# 从评论 JSON 到有证据的内容洞察

将不同平台的评论转为表格，保留证据、标注主题，再交给人工或 AI 归纳，避免把采样结果误当市场结论。

页面：https://datanavoapi.com/guides/comments-to-insights/

接口解决获取问题，研究仍需要清楚的问题和可追溯的证据。先建立一张能回到原始评论的表，再尝试总结。

输入：一份包含 data.items 的评论响应，以及一个明确研究问题。

输出：带来源与证据编号的评论表，以及可复用的归纳提示词。

可用范围：表格转换在浏览器内完成。DataNavoAPI当前不自动调用大模型，也不会自动产生洞察报告。

## 先写下你想解决的一个问题

例如“观众在购买手冲器具前有哪些信息缺口”，比“分析一下这些评论”更容易得到可用结果。明确内容范围、时间和采样方式。

演示样本适合练习表格结构和分析步骤；要形成真实结论，必须换成你有权处理的真实材料，并注明样本边界。

## 导出，并保留原始证据

在调试台复制响应，将整份 JSON 粘贴到转换工具。检查评论编号、文本、作者和计数，下载 CSV 后保留原始 JSON。

另记平台、对应内容编号、获取时间与页数。多页合并时用“平台 + 评论编号”识别重复项。缺失计数留空，不要补成 0。

[JSON 转 CSV](https://datanavoapi.com/tools/json-to-csv/)

## 用一个小而清楚的标签集

先读少量评论，建立几个互斥程度足够高的标签，例如“产品选择”“操作困难”“价格”“无关”。允许“无法判断”，不要迫使每条评论都支持某个结论。

需要 AI 协助时，可以把下面的要求连同材料交给你自己的 AI 客户端。DataNavoAPI在此提供提示词；不会将评论自动发送给外部模型。

```
请仅根据我提供的评论分析这个问题：［填入研究问题］。
1. 先说明样本范围与不足，不推断整个市场。
2. 将评论归入 3–6 个主题，允许“无关”和“无法判断”。
3. 每个主题给出原始评论 ID 和短引文作为证据。
4. 区分直接观察、你的推断和仍需验证的假设。
5. 不补全缺失数据，不虚构引文或评论编号。
```

## 把洞察变成下一次验证

完成后人工核对引文与编号，尤其检查否定语气、反讽和多语言表达。主题计数只描述这份样本，不代表整体受众比例。

最终输出可以是三个待验证问题、一个内容选题清单，或下一轮访谈提纲。每条建议保留证据，方便新样本到来后更新判断。

## 相关能力

- [获取笔记评论](https://datanavoapi.com/apis/xiaohongshu/notes/comments/list/)

- [获取抖音视频评论](https://datanavoapi.com/apis/douyin/videos/comments/list/)

- [获取 YouTube 评论](https://datanavoapi.com/apis/youtube/videos/comments/list/)

- [获取 TikTok 评论](https://datanavoapi.com/apis/tiktok/videos/comments/list/)

## 机器接入与数据说明

演示固定返回虚构样本，请检查 meta.mode，不得作为实时市场事实。MCP 默认 demo，可显式配置客户 Key 使用 simulated；SDK 固定模拟模式。模拟调用只消耗 TEST_CREDIT，真实供应商和支付保持关闭。

[能力合同](https://datanavoapi.com/catalog.json)

[OpenAPI](https://datanavoapi.com/openapi.json)

[Agent 指引](https://datanavoapi.com/agents.md)
