feat(报告): 移除第八章预设口语短语情感小节并重编号

删除评价正负面粗判（扇形图、口语短语条形图、摘要及同口径 LLM 块）；文本挖掘/关注词路径统一为新的 8.2；brief 不再含 comment_sentiment_lexicon；默认关闭 llm_comment_sentiment；清理旧插图文件名；同步策略与全稿提示。

Made-with: Cursor

backend/pipeline/competitor_report/constants.py

@@ -61,7 +61,7 @@ _COMMENT_CSV_SKU = COMMENT_CSV_COLUMNS[0]
 _COMMENT_CSV_BODY = COMMENT_CSV_COLUMNS[3]
 _COMMENT_CSV_SCORE = COMMENT_CSV_COLUMNS[7]  # 「评分」→ commentScore
 
-# 评价星级与 §8.2 分桶：先按评分筛正负，再在对应子集内统计口语短语（无评分时回退关键词）
+# 评价星级分桶（comment_sentiment 模块）：仍用于可选的情感 LLM 载荷；报告正文与 brief 已不再输出同口径图
 _COMMENT_SCORE_NEG_MAX = 2  # 1～2 星 → 偏负向
 _COMMENT_SCORE_POS_MIN = 4  # 4～5 星 → 偏正向（3 星为中评，归入中性）
 

backend/pipeline/competitor_report/consumer_feedback.py

@@ -20,7 +20,7 @@ def _comment_lines_with_product_context(
     sku_header: str,
     title_h: str,
 ) -> list[str]:
-    """与 ``comment_rows`` 顺序对齐：带细类/SKU/品名/店铺前缀，供 §8.2 大模型抽样。"""
+    """与 ``comment_rows`` 顺序对齐：带细类/SKU/品名/店铺前缀，供可选的情感/评论 LLM 载荷抽样。"""
     sku_meta: dict[str, tuple[str, str, str]] = {}
     for row in merged_rows:
         sku = _cell(row, sku_header).strip()

backend/pipeline/competitor_report/jd_report.py

@@ -58,9 +58,7 @@ from pipeline.competitor_report.price_promo import (  # noqa: E402
     _markdown_price_promotion_section,
 )
 from pipeline.competitor_report.comment_sentiment import (  # noqa: E402
-    build_comment_sentiment_llm_payload,
     _comment_keyword_hits,
-    _comment_sentiment_lexicon,
     _iter_comment_text_units,
     _iter_comment_text_units_and_scores,
     _merge_comment_previews,
@@ -225,7 +223,6 @@ def build_competitor_markdown(
     comment_texts, comment_scores = _iter_comment_text_units_and_scores(
         comment_rows, merged_rows
     )
-    sentiment_lex = _comment_sentiment_lexicon(comment_texts, comment_scores)
     scen_counts, scen_n_texts = _comment_scenario_counts(
         comment_texts, scenario_groups
     )
@@ -292,9 +289,9 @@ def build_competitor_markdown(
             "- **评价主题词**：对评价正文做**预设词表子串计数**，非分词主题模型，适合扫方向，**需抽样人工验证**。",
             "- **用途/场景**：对每条评价独立判断是否命中预设场景词；一条可计入多个场景，统计的是「提及该场景的评价条数」而非用户数。",
             (
-                "- **用户画像（第八章）**：正负面粗判含**口语短语**级摘录；**第八章第三节**另用分词、词频与主题模型等对评论做**补充分析**（与**第八章第二节**条形图口径不同、互为补充），可选词云并由大模型归纳要点。"
+                "- **用户画像（第八章）**：**不再**使用星级子集内**预设口语短语**条形图、正负面扇形图及同口径摘要；**第八章第二节**为分词、词频、共现与主题等**文本补充分析**（可选词云及大模型解读），结论须结合抽样原文理解。"
                 if _ch8_probe_sec
-                else "- **用户画像（第八章）**：正负面粗判含**口语短语**级摘录；关注词与场景**仅按细类**以**同图左右并列**展示（左为关注词命中次数，右为场景占有效文本 **%**）；见**第八章第三节**。"
+                else "- **用户画像（第八章）**：关注词与场景**仅按细类**以**同图左右并列**展示（左为关注词命中次数，右为场景占有效文本 **%**）；见**第八章第二节**。"
             ),
             "- **细类划分（第五至第八章）**：**仅**依据合并表中的**商品详情页类目路径**；该信息缺失或无法读出细类名称的 SKU **不参与**竞品矩阵与按细类评价统计（相关评价条亦**不进入**按细类图表）。",
             "- **检索结果规模**：来自京东 PC 搜索返回的「结果条数」类指标，表示平台侧申报的匹配数量级，**不等于**动销、库存或独立 SKU 数。",
@@ -389,7 +386,7 @@ def build_competitor_markdown(
             )
     if multi_feedback_cat and (hits or scen_n_texts > 0):
         exec_bullets.append(
-            "评价侧写（关注词、用途/场景）已按**第五章同一细类划分**分节，见**第八章第三节**（同图并列）。"
+            "评价侧写（关注词、用途/场景）已按**第五章同一细类划分**分节，见**第八章第二节**（同图并列）。"
         )
     elif hits:
         top3 = "、".join(f"「{w}」({n})" for w, n in hits.most_common(3))
@@ -743,13 +740,7 @@ def build_competitor_markdown(
             ]
         )
 
