Weibo Comment Search

微博评论分析

📝 简介

微博评论分析工具，输入微博博文链接，即可查看该博文的一级评论数据，支持分页浏览和 AI 情感分析。在对话中展示当前页全部评论及 AI 总结分析，同时生成包含当前页数据和总结的交互式 HTML 报告。

✨ 功能特性

🔑 鉴权

获取 API Key

请前往 红狐hub 获取 API KEY

配置 API Key

方案1: 以 Qoder 为例，将 REDFOX_API_KEY 添加到 ~/.openclaw/openclaw.json 中：

{ "env": { "REDFOX_API_KEY": "ak_xxxx..." } }

方案2: 终端配置

export REDFOX_API_KEY="ak_xxxx..."

🔄 工作流程

Step 1：理解用户意图，提取 opusId

1. 从微博博文链接中提取 opusId

• 若用户提供了博文链接（如 https://weibo.com/1784473157/R8X4f2lnq），从中提取 opusId（R8X4f2lnq）
• 若用户直接提供了 opusId，直接使用
• 若用户意图模糊（如"帮我查下评论"），主动询问：「请提供微博博文链接」
• 不得在用户未提供链接时擅自猜测并调用脚本
• 若用户在上一轮对话中查询过某博文的评论，且本轮输入模糊（如"下一页"、"评论分析"），沿用上一轮的 opusId

2. 识别页码参数

• 用户提到"下一页"、"第2页" → 对应页码，同时使用上一轮返回的 max_cursor
• 用户提到"上一页" → 当前页 - 1
• 未提及页码 → 默认第 1 页

Step 2：调用查询脚本（自动生成 HTML）

⚠️ 每次调用仅请求一页数据（一次 API 请求），不可擅自发起多次调用拉取多页。

脚本每次调用自动生成 HTML 报告（含 {{PLACEHOLDER}} 占位符，未回填分析数据）。终端展示与 HTML 基于同一次 API 调用，确保数据一致。

python3 ~/.agents/skills/weibo-comment-search/scripts/weibo_comment_search.py "<博文链接或opusId>" [--page 页码] [--cursor 游标] [--output-dir 目录]

参数说明：

脚本以 JSON 格式输出：

每条评论字段：

注意： HTML 报告此时仅含评论原始数据，分析占位符（{{PLACEHOLDER}}）待用户确认后回填。

Step 3：判断结果并展示

情况 A：comments 数量 > 0（有评论）

A1. 告知用户查询范围

📊 博文 {opus_id} 查询到 N 条评论（第 {page} 页），以下是详细数据：

A2. 渲染 Markdown 表格（全部展示）

| # | 用户 | 评论内容 | 点赞 | 发布时间 |
|---|------|----------|------|----------|
| 1 | [nickname](https://weibo.com/uid) | 评论内容 | 305 | 2025-07-10 14:30:25 |

格式规则：

• 用户昵称渲染为超链接：[nickname](user_url)，跳转到用户主页
• 点赞数 < 10000 原始数字，≥ 10000 显示 x.xw
• 发布时间完整展示年月日时分秒
• 评论内容超过 50 字截断并加 ...，内容为空时显示 -
• ⚠️ 当前页全部评论均需展示，不得截断

A3. AI 评论总结（⚠️ 每次查询（含翻页）必须输出）

首页：基于当前页获取到的全部评论，进行四维情感分析。

翻页后：基于目前已获取的所有页面累计数据进行综合分析，而非仅分析当前单页。分析时需标注累计总条数。

分析前需理解微博热点话题背景（热搜事件、粉丝文化、明星动态、社会议题语境）。

📈 评论总结分析（基于 {total} 条评论）

✅ 积极评价（{positive_ratio}%）

• {要点1}
• {要点2}
• ...

⚠️ 负面评价（{negative_ratio}%）

• {要点1}
• {要点2}
• ...

💡 用户需求（{demand_ratio}%）

• {要点1}
• {要点2}
• ...

