参数
| 参数 | 必填 | 取值 |
|---|---|---|
platform | 是 | tiktok / instagram / youtube / twitter / douyin / xiaohongshu |
post_id | 是 | 内容 id（视频/笔记） |
sample | 否 | 抽样条数，默认 60；越大越稳也越慢 |
返回结构
| 字段 | 含义 |
|---|---|
sentiment | 正面 / 负面 / 中性条数，另给命中次数 |
questions | 提问条数与占比（判断有没有购买意图最直接） |
engagement | 最高赞、平均赞 |
top_phrases | 高频词及出现次数 |
top_liked | 点赞最高的几条评论原文与作者 |
summary | 一句话结论，可直接进报表 |
sampled | 实际抽样条数，结论只覆盖这么多 |
怎么用才不误判
- 先看
sampled：只统计抽到的这部分，样本 20 和样本 200 的结论分量不同，别当全量统计。 - 提问占比高于 20% 通常说明需求明确：评论区在问“多少钱/在哪/怎么买”，是转化信号。
- 负面为 0 不等于口碑好：可能只是抽样没抽到，重要决策前把
sample调大再下一次。
复制即可运行
cURL
curl -s https://lucydomi.com/mcp/v1/get_comment_insights \
-H "Authorization: Bearer $BUSYBEE_API_KEY" \
-H "Content-Type: application/json" \
-X POST \
-d '{"platform": "tiktok", "post_id": "7650540499975081248", "sample": 40}'Python（标准库，无需安装依赖）
import os, json, urllib.request
KEY = os.environ["BUSYBEE_API_KEY"]
req = urllib.request.Request(
"https://lucydomi.com/mcp/v1/get_comment_insights",
data=json.dumps({"platform": "tiktok", "post_id": "7650540499975081248", "sample": 40}).encode(),
headers={"Authorization": f"Bearer {KEY}", "Content-Type": "application/json"},
method="POST",
)
d = json.load(urllib.request.urlopen(req, timeout=120))
print(d["summary"])
print("提问占比", d["questions"]["ratio"])
真实返回样例
下面这段来自线上真实调用，已截断并去掉图片/签名类字段。
{
"total": 40,
"sampled": 40,
"sentiment": {"positive": 8, "negative": 0, "neutral": 32},
"questions": {"count": 11, "ratio": 0.275},
"engagement": {"max_likes": 12007, "avg_likes": 576.5},
"top_phrases": [
{"phrase": "coffee", "count": 12},
{"phrase": "butter", "count": 12},
{"phrase": "canadian", "count": 7},
{"phrase": "glass", "count": 7},
{"phrase": "salty", "count": 5}
],
"top_liked": [
{"text": "（点赞最高的一条评论原文，此处省略）", "likes": 12007, "author": "kaylamarie"},
{"text": "Butter in coffee is wild", "likes": 5754, "author": "username12345_64321"}
],
"summary": "共分析 40 条评论；其中 11 条（28%）是提问，说明购买意图明确；情绪正面为主；高频词：coffee、butter、canadian、glass、salty；单条最高点赞 12007",
"ok": true
}常见问题
中文评论也能分析吗？
可以。情绪词表和高频词切分对中英文都做了处理；中文分词对短句效果略弱于英文，用较大样本更稳。
情绪判断准不准？
基于关键词与规则聚合，不是大模型逐条判断。它给的是方向性结论（正面为主 / 出现集中吐槽），不要当精确量化。
一次能分析多少条？
靠
sample 控制，默认 60，可以调到几百；越大越慢，也要相应提高客户端超时。和直接拉评论再自己算的区别？
少写一轮聚合代码，也少一次把原始评论全量传回本地。要原始文本还是用评论采集。