4 条提示词，如何把 98 条产品评论变成工程决策依据 ｜ 技术实践

2026 年，智能体将在企业级应用中取得哪些实质性突破？点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！

GE Profile Opal 2.0 是一款售价 500 美元的台面式颗粒冰制冰机。在亚马逊上，它的评分为 3.7 星。乍看之下，这个分数似乎只是有些平庸。也许值得改进，但还不至于让人担忧。

与此同时，其他顾客写道：“我全家都迷上了这种冰”和“这是我们买过最好的东西”。这些五星评价确实热情洋溢。

这并不是一款糟糕的产品，而是一款评价两极分化的产品。它既深受喜爱，又引发了安全问题升级处理。平均星级无法告诉你任何有用的信息。你需要知道具体出了什么问题、问题有多常见、问题是否在加剧，以及哪些评论需要立即关注。

当时没有现成的地方能提供这些信息，于是我们自己动手做了。只用了四条提示词，在 Hex Agent 的一次会话中，从空白页面到发布应用，不到 20 分钟。

本教程使用亚马逊真实评论数据，数据来自 Snowflake Marketplace 上的 Amazon Best Sellers 数据集（免费，包含 2,700 款产品的 25.6 万条评论）。所有内容都不是模拟生成的。每条查询都基于真实评论运行，每项结果也都是真实的。

我们打开 Hex，连接 Snowflake，定位到 GE Opal 的评论数据，然后输入：

“展示 GE Profile Opal 制冰机的评论。我想查看星级分布，以及覆盖所有评分档位的评论样本。产品 ASIN 是 B0964BF4N7。”

Agent 找到了这款产品：在数据集中有 98 条评论，亚马逊总评分为 3.7 星，评分总数为 4,375 条，并立即生成了星级分布图。仔细查看后，我们发现评价两极分化十分明显：一星和五星评论的数量大致相当，三星评论也有一大块。但分布图没有告诉我们原因。于是我们继续提示它。

“分析这些 Opal 评论：评估情感倾向（比星级更细致），按投诉主题分类（quality_defect、mold_hygiene、customer_support、noise_level、setup_maintenance、value_for_money），标记顾客正在退货或描述健康/安全问题的评论，并按优先级排序：安全 > 严重 > 高 > 中 > 低。”

Hex Agent 使用 Snowflake Cortex AI Functions，一次性处理了全部 98 条评论，补充了情感评分、主题分类、升级处理风险检测、具体缺陷提取和优先级。它先用 2 条数据验证输出结构（AI 函数按行计费），然后再扩展到全部 98 条。

这项分析发现，三星评论中隐藏着大量问题。 三星通常意味着“一般”。但 23 条三星评论中，有 21 条实际上属于高严重程度的问题，包括水泵损坏、制冰筒断裂以及管路中滋生细菌。真正的负面评价比例并非 29%（一至两星），而是约 55%，因为仔细阅读后，三星评论也揭示了问题。

安全标记也是如此：6 条安全相关评论中，有 3 条的评分达到三星或更高。只按星级筛选，根本无法发现它们。

“用一段面向高管的文字，总结所有负面评论中最常见的三个质量问题。请具体说明哪些部件出了问题、故障发生得有多快，并给出工程优先级建议。”

Hex Agent 从全部 52 条负面评论中提取故障部件和故障发生时间，然后汇总出以下内容：

Opal 2.0 的 3.7 星评分，主要源于三类反复出现的硬件故障，而非口味或预期不符。 第一，制冰螺旋钻传动系统——在 44 条已识别的故障中占 23 条（52%）——评论描述了逐渐出现的尖啸、刺耳声或磨擦声，故障中位发生时间为购买后 6 个月。此外，23 台设备中有 14 台无法使用，8 位评论者表示替换机也以同样方式发生故障。第二，供水子系统出现 13 起故障：7 起水位传感器误报“请加水”、3 起水泵故障和 3 起漏水。第三，5 条评论提到了内部管路中的生物膜和霉菌污染，并被标记为健康/安全问题；其中 5 条里有 3 条来自评分仍达到三星或更高的顾客，因此仅靠星级监控会忽略这项风险。