-    _sm_score = sentiment_lex.get("method") == "score_then_lexeme"
-    _sec82_title = (
-        "### 8.2 评价正负面粗判（评分优先 + 关键词回退）"
-        if _sm_score
-        else "### 8.2 评价正负面粗判（关键词规则）"
-    )
-    _sec82_block: list[str] = [
+    _sec8_open: list[str] = [
         "---",
         "",
         "## 八、消费者反馈与用户画像（按细分类目）",
@@ -758,123 +749,30 @@ def build_competitor_markdown(
         "",
         "- **细类划分**：与**第五章「竞品矩阵」**相同，**仅**依据合并表中的**商品详情页类目路径**解析为「饼干 / 西式糕点 / …」等（规则见第五章开头说明）。",
         "- **归因**：每条评价按其 SKU 对应到深入样本，再映射到该 SKU 所属细类；SKU 不在合并表中的评价单独归入说明性分组；**在合并表中但该 SKU 缺少类目路径或读不出细类名称的，该评价不进入按细类统计**（与第五章**同一条排除规则**）。",
-        "- **正负面粗判（第八章第二节）**：若评价含有效「评分」列则**先按星级**粗分正负与中评，再在对应子集内统计口语短语；无评分时仍按关键词子串；若任务开启**大模型评价情感分析**，可附**大模型对抽样原文的主题归因**，与条形图互补。",
         (
-            "- **文本补充分析（第八章第三节）**：本任务已用中文分词与统计工具做了开放词表分析（词频、关键词突出度、词对共现、主题归纳等，可选词云），与**第八章第二节**规则词表条形图**不同**、**互补**；**不再**输出原「关注词次数 + 场景占比」左右并列条图。"
+            "- **评论文本补充分析（第八章第二节）**：本任务已用中文分词与统计工具做了开放词表分析（词频、关键词突出度、词对共现、主题归纳等，可选词云），**不再**在报告中使用「星级子集内预设口语短语」条形图、正负面扇形图及同口径摘要；**不再**输出原「关注词次数 + 场景占比」左右并列条图。"
             if _ch8_probe_sec
-            else "- **关注词与使用场景（第八章第三节）**：对组内评价正文做关注词子串计数（左栏条形图）；对每条有效文本独立扫描**本次任务生效的场景词组**（来自报告调参或系统默认），一条可属多场景，右栏为**占该细类有效文本比例 %**（多标签下可相加 **>** 100%）。二者在 **同一张图左右并列**，与第五章矩阵细类一一对应。"
+            else "- **关注词与使用场景（第八章第二节）**：对组内评价正文做关注词子串计数（左栏条形图）；对每条有效文本独立扫描**本次任务生效的场景词组**（来自报告调参或系统默认），一条可属多场景，右栏为**占该细类有效文本比例 %**（多标签下可相加 **>** 100%）。二者在 **同一张图左右并列**，与第五章矩阵细类一一对应。"
         ),
         "",
-        _sec82_title,
-        "",
-        f"- **有效文本条数**：{sentiment_lex.get('text_units', 0)}（与第八章第一节**归因规则**一致）。",
     ]
-    if _sm_score:
-        _sec82_block.append(
-            "- **正负面粗判规模**：本批存在有效「评分」时——**1～2 星**计为偏负向，**4～5 星**计为偏正向，**3 星**计为中评，**空文本**计为中性；"
-            "无评分的条仍按关键词子串划分；「混合」仅在**无评分**且同条兼含正/负关键词时出现。"
-        )
-    _sec82_block.extend(
-        [
-            f"- **偏正向**：{sentiment_lex.get('positive_only', 0)} 条"
-            + ("（主要为 4～5 星）" if _sm_score else "（仅命中正向词表）")
-            + "；"
-            f"**偏负向**：{sentiment_lex.get('negative_only', 0)} 条"
-            + ("（主要为 1～2 星）" if _sm_score else "（仅命中负向词表）")
-            + "；"
-            f"**混合**：{sentiment_lex.get('mixed_positive_and_negative', 0)} 条"
-            + ("（无评分且同条兼含正/负关键词）" if _sm_score else "（同条兼含正/负词）")
-            + "；"
-            f"**中性或空文本**：{sentiment_lex.get('neutral_or_empty', 0)} 条"
-            + ("（含 3 星中评及无关键词命中）" if _sm_score else "")
-            + "。",
-            "- **说明**："
-            + (
