可乐和百事可乐的舆情表现" | 市场竞争格局分析 | | "追踪环保新规对饮料行业影响" | 特定政策或行业动态 | | "本周我司品牌舆情监测" | 日常或定期舆情监测 | #### 1.3 加载模板结构 **读取选定的模板文件，获取详细的章节结构：** ```python # 读取模板文件 template_content = read_file(selected_template_path) # 解析章节结构 report_structure = parse_template_structure(template_content) # 输出示例: # { # "模板名称": "企业品牌声誉分析", # "章节": [ # {"1.0": "摘要与核心发现", "子章节": ["1.1", "1.2", "1.3"]}, # {"2.0": "品牌声量与影响力分析", "子章节": ["2.1", "2.2", "2.3"]}, # ... # ] # } ``` #### 1.4 关键词优化 **基于选定的模板类型，生成针对性的搜索关键词：** ```yaml 模板类型: "企业品牌声誉分析" 基础关键词: "某咖啡连锁品牌" 优化后关键词: QueryAgent: - "某咖啡品牌 用户评价 口碑" - "某咖啡品牌 产品 质量" - "某咖啡品牌 体验 评测" MediaAgent: - "某咖啡品牌 抖音 视频" - "某咖啡品牌 小红书 种草" InsightAgent: - "某咖啡品牌 情感分析" - "某咖啡品牌 舆情" ``` --- ### Step 2: 并行启动三 Agent（ForumEngine 协作） **所有 Agent 同时启动，独立执行，通过 ForumEngine 共享发现：** #### QueryAgent 执行流程： 1. 使用 WebSearch 搜索新闻/论坛/博客 2. 使用 Browser 访问关键页面获取详细内容 3. 使用 WebFetch 获取页面结构化数据 4. 提取关键信息，生成初步摘要 5. **发布发现到 ForumEngine** #### MediaAgent 执行流程： 1. 使用 WebSearch 搜索短视频/图文内容链接 2. 下载相关视频文件到本地 3. 使用 **video-frames subskill** 提取关键帧 4. 分析视频帧内容（画面、文字、场景） 5. **发布发现到 ForumEngine** #### InsightAgent 执行流程： 1. 使用 WebSearch 获取补充数据 2. 执行情感分析（基于规则引擎） 3. 提取关键词和热点话题 4. 使用 **search_clustering.py** 对搜索结果聚类采样 5. **发布发现到 ForumEngine** ### Step 3: ForumEngine Agent 讨论（3轮反思循环） **ForumEngine 机制**： - 每个 Agent 将发现以结构化格式提交到论坛 - ForumHost（主持人）每收集到 3 条 Agent 发言后生成引导 - 主持人提出新的研究问题和方向 - Agent 根据引导进行下一轮搜索和分析 **3轮反思循环**： ``` 第1轮：初步搜索 → Agent 发言 → 主持人引导 第2轮：深度搜索 → Agent 补充 → 主持人总结 第3轮：验证搜索 → Agent 确认 → 最终结论 ``` ### Step 4: 数据整合与知识图谱构建 1. 收集三 Agent 和 ForumEngine 的所有发现 2. 使用 **graph_generator.py** 构建知识图谱 3. 生成 D3.js 力导向图数据 ### Step 5: 双格式报告生成（基于选定模板） **⚠️ 关键：严格按照 Step 1 选定的模板结构生成报告** #### 5.1 读取模板结构 ```python # 获取 Step 1 选定的模板 template_structure = load_template(selected_template_path) # 按模板章节结构遍历生成内容 for chapter in template_structure.chapters: for subsection in chapter.subsections: # 根据子章节类型生成对应内容 content = generate_content_by_type(subsection.title, agent_findings) ``` #### 5.2 内容生成规范 **每个章节必须包含**： - **详细分析段落**：3-5段深入分析文字 - **数据表格**：时间线、对比表等 - **高亮框**：重要发现 - **引用块**：分析师总结 - **三引擎交叉分析**：Query/Media/Insight视角 **内容类型判断**： - 标题含"时间线" → 生成结构化时间线表格 - 标题含"对比" → 生成数据对比表格 - 其他 → 生成3-5段分析段落 #### 5.3 同时生成三种格式 **A. Word文档**（使用docx subskill） - 结构：封面 + 目录 + 8章正文 + 附录 - 字体：正文宋体、标题黑体 - 格式：1.5倍行距、首行缩进2字符 - 使用`docx-js`通过JavaScript生成 **B. PDF文档**（使用pdf subskill） - 版式固定、中文字体支持 - 使用`reportlab`通过Python生成 - 必须注册中文字体（SimSun/SimHei） **C. HTML报告**（使用frontend-design subskill） - 编辑杂志风格设计 - 深海军蓝(#0a192f)背景 + 金色(#ffd700)强调 - Playfair Display + Source Serif Pro字体 - 包含ECharts图表和D3.js知识图谱 - 分页导航 + 键盘操作支持 #### 5.4 报告质量检查 - [ ] 三Agent并行执行完成 - [ ] ForumEngine完成3轮讨论 - [ ] 所有数据来自真实WebSearch - [ ] 同时生成Word、PDF、HTML三种格式 - [ ] 每个章节包含3-5段详细分析文字 - [ ] 包含数据表格和图表 - [ ] HTML报告有章节导航 ## 数据采集规范 ### QueryAgent 数据获取 **使用智能体自带工具，禁止模拟数据：** ``` 1. WebSearch("某咖啡连锁品牌 口碑评价") 2. WebSearch("site:weibo.com 某咖啡品牌") 3. Browser 访问关键页面获取详细内容 4. WebFetch 获取页面结构化数据 5. Curl 命令行获取 API 数据或特殊页面 ``` **Curl 使用示例：** ```bash # API 数据获取 curl -s "https://api.social-media.com/posts?q=某咖啡品牌" # 带 Headers 的页面请求 curl -s -H "User-Agent: Mozilla/5.0" \ -H "Accept: application/json" \ "https://www.example.com/api/data" # 获取并重定向输出到 Python 处理 curl -s "https://api.example.com/data" | python -c "import sys,json; print(json.load(sys.stdin))" ``` ### MediaAgent 视频分析 **真实视频分析流程：** ``` 1. WebSearch 搜索视频链接（抖音、B站、小红书） 2. 