🔍 竞品对比舆情（{competitor_ratio}%）

• {仅当评论中提及竞品时输出，否则输出「未提及竞品」}
• {竞品名称}：{舆情要点}

分析要求：

• 每条要点需引用代表评论（截取关键词/短语）
• 百分比为提及该类型评论的数量占总评论数的比例
• 积极/负面/需求/竞品四类占比总和可能超过 100%（一条评论可能同时包含多类信息）
• 必须理解微博语境：识别粉丝话术（如"抱走""纯路人""yyds""打call"等）、热门话题背景、明星相关舆情

A4. 翻页提示（⚠️ 紧接在 A3 之后，每次必须输出）

• 若 has_next 为 true：

  📄 当前第 {page} 页。回复「下一页」继续查看。

• 若 has_next 为 false：

  📄 当前第 {page} 页，已无更多数据。

⚠️ A1~A4 必须在同一轮输出中连续完成，不可省略任何一步。

A4 输出完毕后，询问用户是否需要生成 HTML 可视化报告：

📊 是否需要生成 HTML 可视化报告？

若用户回复「是」「需要」「生成」「html」等确认词，则执行以下步骤（无需重新调用脚本，HTML 文件已在 Step 2 生成）：

① 回填 AI 分析结果到 HTML

调用 backfill_html.py 将 AI 分析结果回填到 HTML 中的 {{PLACEHOLDER}} 占位符：

python3 ~/.agents/skills/weibo-comment-search/scripts/backfill_html.py "<html_path>" --analysis-json '{
  "positive_ratio": <正整数>,
  "negative_ratio": <正整数>,
  "demand_ratio": <正整数>,
  "competitor_ratio": <正整数>,
  "positive_summary": "<ul><li>要点1</li><li>要点2</li>...</ul>",
  "negative_summary": "<ul><li>要点1</li><li>要点2</li>...</ul>",
  "demand_summary": "<ul><li>要点1</li><li>要点2</li>...</ul>",
  "competitor_summary": "<ul><li>要点1</li><li>要点2</li>...</ul>"
}'

JSON 字段说明：

注意： JSON 字符串参数包含双引号，Bash 中使用单引号包裹，内部双引号需转义 \"。若内容含单引号则用 stdin 方式传入：echo '...' | python3 backfill_html.py "<html_path>"

② 打开 HTML 报告：

open "<html_path>"

情况 B：comments 数量 = 0（无评论）

B1. 提示

😔 该博文暂无评论数据。

Step 4：翻页处理

当用户回复「下一页」「上一页」「第 N 页」时：

1. 沿用 Step 1 中提取的 opusId
2. 使用上一轮返回的 max_cursor 作为新的 --cursor
3. 计算新页码
4. 重新调用脚本（与 Step 2 一致，自动生成 HTML）：python3 .../weibo_comment_search.py "<opusId>" --page <page> --cursor <cursor>
5. 完整执行 Step 3 的 A1~A4，其中：
   • A1/A2：仅展示当前页数据（展示范围不变）
   • A3 评论分析：基于目前已获取的所有页面累计数据（第 1 页至当前页）进行综合分析，标题中 {total} 为累计总条数
6. A4 后询问用户是否需要生成当前页 HTML（同 Step 3 末尾流程，无需重新调用脚本）

Step 5：错误处理

📋 依赖

# 脚本使用 urllib（Python 标准库），无需额外安装依赖

🎯 使用示例

示例 1：查看指定博文的评论

用户：查看微博 https://weibo.com/1784473157/R8X4f2lnq 的评论
助手：调用脚本（自动生成HTML） → 展示全部评论 + AI总结 → 询问是否需要HTML → 用户确认 → backfill → open

示例 2：通过 opusId 查询

用户：R8X4f2lnq 这篇博文的评论怎么样
助手：提取 opusId → 调用脚本 → 展示分析 → 询问是否需要HTML

示例 3：翻页

用户：下一页
助手：调用脚本 page=2 cursor=xxx → 展示第2页 + AI累计分析 → 询问是否需要当前页HTML