-                "星级与正文可能不一致（如五星长文吐槽）；口语短语条形图仅在对应星级子集内统计；正式结论请**人工抽样**阅读原文。"
-                if _sm_score
-                else "词表为方向性粗判，讽刺、省略与错别字会导致误判；正式结论请**人工抽样**阅读原文。"
-            ),
-        ]
-    )
-    lines.extend(_sec82_block)
-    _scope = (sentiment_lex.get("lexeme_scope_note") or "").strip()
-    if _scope:
-        lines.append(f"- **词根统计说明**：{_scope}")
-    lines.extend(["", ""])
-    lines.extend(
-        _embed_chart(
-            run_dir,
-            "chart_sentiment_overview_pie.png",
-            "评价正负面粗判规模（扇形图；与上表条数一致）",
-        )
-    )
-    lines.extend(
-        _embed_chart(
-            run_dir,
-            "chart_positive_lexemes_bar.png",
-            (
-                "正向评价里**最常出现的口语短语**（在 **4～5 星** 评价条内统计；条形图）"
-                if _sm_score
-                else "正向评价里**最常出现的口语短语**（在偏正向或混合评价条内统计；条形图）"
-            ),
-        )
-    )
-    lines.extend(
-        _embed_chart(
-            run_dir,
-            "chart_negative_lexemes_bar.png",
-            (
-                "负向评价里**最常出现的口语短语**（在 **1～2 星** 评价条内统计；条形图）"
-                if _sm_score
-                else "负向评价里**最常出现的口语短语**（在偏负向或混合评价条内统计；条形图）"
-            ),
-        )
-    )
-    pos_h = sentiment_lex.get("positive_tone_lexeme_hits") or []
-    neg_h = sentiment_lex.get("negative_tone_lexeme_hits") or []
-    if pos_h:
-        frag = "；".join(
-            f"「{x.get('word', '')}」{x.get('texts_matched', 0)} 条"
-            for x in pos_h[:6]
-            if isinstance(x, dict)
-        )
-        lines.append(f"- **正向语境高频短语（摘要）**：{frag}。")
-    if neg_h:
-        frag_n = "；".join(
-            f"「{x.get('word', '')}」{x.get('texts_matched', 0)} 条"
-            for x in neg_h[:6]
-            if isinstance(x, dict)
-        )
-        lines.append(f"- **负向语境高频短语（摘要）**：{frag_n}。")
-    _llm_s = (llm_sentiment_section_md or "").strip()
-    if _llm_s:
-        lines.extend(
-            [
-                "",
-                "#### 大模型深入解读（主题归因，与词频统计互补）",
-                "",
-                "> **说明**：基于与上节**同一套评分优先或关键词归类规则**抽样的评价原文，由大模型归纳**用户在说什么**（尤其是负向的具体事由），与上列条数、条形图**互补**；引文以原评论为准。",
-                "",
-                _llm_s,
-            ]
-        )
-    lines.append("")
+    lines.extend(_sec8_open)
     if _ch8_probe_sec:
         lines.extend(
             [
-                "### 8.3 评论文本补充分析（词频、关键词与共现、主题归纳）",
+                "### 8.2 评论文本补充分析（词频、关键词与共现、主题归纳）",
                 "",
-                "> **说明**：与**第八章第二节**口语短语条形图（规则词表）**口径不同**、**互补**；**不再**输出本章原「关注词 + 场景」左右并列条图；插图位于本批次报告附图文件夹中。",
