一款 AI 赋能的差评处理工具，旨在帮助商家将负面评价转化为提升顾客满意度的机会。
| 网页版 (Web) - 实时演示 | 小程序版 (Mini Program) |
|---|---|
| ➡️ 点击访问 (Coming Soon) |  |
对于许多中小型商家（尤其是餐饮、电商）而言，负面评价是经营中不可避免的痛点。一条处理不当的差评，不仅会影响潜在消费者的决策，还可能激化矛盾，损害品牌声誉。然而，很多商家缺乏专业培训，在回应时常常陷入两种困境：
- 模板化回复："亲，非常抱歉给您带来不便..."，空洞无物，无法解决用户根本问题。
- 情绪化争辩：与顾客争执，导致事态升级，造成更坏的公关影响。
为了解决这个痛点，我设计并开发了"差评转化助手"。它不是一个简单的"回复生成器"，而是一个决策辅助工具。它利用大语言模型（LLM）的分析和生成能力，帮助商家理解差评背后的真正问题，并提供专业、得体、且符合品牌形象的回复策略。
在设计过程中，我遵循了以下几个核心原则，这集中体现在网页版和小程序版的设计差异上：
我认识到，用户在不同设备上处理差评时的心态和场景是不同的。因此，我为双端设计了截然不同的交互流程：
- 网页版 (Web): 采用"分步引导式"流程。它更适合在 PC 端坐下来进行深度、细致的工作。用户被引导着一步步进行"分析 -> 选择角度 -> 生成 -> 风格润色"，产出的回复更加定制化和可控。
- 小程序版 (Mini Program): 采用"两阶段模型"。它更适合在移动端进行快速、即时的处理。第一阶段，它快速生成多个绝对安全、无成本承诺的回复，让店长在忙乱中可以先用一个得体的回复稳住顾客情绪。如果需要，再进入第二阶段提供具体补偿。
对于商家而言，控制意外成本至关重要。小程序版的"两阶段模型"是一个深思熟虑的设计：它在产品层面就建立了一道"防火墙"，将"安抚情绪"和"提供补偿"两个行为明确分开。这可以有效避免用户（比如新上手的店员）在不了解情况下，随意做出"免单"、"赠送"等计划外承诺，为商家规避了潜在的经济损失。
当前很多 AI 工具追求"一键完成"，但这在需要精细化沟通的客服场景中并非最优解。本工具的设计理念是赋能 (Empowerment)。它通过提供多种"回复角度"和"沟通风格"的选择，将最终的判断权和决策权交还给用户，让 AI 成为一个强大的助手，而不是一个黑盒的决策者。
作为一款 AI Native 应用，本项目不仅仅是调用 API，更体现了在产品设计中应对 AI 独特挑战的思考。
在 AI 应用中，Prompt 是产品规格书 (Product Spec) 的一部分。我如何向 LLM 下达指令，直接决定了用户得到的结果质量。
例如，在小程序的第一阶段，为了实现"绝对安全"的回复，我的核心 Prompt 强调了严格的负向约束：
**核心任务**:
1. **深度分析差评**: ...
2. **生成高质量、无成本承诺的回复**: ...
3. **严格的安全限制**: **绝对禁止** 在回复中提及任何形式的具体补偿措施，例如"退款"、"重做"、"补送"、"优惠券"、"代金券"、"折扣"等词语。回复应聚焦于安抚情绪、解释问题和表达歉意。
4. **格式化输出**: ... 必须是完整的、可以被程序直接解析的`JSON`对象...
