4 条提示词将 98 条产品评论转化为工程决策依据

一句话结论

借助 Snowflake Cortex AI 函数，用户通过 4 条提示词在 20 分钟内将非结构化产品评论转化为含安全警报的工程决策应用。

关键要点

• 目标产品为售价 500 美元、亚马逊评分 3.7 星、ASIN B0964BF4N7 的 GE Profile Opal 2.0 台面式颗粒冰制冰机。
• 数据源为 Snowflake Marketplace 上免费的 Amazon Best Sellers 数据集，该集覆盖 2,700 款产品的 25.6 万条评论；本教程仅使用其中 98 条 GE Opal 评论。
• 98 条评论中 52 条为负面评价，其中 21 条三星评论实际属于高严重程度问题；真正负面比例约 55%，而非仅依据一至两星得出的 29%。
• 分析识别出 6 条安全相关评论（涉及黑霉、细菌、生物膜等），其中 3 条星级≥3 星；主要缺陷为压缩机/电机噪声（23 次）与制冰螺旋钻传动系统故障（23 条占全部 44 条已识别故障的 52%）。
• 整个流程在 Hex Agent 一次会话中完成：连接 Snowflake、用 4 条提示词依次获取数据、执行分析、生成高管摘要、构建并交互式应用并发布实时网址，总耗时不到 20 分钟。
• 所有 AI 处理均通过 Snowflake Cortex AI Functions 在 SQL 层内执行，数据不离开账户，现有行列权限与治理策略自动适用；无需管理 API 密钥、GPU 或 token 限额。

背景与事实

GE Profile Opal 2.0 是一款台面式颗粒冰制冰机，在亚马逊上的平均评分为 3.7 星。评论文本表现出明显的两极分化：既有“我全家都迷上了这种冰”“这是我们买过最好的东西”等五星正面评价，也有“严重的健康隐患——千万别买”“机器内部长出了黑霉”等强烈负面反馈，还有多位消费者提到收到有缺陷的翻新替换机后向美国商业改进局（BBB）投诉。平均星级无法揭示具体故障部件、发生时间与安全风险分布，作者团队因此决定自建分析流程。

该教程使用 Amazon Best Sellers 数据集（Snowflake Marketplace 提供，免费，共 2,700 款产品、25.6 万条评论）作为数据源，筛选出 ASIN 为 B0964BF4N7 的 GE Opal 制冰机共 98 条评论。整个处理在 Hex Agent 的一次 Notebook 会话中完成，从空白页面到发布应用耗时不到 20 分钟。

提示词 1 要求展示该产品评论并查看星级分布，Agent 定位到 98 条评论、总评分 3.7 星、评分总数 4,375 条，并生成星级分布图，显示一星与五星数量大致相当、三星评论占比也较高。提示词 2 要求对 98 条评论进行情感倾向评估、按 6 个投诉主题（quality_defect、mold_hygiene、customer_support、noise_level、setup_maintenance、value_for_money）分类、标记退货与健康/安全问题、并按安全 > 严重 > 高 > 中 > 低的优先级排序。Agent 使用 Snowflake Cortex AI Functions 一次性处理全部 98 条评论，先用 2 条数据验证输出结构（因 AI 函数按行计费），再扩展到全量。结果显示 98 条中 52 条为负面评价；23 条三星评论中有 21 条实际属于高严重程度问题（水泵损坏、制冰筒断裂、管路滋生细菌）；6 条安全相关评论中有 3 条星级≥3 星。

提示词 3 要求生成一段面向高管的文字，总结最常见的三个质量问题、故障部件、故障发生速度与工程优先级建议。Agent 从 52 条负面评论中提取部件与故障时间，汇总出：制冰螺旋钻传动系统在 44 条已识别故障中占 23 条（52%），故障中位发生时间为购买后 6 个月，其中 14 台设备无法使用，8 位评论者称替换机也发生同样故障；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、3 起漏水）；5 条评论提及内部管路生物膜与霉菌污染并被标记为健康/安全问题，其中 3 条来自星级≥3 星的顾客。工程优先级建议为 P0 重新设计制冰螺旋钻传动系统、P0 治理供水通路霉菌问题、P1 提高水位传感器与水泵可靠性。