下载视频到本地临时目录 3. 使用 video-frames subskill 提取关键帧： {baseDir}/scripts/frame.sh /tmp/video.mp4 --time 00:00:05 --out /tmp/frame_5s.jpg 4. 分析视频帧内容（画面元素、文字、场景） 5. 结合视频描述文字进行综合分析 ``` ### InsightAgent 数据分析 **使用 Python 脚本进行分析：** ```python # 情感分析 from scripts.sentiment_analyzer import SentimentAnalyzer analyzer = SentimentAnalyzer() results = analyzer.analyze_batch(texts) # 搜索结果聚类采样 from scripts.search_clustering import cluster_search_results clusters = cluster_search_results(search_results, n_clusters=5) ``` ## 内置工具使用 ### 1. 搜索结果聚类采样（search_clustering.py） ```python from scripts.search_clustering import cluster_search_results, sample_from_clusters # 对搜索结果进行 KMeans 聚类 clusters = cluster_search_results( results=search_results, n_clusters=5, samples_per_cluster=3 ) # 返回每个聚类的代表性样本 representative_samples = sample_from_clusters(clusters) ``` ### 2. 情感分析（sentiment_analyzer.py） ```python from scripts.sentiment_analyzer import SentimentAnalyzer, analyze_sentiment_distribution analyzer = SentimentAnalyzer() result = analyzer.analyze("这个产品真的很棒！") # 返回: label, confidence, positive_score, negative_score, fine_emotions, aspects ``` ### 3. 知识图谱构建（graph_generator.py） ```python from scripts.graph_generator import KnowledgeGraphBuilder builder = KnowledgeGraphBuilder(topic="某咖啡连锁品牌") builder.build_from_analysis_result( query_results=query_data, media_results=media_data, insight_results=insight_data ) graph_data = builder.to_dict() ``` ## ForumEngine 协作协议 ### Agent 发言格式 ```json { "agent": "QueryAgent", "round": 1, "findings": { "key_points": ["发现1", "发现2"], "sources": [{"title": "...", "url": "..."}], "confidence": 0.85 }, "questions": ["需要进一步验证的问题"] } ``` ### 主持人引导格式 ```json { "host": "ForumHost", "round": 1, "summary": "本轮讨论总结", "directions": ["下一步研究方向1", "方向2"], "questions": ["需要回答的关键问题"] } ``` ## 质量检查清单 生成报告前检查： - [ ] **三 Agent 并行执行完成** - [ ] **ForumEngine 完成 3 轮讨论** - [ ] **所有数据来自真实 WebSearch，无模拟数据** - [ ] **视频分析使用 video-frames 提取帧** - [ ] **搜索结果经过聚类采样处理** - [ ] **同时生成 Word、PDF、HTML 三种格式** - [ ] **Word 使用 docx subskill 生成，格式规范** - [ ] **PDF 使用 pdf subskill 生成** - [ ] **HTML 使用 frontend-design subskill，编辑杂志风格** - [ ] **情感分布饼图使用艺术化设计** - [ ] **趋势图有电影级动画效果** - [ ] **知识图谱可交互（D3.js 力导向图）** - [ ] **支持 PDF 导出功能** - [ ] **不使用任何数据库和深度学习模型** ## Subskills 调用方式 ### video-frames ```bash # 提取视频帧 {baseDir}/subskills/video-frames/scripts/frame.sh /path/to/video.mp4 --time 00:00:10 --out /tmp/frame.jpg ``` ### docx ```javascript // 生成 Word 文档 const { Document, Packer } = require('docx'); // ... 详见 docx subskill 文档 ``` ### frontend-design ``` 使用 frontend-design subskill 生成 HTML 报告 - 深海军蓝 (#0a192f) 背景 - 金色 (#ffd700) 强调 - Playfair Display 字体 - 电影级动画效果 ``` ### pdf ```python from reportlab.lib.pagesizes import letter from reportlab.platypus import SimpleDocTemplate # ... 详见 pdf subskill 文档 ``` ## 版本历史 - **v1.0.0** - 初始版本 - 实现 QueryAgent + MediaAgent + InsightAgent 三引擎并行架构 - 实现 ForumEngine Agent 间协作讨论 - 实现 3 轮反思循环优化 - 集成 video-frames、docx、frontend-design、pdf subskills - 同时输出 Word、PDF、HTML 三种格式 - 无数据库依赖，无模拟数据 - 搜索结果聚类采样