工程优先级建议： P0——重新设计制冰螺旋钻传动系统（问题数量最多、出现最早，而且已确认替换机也会重复故障）。P0——治理供水通路中的霉菌问题（发生数量较少，但存在健康/安全责任风险）。P1——提高水位传感器和水泵的可靠性。

Hex Agent 给出的不是“评论摘要”，而是一份产品工程简报——包含部件名称、故障时间线、复发率和优先行动建议——只需一条提示词就能生成。

“为我构建一个交互式应用，包含：摘要卡片（评论总数、安全警报数、严重问题数、主要缺陷）、优先级和投诉主题筛选器、主题柱状图，以及带优先级颜色标记、可排序的评论表。标题为‘3.7 星没有告诉你的事’。然后发布它。”

Hex 构建了一个生成式数据应用，这是一个拥有布局、组件和实时数据的完整交互式应用。应用中包括：

摘要卡片：98 条评论、6 条安全警报（红色）、19 条严重优先级问题（琥珀色）；主要缺陷为压缩机/电机噪声（出现 23 次，中位起始时间为 6 个月）；

柱状图：按投诉主题统计的评论数量——质量缺陷占主导，共 58 条，其次是设置与维护（16 条）和噪声（9 条）；

评论表：按优先级排序，并用彩色标签标示（安全：红色 → 严重：琥珀色 → 高 → 中 → 低）；负面情感评分以红色显示；点击即可展开完整评论内容和模型分析依据。

探索经过 Cortex AI Functions 分析的 98 条 GE Opal 评论。查看安全警报、主题分布和缺陷提取结果。复制这份 Notebook，再换成你自己产品的评论数据。

从 Marketplace 上的免费数据集，到已发布的 AI 产品情报应用。一个人、一次 Notebook 会话、四条提示词。

传统做法需要数据工程团队导出评论、NLP 团队构建分类模型、BI 团队设计仪表盘、产品经理撰写优先级标准，还要分析师维护数据刷新计划——横跨四个团队，耗时数周。而我们只用了一次会话。

GE Opal 案例只是一个通用模式的具体示例。替换数据源和分类标签，架构本身并不改变：

这个模式始终是：非结构化文本 → 使用 AI 函数进行分类、提取和筛选 → 为利益相关方打造应用。变化的只有数据和标签。

本教程中的所有 AI 能力都以 SQL 原生函数的形式在 Snowflake 内部执行。使用方式和 COUNT() 或 SUM() 一样。

Snowflake 还提供其他函数——AI_TRANSLATE（在分析前翻译多语言评论）、AI_REDACT（分享前移除个人身份信息）、AI_PARSE_DOCUMENT（处理 PDF 和扫描表单）、AI_TRANSCRIBE（转录通话录音）——可与上述函数组合使用，以适配不同的数据类型。

数据不会离开你的账户。 评论文本在平台内部处理。对于需要遵循 GDPR、HIPAA 或内部数据丢失防护（DLP）政策的团队来说，这往往决定了方案能否获批，还是会被法务部门拦下；

治理机制自动生效。 如果用户没有某个列的 SELECT 权限，就无法将该列传入 AI 函数。现有的数据屏蔽策略、行级安全和审计日志都能继续发挥作用，无需额外配置；

无需管理基础设施。 不需要 API 密钥、模型托管、GPU 集群，也无需监控 token 限制。它只是一个 SQL 函数。

关于生产数据流水线： 本演示使用的是静态数据（Marketplace 数据集）。在生产环境中，如果使用自己的实时数据，可以通过动态表并设置目标延迟来封装数据增强流程：新评论会在每个刷新周期自动完成 AI 增强，应用始终展示最新状态。Cortex AI Functions 支持增量刷新，因此只需为新增行付费，无需重新处理整张表。

过去，从“我有非结构化数据”到“我有一个副总裁都收藏了的已发布 AI 应用”，需要四个团队协作，花上数周时间。如今，只需要一个人、一个 Notebook 和四条提示词。

原文地址：https://medium.com/snowflake/what-3-7-stars-wont-tell-you-fcaa1c7058b2

点击链接立即报名注册：https://www.snowflake.com/events/snowflake-ascent-china/更多 Snowflake 精彩活动请关注专区