这个 Prompt 的设计体现了对业务目标的深刻理解：在安抚阶段，首要任务是风险规避，而非解决问题。
LLM 的一大特点是其输出的不确定性。一个优秀的产品设计必须能驾驭这种不确定性。
- 小程序版的"两阶段模型" 就是一个典型的例子。我没有让 AI 一次性生成一个"完美"但可能包含风险的回复，而是让它先生成多个范围可控、确定安全的选项。这大大降低了"AI 幻觉"或"过度承诺"给商家带来损失的风险。
- 网页版的"分步引导" 则是另一种管理方式。通过将复杂任务分解成多个简单步骤，每一步都由用户确认，从而确保最终结果在用户的掌控之中，避免了 AI "自由发挥"带来的不可控。
AI 应用的运营绕不开对 成本(Cost)、延迟(Latency)和质量(Quality) 的权衡。
- 一次性生成 vs. 分步生成：在设计阶段，我评估了两种方案。小程序采用了近似一次性生成的模式（一次调用生成9个回复），这样做虽然初始延迟稍高、成本稍多，但换来了后续用户切换时丝滑的零延迟体验，这在移动端至关重要。而网页版则采用分步生成，这种模式单次请求快、成本低，符合 PC 端用户更具耐心的操作习惯。
- 这种基于不同平台用户场景的差异化决策，是 AI 产品经理在资源限制下寻求最优解的关键体现。
以最具代表性的小程序版为例，其独特的"两阶段模型"设计思路可以通过以下流程图与时序图清晰展现。
graph LR
subgraph "第一阶段: 快速生成安全回复"
A[用户打开小程序] --> B{选择语言并输入差评};
B --> C[点击分析];
C --> D[后台生成9个无成本承诺的回复];
D --> E{前端展示分析结果和默认回复};
E -- 用户切换角度/风格 --> F[前端即时切换预加载的9个回复];
end
subgraph "第二阶段: (可选)追加补偿措施"
F --> G{用户不满意/需补偿?};
G -- "是" --> H[点击"提供补偿"按钮];
H --> I{选择具体补偿方式};
I --> J[后台将补偿信息融入原回复];
J --> K[前端展示追加补偿后的最终回复];
end
F -- "否, 直接满意" --> L[点击复制, 流程结束];
K --> L;
sequenceDiagram
participant User as 用户
participant MiniProgram as 微信小程序前端
participant CloudFunction1 as generate-safe-replies
participant CloudFunction2 as add-compensation
participant LLM as 大语言模型
User->>+MiniProgram: 1. 选择语言, 输入差评, 点击提交
MiniProgram->>+CloudFunction1: 2. 调用 generate-safe-replies (原始差评, 语言)
CloudFunction1->>+LLM: 3. 请求分析差评并生成9个【无成本承诺】的回复
LLM-->>-CloudFunction1: 4. 返回分析结果和9个回复
CloudFunction1-->>-MiniProgram: 5. 返回结构化JSON数据
MiniProgram-->>-User: 6. 展示分析结果和默认回复, 提供切换选项
Note over MiniProgram, User: 用户可在9个安全回复中自由切换, 此过程无后端交互
alt 用户选择提供补偿 (可选)
User->>+MiniProgram: 7. 对某个回复不满意, 点击"提供补偿"
User->>+MiniProgram: 8. 选择一种补偿方式 (如: 退款)
MiniProgram->>+CloudFunction2: 9. 调用 add-compensation (原始回复文本, 补偿方式)
CloudFunction2->>+LLM: 10. 请求将补偿信息【自然地】融入原回复
LLM-->>-CloudFunction2: 11. 返回追加补偿后的新回复
CloudFunction2-->>-MiniProgram: 12. 返回最终回复文本
MiniProgram-->>-User: 13. 展示最终回复, 用户可复制
else 直接满意
User->>MiniProgram: 7. 点击复制, 流程结束
end
Note over MiniProgram, User: 最终回复可复制并使用
注：为简洁起见，此图仅展示第一阶段核心流程。
- AI 驱动分析: 自动分析差评中的顾客情绪、问题类型和核心关键词。
- 双平台差异化实现: 为 Web 和小程序提供两种不同的、符合使用场景的交互模型。
- 风格与角度定制: 支持多种回复角度和沟通风格，适应不同品牌人设。
- 技术栈清晰: 前后端分离，双端架构展示了在不同技术选型下的思考与权衡。
| 分类 | 网页版 (Web) | 微信小程序 (Mini Program) |
|---|---|---|
| 前端 | React Native for Web (Expo) |
原生小程序 (WXML, WXSS) |
| 后端 | Node.js + Express / Fastify |
微信云函数 (Serverless) |
| 核心 | 大语言模型 (LLM) API | 大语言模型 (LLM) API |
| 设计理念 | 引导式、深度定制 | 快速响应、安全边界 |
/
├── negative-review-helper-web/ # 网页版前端代码
├── cloudfunctions/ # 小程序云函数
├── miniprogram/ # 小程序前端代码
├── assets/ # 静态资源 (如截图)
│ └── miniprogram-showcase.jpg
├── design doc/ # 设计文档
└── ...
在开始之前，请确保你的环境中已经安装了 Node.js 和 微信开发者工具。
-
克隆项目到本地:
git clone https://github.com/your-username/your-repo-name.git cd your-repo-name -
进入网页版目录并安装依赖:
cd negative-review-helper-web npm install -
配置环境变量:
- 在
negative-review-helper-web目录下，复制.env.example(如果不存在，请创建一个) 为.env文件。 - 在
.env文件中填入你的大语言模型 API 密钥等信息。LLM_API_KEY="sk-..." API_BASE_URL="https://api.example.com"
- 在
-
启动开发服务器:
npm start
-
启动开发者工具并导入本项目根目录。
-
配置云函数:
- 在云函数的代码中，你需要填入你的大语言模型 API 密钥。强烈建议使用云开发的环境变量功能来存储密钥，而不是硬编码在代码中。
- 分别进入各云函数目录 (
cloudfunctions/*) 安装依赖npm install。
-
部署云函数:
- 在开发者工具中，右键点击需要部署的云函数，选择"上传并部署：云端安装依赖"。
欢迎各种形式的贡献！详情请查阅 CONTRIBUTING.md。
该项目采用 MIT License 授权。