+                "> **说明**：开放词表统计与分词主题探索；**勿**与已废弃的预设口语短语条形图混读；插图位于本批次报告附图文件夹中。",
                 "",
                 _ch8_probe_sec,
                 "",
             ]
         )
     else:
-        # 仅当未嵌入第八章第三节补充分析（_ch8_probe_sec 为空）时：原「关注词 + 场景」条图与逐细类段落
+        # 仅当未嵌入第八章第二节探针补充分析（_ch8_probe_sec 为空）时：原「关注词 + 场景」条图与逐细类段落
         lines.extend(
             [
-                "### 8.3 关注词与使用场景（按细类）",
+                "### 8.2 关注词与使用场景（按细类）",
                 "",
                 "每细类一张**左右并列图**（与报告附图文件夹中的 ``chart_focus_and_scenarios_bar__*.png`` 同源）："
                 "**左**为配置关注词子串命中次数（同一评价可出现多次，为次数而非去重条数）；"
@@ -931,9 +829,9 @@ def build_competitor_markdown(
             lines.extend(
                 [
                     "",
-                    "#### 使用场景要点归纳（大模型，与第八章第三节右栏图表互补）",
+                    "#### 使用场景要点归纳（大模型，与第八章第二节右栏图表互补）",
                     "",
-                    "> **说明**：与第八章第三节**相同**的预设场景词组与子串命中规则；**各场景条数与占比以正文图右栏为准**。",
+                    "> **说明**：与第八章第二节**相同**的预设场景词组与子串命中规则；**各场景条数与占比以正文图右栏为准**。",
                     "",
                     _llm_sg,
                     "",
@@ -945,9 +843,9 @@ def build_competitor_markdown(
             lines.extend(
                 [
                     "",
-                    "#### 细类评价与关注词要点归纳（大模型，与第八章第三节左栏图表互补）",
+                    "#### 细类评价与关注词要点归纳（大模型，与第八章第二节左栏图表互补）",
                     "",
-                    "> **说明**：归纳各细类反馈主题与配置关注词命中；**次数与第八章第三节图左栏以正文为准**。",
+                    "> **说明**：归纳各细类反馈主题与配置关注词命中；**次数与第八章第二节图左栏以正文为准**。",
                     "",
                     _llm_cg,
                     "",
@@ -1090,9 +988,6 @@ def build_competitor_brief(
     comment_texts, comment_scores = _iter_comment_text_units_and_scores(
         comment_rows, merged_rows
     )
-    comment_sentiment_lexicon = _comment_sentiment_lexicon(
-        comment_texts, comment_scores
-    )
     scen_counts, scen_n_texts = _comment_scenario_counts(
         comment_texts, scenario_groups
     )
@@ -1311,11 +1206,9 @@ def build_competitor_brief(
         "strategy_hints": hints,
         "matrix_by_group": matrix_groups,
         "consumer_feedback_by_matrix_group": feedback_by_group,
-        "comment_sentiment_lexicon": comment_sentiment_lexicon,
         "notes": [
             "与在线分析报告各章**计数规则**一致；关注词与场景以任务中的分析规则为准（子串命中统计，非深度主题模型）。",
             "价格来自页面展示字段抽取，含促销与规格差异；促销与标价对齐等为启发式摘录，仅供对照。",
-            "评价语气为关键词粗判，非深度学习情感模型。",
             "「集中度」中：默认按**列表行**计数（同一 SKU 多页曝光会重复计）；`shops_from_list.unique_sku_basis` 为按**去重 SKU** 的对照口径。二者均**不是**销量、库存或全渠道市场份额。",
         ],
     }

