用戶反饋歸類：找出真正的主題
收集了幾百條用戶反饋，看不出重點在哪。
提示詞長度
179
tokens
建議模型
Flash
單次成本（離峰）
$0.00021
Flash
跑一萬次
$2.07
Flash 離峰
提示詞全文
對下面的用戶反饋做歸類分析。
反饋原文（每行一條，格式：編號|內容）：
```
{{反饋}}
```
輸出：
1. 主題清單（5-8 個），每個主題包含：名稱、涉及的編號、條數佔比
2. 每個主題下最有代表性的 2 條原話（保留原文，不要改寫）
3. 情緒分佈（正面 / 中性 / 負面 各幾條）
4. 三個「說了但沒明說」的潛在問題（需要推斷的）
5. 優先處理建議：哪個主題修了收益最大，為什麼
要求：
- 主題要互斥，不要出現重疊分類
- 無法歸類的單獨列為「其他」，不要硬塞
- 佔比用條數算，不要用感覺
為什麼這樣寫
- 要求「代表性原話保留原文」，是因為改寫後的情緒強度會失真，決策會偏。
- 「說了但沒明說」這一節是模型比人快的地方 —— 人容易只看表面抱怨。
- 要求主題互斥，避免同一個問題被拆成三類導致看不出嚴重性。
成本
按上面這段提示詞估算（輸入 179 tokens、輸出 300 tokens）。輸出長度依任務而定，實際會有差異。
| 模型 | 單次（高峰） | 單次（離峰） | 1 萬次（高峰） | 1 萬次（離峰） |
|---|---|---|---|---|
| DeepSeek Flash | $0.00041 | $0.00021 | $4.14 | $2.07 |
| DeepSeek V4 Pro | $0.00142 | $0.00071 | $14.24 | $7.12 |
模型建議：歸類是模式識別任務，Flash 準確率已足夠且成本低。要深入推斷潛在問題時再用 V4 Pro。
變體
- 反饋量大時，先讓模型「只輸出主題清單」，確認後再逐類分配。
- 要做產品路線圖時，追加「按修復成本 × 影響條數給出四象限」。
常見失敗
- 一次貼太多（>200 條）會遺漏，建議分批或先抽樣。
- 不要求互斥，分類會重疊，佔比加起來超過 100%。