提示词 4 要求构建并交互式应用并发布。Hex 构建了一个生成式数据应用，包含摘要卡片（98 条评论、6 条安全警报、19 条严重优先级问题、主要缺陷为压缩机/电机噪声出现 23 次中位起始时间 6 个月）、优先级与投诉主题多选筛选器（显示实时结果数量）、按投诉主题的柱状图（质量缺陷 58 条、设置与维护 16 条、噪声 9 条）以及带优先级颜色标记、可排序、可展开查看完整评论与模型分析依据的评论表。应用标题为“3.7 星没有告诉你的事”，点击一次即可发布，生成团队成员均可访问的实时网址。

Snowflake Cortex AI Functions 以 SQL 原生函数形式在 Snowflake 内部执行，调用方式与 COUNT()、SUM() 相同。平台还提供 AI_TRANSLATE（翻译多语言评论）、AI_REDACT（移除个人身份信息）、AI_PARSE_DOCUMENT（处理 PDF 与扫描表单）、AI_TRANSCRIBE（转录通话录音）等函数，可与上述函数组合。该架构下数据不离开账户，现有数据屏蔽、行级安全、审计日志与权限策略自动生效，无需管理 API 密钥、模型托管、GPU 集群或监控 token 限制。教程使用的是 Marketplace 静态数据集；生产环境中可通过动态表设置目标延迟封装数据增强流程，新评论在每个刷新周期自动完成 AI 增强，且 Cortex AI Functions 支持增量刷新，只需为新增行付费。

影响分析

对中文开发者与从业者而言，本案例展示了“非结构化文本 → AI 函数分类/提取/筛选 → 面向利益相关方的应用”这一通用模式在 SQL 数据平台内的落地路径：无需搭建独立 NLP 模型训练管线，无需单独部署推理服务，也无需跨数据工程、NLP、BI、产品四个团队协同数周，单个分析人员可在一次 Notebook 会话内完成从数据接入、AI 分析到可发布应用的闭环。这一变化尤其对需要在合规边界内处理用户评论、工单、文档等文本的企业团队具有直接参考价值：数据不出账户、权限与审计自动继承，能显著降低法务与安全审批成本。

但需注意，上述“一人 20 分钟完成全流程”的效率依赖于 Snowflake Cortex AI Functions 已封装的推理能力、Marketplace 现成数据集的标准化字段，以及 Hex Agent 自动化的应用生成与发布流程。团队若要迁移到自有数据源，仍须完成数据接入、字段映射、动态表刷新策略设计，并按业务需要调整投诉主题分类标签与安全警报阈值。工程优先级建议（P0/P1）是模型基于评论频次与故障描述给出的判断，不能直接替代质量工程团队的根因分析与现场测试。

适用边界

本教程的结论与流程在以下条件下不成立或需调整：①数据源非 Amazon Best Sellers 市场数据集且字段结构与 98 条评论样本差异较大时，主题分类标签（quality_defect、mold_hygiene 等 6 类）需重新定义；②评论文本为多语言且未使用 AI_TRANSLATE 时，情感评估与主题分类质量下降；③生产环境若使用动态表增量刷新，AI 函数按行计费意味着成本随新增评论量线性增长，需在预算与刷新频率间权衡；④应用发布后依赖 Snowflake 与 Hex 的访问权限体系，非 Snowflake 用户无法直接访问已发布的实时网址；⑤模型输出的 P0/P1 优先级与故障部件归因是统计性判断，若团队需满足医疗器械、食品接触材料等强制合规标准，仍须结合人工工程评审。

孤本观察

编辑判断：本案例的核心价值不在于“3.7 星制冰机”这一具体产品，而在于展示了 SQL 数据平台将 AI 推理内嵌为数据库函数后，把“从非结构化评论到可发布决策应用”的门槛从跨团队多周工作压缩到单人单会话内的模式变化；对中文开发者的实际意义是，在合规敏感型文本分析场景下，可直接在既有数据治理框架内调用 AI 能力，而无需额外建设模型基础设施。

来源：InfoQ 中文 AI