backend/pipeline/demos/chapter8_text_mining_probe.py

@@ -2,7 +2,7 @@
 第八章「评论文本补充分析」独立脚本（**不修改**主报告核心逻辑）。
 
 流程（按细类分组）：清洗（中文分词 + 停用词）→ **词云图（可选）** → 词频 / 关键词突出度 → 词对共现 → 主题归纳
-→ 规则化叙事小结 → 文末可选 **专用 LLM**（结构化 JSON + ``PROBE_TEXT_MINING_SYSTEM`` + ``_call_llm``；**非** ``COMMENT_GROUPS_SYSTEM``、**非**第八章第二节情感）。
+→ 规则化叙事小结 → 文末可选 **专用 LLM**（结构化 JSON + ``PROBE_TEXT_MINING_SYSTEM`` + ``_call_llm``；**非** ``COMMENT_GROUPS_SYSTEM``、**非**已废弃的星级子集预设口语短语情感条形图）。
 
 依赖（请自行安装）::
 
@@ -17,7 +17,7 @@
 
 输出：默认写入 ``<run_dir>/chapter8_text_mining_probe.md``。
 
-嵌入竞品报告：流水线默认开启（``get_default_report_config`` 中 ``chapter8_text_mining_probe``: true）；若任务显式关闭则为 false。开启时会生成本稿并调用 ``markdown_embed_body_for_competitor_report`` 写入 ``competitor_analysis.md`` 的 **第八章第三节**，替代原「关注词 + 场景」条图及对应两段大模型；**第八章第二节与「大模型深入解读（主题归因…）」保留**。
+嵌入竞品报告：流水线默认开启（``get_default_report_config`` 中 ``chapter8_text_mining_probe``: true）；若任务显式关闭则为 false。开启时会生成本稿并调用 ``markdown_embed_body_for_competitor_report`` 写入 ``competitor_analysis.md`` 的 **第八章第二节（评论文本补充分析）**，替代原「关注词 + 场景」条图及对应两段大模型；**不再**嵌入原「评价正负面粗判」预设口语短语扇形图/条形图及同口径大模型块。
 """
 from __future__ import annotations
 
@@ -91,10 +91,10 @@ _STOP_BASIC: frozenset[str] = frozenset(
     """.split()
 )
 
-# --- 评论文本补充分析 · 专用 LLM（与正式报告 ``COMMENT_GROUPS_SYSTEM`` / 第八章第二节均不同）---
+# --- 评论文本补充分析 · 专用 LLM（与正式报告 ``COMMENT_GROUPS_SYSTEM`` / 已废弃的预设口语短语情感口径均不同）---
 PROBE_TEXT_MINING_SYSTEM = """你是用户研究与文本挖掘方向的助手。
 
-输入 JSON 为「第八章第三节评论文本补充分析」的**专用**结果（``schema_version``=1），**不是**正式竞品报告里的关注词规则统计、也不是第八章第二节情感 Lexicon。其中的数字与词表来自**中文分词 + 统计工具**（词频、关键词突出度、共现、主题归纳），与业务侧子串计数**口径不同**。
+输入 JSON 为「第八章第二节评论文本补充分析」的**专用**结果（``schema_version``=1），**不是**正式竞品报告里的关注词规则统计、也不是已废弃的星级子集预设口语短语 Lexicon。其中的数字与词表来自**中文分词 + 统计工具**（词频、关键词突出度、共现、主题归纳），与业务侧子串计数**口径不同**。
 
 每个 ``groups`` 元素含：
 - ``probe_status``：``ok`` 表示该细类已完成分词与统计；``skipped`` 表示样本过少等未下钻。
@@ -551,7 +551,7 @@ def build_markdown(
         "## 8.0 说明",
         "",
         "本稿为**独立补充分析**，流程为：清洗评论 → 词云（可选）→ 词频与关键词 → 词对共现 → 主题归纳 → 文字小结；"
-        "文末可选用**专用提示词**由大模型解读（与第八章第二节所用口径不同）。"
+        "文末可选用**专用提示词**由大模型解读（与已废弃的预设口语短语情感口径不同）。"
         "**细类划分与 SKU 归因**与主报告一致；其余为中文分词与统计工具做的开放词表分析，**不替代**正式报告中的规则统计。",
         "",
         "---",
@@ -696,7 +696,7 @@ def build_markdown(
         "keyword": kw,
         "probe_note": (
             "中文分词 + 停用词；关键词突出度/共现/主题归纳为统计库；"
-            "与正式报告的关注词规则统计、第八章第二节情感口径均不同；"
+            "与正式报告的关注词规则统计、已废弃的预设口语短语情感口径均不同；"
             "评价摘录字段合并自 build_comment_groups_llm_payload，供语境对照；"
             "「使用场景」若出现，须仅能从本 JSON 内统计与摘录推断，不接入正式场景分组。"
         ),
@@ -730,7 +730,7 @@ def build_markdown(
 
 def markdown_embed_body_for_competitor_report(full_probe_md: str) -> str:
     """
-    将独立补充分析稿转为可嵌入 ``build_competitor_markdown`` 的 **第八章第三节正文**（不含 ``### 8.3`` 标题行）：
+    将独立补充分析稿转为可嵌入 ``build_competitor_markdown`` 的 **第八章第二节正文**（不含 ``### 8.2`` 标题行；由 ``jd_report`` 统一加标题）：
     从 ``## 8.0 说明`` 起至文末，并把 ``## …`` 降为 ``#### …``，避免与宿主 ``## 八、`` 冲突。
     """
     lines = (full_probe_md or "").splitlines()

backend/pipeline/demos/dump_strategy_llm_input_md.py

@@ -196,7 +196,7 @@ def main() -> int:
     if report_uses_chapter8_text_mining_probe(rc):
         payload["structured_brief_omission_note"] = (
             "已启用第八章文本挖掘（探针为主）：structured_brief 已省略「关注词/场景子串计数」、按细类 feedback 中的 focus_keyword_hits/scenarios_top、"
-            "`strategy_hints`、`comment_sentiment_lexicon`（规则词表/条形图同源），避免与报告 §8 文本挖掘主口径冲突。**不得**再以这类子串计数或预设场景占比作为论据。"
+            "`strategy_hints` 等；全量 brief 已**不再**包含 ``comment_sentiment_lexicon``。**不得**再以星级子集预设口语短语计数或预设场景占比作为论据。"
             "用户与评论侧须依报告 §8 文本挖掘归纳及 `report_matrix_group_evidence_md`；**促销、满减、券价差**须与报告第六章、`price_promotion_signals` 及下方 `report_strategy_excerpt`（第九章）对齐，不得省略报告已写明的活动建议。"
         )
 

backend/pipeline/demos/run_report_llm_chapters_demo.py

@@ -3,9 +3,9 @@
 
 - §5 后：``generate_matrix_group_summaries_llm``
 - §6 后：``generate_price_group_summaries_llm``、``generate_promo_group_summaries_llm``
-- §8.2：``generate_comment_sentiment_analysis_llm``
+- （可选、默认关闭）``generate_comment_sentiment_analysis_llm``：已不再嵌入报告正文
 - §8末细类评价：``generate_comment_group_summaries_llm``
-- §8.3 右栏后使用场景：``generate_scenario_group_summaries_llm``
+- §8.2 关注词/场景路径下右栏后使用场景：``generate_scenario_group_summaries_llm``
 - §9 策略与机会：``generate_strategy_opportunities_llm``（``build_competitor_brief`` + 可选 ``chapter_llm_narratives`` 与各章归纳对齐）
 - §8.5 类全文补充（独立长文）：``generate_competitor_report_markdown_llm``
 
@@ -38,6 +38,9 @@ if str(JCR_ROOT) not in sys.path:
     sys.path.insert(0, str(JCR_ROOT))
 
 from pipeline.competitor_report import jd_report as jcr  # noqa: E402
+from pipeline.competitor_report.comment_sentiment import (  # noqa: E402
+    build_comment_sentiment_llm_payload,
+)
 import jd_keyword_pipeline as kpl  # noqa: E402
 
 from pipeline.csv.schema import MERGED_FIELD_TO_CSV_HEADER  # noqa: E402
@@ -199,7 +202,7 @@ def main() -> None:
             attr_units = list(comment_units)
 
         def _sent() -> str:
-            pl = jcr.build_comment_sentiment_llm_payload(
+            pl = build_comment_sentiment_llm_payload(
                 comment_units,
                 scores=comment_scores,
                 attributed_texts=attr_units,
@@ -210,7 +213,7 @@ def main() -> None:
             return generate_comment_sentiment_analysis_llm(pl)
 
         _run_one(
-            "§8.2 评价正负面（llm_comment_sentiment）",
+            "已弃用嵌入 · 评价情感 LLM 演示（llm_comment_sentiment）",
             _sent,
             live=args.live,
             preview_chars=args.preview_chars,
@@ -333,7 +336,7 @@ def main() -> None:
             return generate_scenario_group_summaries_llm(pl_sg, keyword=keyword)
 
         _run_one(
-            "§8.3 使用场景归纳（scenario_groups）",
+            "§8.2 路径 · 使用场景归纳（scenario_groups）",
             _sg,
             live=args.live,
             preview_chars=args.preview_chars,

backend/pipeline/jd/runner.py

@@ -34,7 +34,7 @@ def merge_llm_supplement_with_rules_report(llm_md: str, rules_md: str) -> str:
     marker = "\n---\n\n## 九、策略与机会提示（假设清单，待验证）"
     insert = (
         "\n\n---\n\n"
-        "### 8.5 大模型深度补充（与第二章至第八章第三节正文中的定量内容互补）\n\n"
+        "### 8.5 大模型深度补充（与第二章至第八章第二节正文中的定量内容互补）\n\n"
         "> **说明**：本段位于**第八章末**；**竞品矩阵、价盘表、统计图与第八章第二、三节等各节正文以相应章节为准**，"
         "此处为跨小节语义整合，便于衔接第九章。\n\n"
         f"{sup.strip()}\n"
@@ -50,7 +50,7 @@ def merge_llm_supplement_with_rules_report(llm_md: str, rules_md: str) -> str:
         if alt in body and marker not in body:
             return body.replace(
                 alt,
-                "\n\n---\n\n### 8.5 大模型深度补充（与第二章至第八章第三节正文中的定量内容互补）\n\n"
+                "\n\n---\n\n### 8.5 大模型深度补充（与第二章至第八章第二节正文中的定量内容互补）\n\n"
                 "> **说明**：位于第八章末；**矩阵与图表以正文为准**。\n\n"
                 f"{sup.strip()}\n"
                 + alt,
@@ -59,7 +59,7 @@ def merge_llm_supplement_with_rules_report(llm_md: str, rules_md: str) -> str:
     app = "\n## 附录 A：数据留存说明"
     if app in body:
         tail = (
-            "\n\n---\n\n### 8.5 大模型深度补充（与第二章至第八章第三节正文中的定量内容互补）\n\n"
+            "\n\n---\n\n### 8.5 大模型深度补充（与第二章至第八章第二节正文中的定量内容互补）\n\n"
             f"{sup.strip()}\n"
         )
         return body.replace(app, tail + app, 1)
@@ -167,7 +167,7 @@ def get_default_report_config() -> dict[str, Any]:
     """与 ``pipeline.competitor_report.jd_report`` 模块常量一致的默认报告调参（供前端回填）。"""
     jcr, _ = _jd_crawler_modules()
     return {
-        "llm_comment_sentiment": True,
+        "llm_comment_sentiment": False,
         "llm_matrix_group_summaries": True,
         "llm_comment_group_summaries": True,
         "llm_scenario_group_summaries": True,
@@ -728,10 +728,6 @@ def write_competitor_analysis_for_run_dir(
             from ..llm.generate import generate_strategy_opportunities_llm
 
             _strategy_narratives: dict[str, str] = {}
-            if (llm_sentiment_md or "").strip():
-                _strategy_narratives["sec8_2_sentiment_theme_attribution"] = (
-                    llm_sentiment_md
-                )
             if (llm_matrix_md or "").strip():
                 _strategy_narratives["sec5_matrix_group_summaries"] = llm_matrix_md
             if (llm_price_md or "").strip():

backend/pipeline/llm/generate_competitor_full.py

@@ -26,11 +26,10 @@ REPORT_SYSTEM = """你是业务与产品读者顾问。输入 JSON 含 `keyword`
 **请输出**（仅输出将置于 8.5 小节 下的正文，不要自造「### 8.5」标题行）：
 - **Markdown**，约 **800～1500 字**；
 - 建议用 ``####`` 组织：**执行摘要级要点**、**竞争与价盘**、**用户声量与负向事由**（须归纳用户在抱怨什么类型的问题，而非只堆关键词）、**后续可验证动作（假设）**（不写第九章目录或重复策略章内容）；
-- 若有 `comment_sentiment_lexicon`，概括正/负向粗判局限；**负向**写清事由类型（口感、价格、物流等）；
-- **归因与引语（硬性）**：`consumer_feedback_by_matrix_group` 与 `comment_sentiment_lexicon` 等均为**跨 SKU/跨店铺的关键词子串或条数统计**，**不能**单独据此推断「某一店铺某一单品」的结论。  
-  - **具体体验句式（含口感、包装等）**须以正文 **第八章第二节** 中带 ``【细类｜SKU｜品名｜店铺】`` 前缀的抽样为准；本段**不要**新增无前缀、无店铺/品名/SKU 指向的「」引语。  
-  - 若写口感、包装、物流、价格等**聚合**维度，须**写明统计范围**（如「在已合并的评价文本中，『物流』『价格』类关键词命中较多，为全样本子串计数」）；可结合 `matrix_overview_for_llm` 谈细类结构；**可一句**引导读者「见第八章第二节按店铺/品名的负向举例」。  
-  - 若 第八章第二节 已归纳带店铺与 SKU 的负向主题，本段**只做执行摘要级收束**，勿重复编造新引文。  
+- **归因与引语（硬性）**：`consumer_feedback_by_matrix_group` 等为**跨 SKU/跨店铺的关键词子串或条数统计**，**不能**单独据此推断「某一店铺某一单品」的结论。
+  - **具体体验句式（含口感、包装等）**须以正文 **第八章** 中带 ``【细类｜SKU｜品名｜店铺】`` 前缀的抽样或文本挖掘归纳为准；本段**不要**新增无前缀、无店铺/品名/SKU 指向的「」引语。
+  - 若写口感、包装、物流、价格等**聚合**维度，须**写明统计范围**；可结合 `matrix_overview_for_llm` 谈细类结构；**可一句**引导读者「见第八章按店铺/品名的评价归纳」。
+  - 若第八章已归纳带店铺与 SKU 的负向主题，本段**只做执行摘要级收束**，勿重复编造新引文。
 - 语气专业、中文；某类信息在输入中缺失时**一句带过数据缺口**即可，**禁止**输出「本段未提供该项」等套话占位。"""
 
 REPORT_USER_PREFIX = """请根据以下 JSON 撰写上文所述 8.5 小节 嵌入段落（Markdown 正文，勿加 ### 8.5 标题）。\n\n"""

backend/pipeline/llm/generate_strategy.py

@@ -220,7 +220,7 @@ def generate_strategy_draft_markdown_llm(
         if report_uses_chapter8_text_mining_probe(report_config):
             payload["structured_brief_omission_note"] = (
                 "已启用第八章文本挖掘（探针为主）：structured_brief 已省略「关注词/场景子串计数」、按细类 feedback 中的 focus_keyword_hits/scenarios_top、"
-                "``strategy_hints``、``comment_sentiment_lexicon``（规则词表/条形图同源），避免与报告 §8 文本挖掘主口径冲突。**不得**再以这类子串计数、短语条形图或预设场景占比作为论据。"
+                "``strategy_hints`` 等；报告已**不再**输出 ``comment_sentiment_lexicon``（星级子集预设口语短语）及同口径图。**不得**再以这类子串计数、短语条形图或预设场景占比作为论据。"
                 "用户与评论侧须依报告 §8 文本挖掘归纳及 `report_matrix_group_evidence_md`；**促销、满减、券价差**须与报告第六章、`price_promotion_signals` 及下方 `report_strategy_excerpt`（第九章）对齐，不得省略报告已写明的活动建议。"
             )
         raw = json.dumps(payload, ensure_ascii=False)
@@ -290,7 +290,7 @@ STRATEGY_OPPORTUNITIES_SYSTEM = (
 - **定性主题**（各细类讨论焦点、正负向体验、场景与关注词归纳、配料/卖点叙事、促销形态描述等）须与 ``prior_chapter_llm_narratives`` 中已出现的表述**方向一致**，**禁止**另写一套与节选**明显矛盾**的品类判断、品牌举例或用户痛点主题。
 - **定量与可核验事实**（价带分位数、店铺/品牌占比、条数、评论统计字段等）**以** ``competitor_brief`` **为准**；若节选与 brief 数字冲突，**采纳 brief**，且勿复述与数字冲突的节选句。
 - 若某键未出现在 ``prior_chapter_llm_narratives`` 或内容为空，则该维度**不得**编造与可能存在的报告其他章冲突的细节；仅依据 ``competitor_brief`` 或明确写「输入中未体现」。
-- **转化与体验**小节：正负向体验线索须**优先呼应** ``sec8_2_sentiment_theme_attribution`` 与 **第八章第三节 侧**节选（``sec8_3_comment_focus_summaries`` 或 ``sec8_3_text_mining_probe``，视何者存在）；**禁止**将节选未提及的具体抱怨/品类问题写成**主要结论**；可写「假设：待结合业务验证」。
+- **转化与体验**小节：正负向体验线索须**优先呼应** **第八章第二节 侧**节选（``sec8_3_comment_focus_summaries`` 或 ``sec8_3_text_mining_probe``，视何者存在；内部键名仍沿用 ``sec8_3_*``）；**禁止**将节选未提及的具体抱怨/品类问题写成**主要结论**；可写「假设：待结合业务验证」。
 
 **标题与措辞（硬性）**：
 - **禁止**在正文开头或任何位置重复宿主已有章名/小节名，包括但不限于：「第九章」「第9章」「九、」「策略与机会提示」「策略与机会建议」「策略与机会」等；**不要**自造 ``##`` 一级标题；

backend/pipeline/reporting/charts.py

@@ -225,6 +225,10 @@ _OBSOLETE_REPORT_ASSETS: frozenset[str] = frozenset(
         "chart_focus_keywords_pie.png",
         "chart_comment_focus_global_bar.png",
         "chart_usage_scenarios_global_bar.png",
+        "chart_sentiment_overview_pie.png",
+        "chart_sentiment.png",
+        "chart_positive_lexemes_bar.png",
+        "chart_negative_lexemes_bar.png",
     }
 )
 
@@ -265,7 +269,7 @@ def generate_report_charts(
     """生成扇形/条形 PNG。返回已写入的文件名列表（不含路径）。
 
     若 ``report_config["chapter8_text_mining_probe"]`` 为真，**不**生成 ``chart_focus_and_scenarios_bar__*.png``
-   （与竞品报告 §8.3 文本挖掘探针互斥，避免无效产出）。
+   （与竞品报告 §8.2 文本挖掘探针互斥，避免无效产出）。
     """
     _setup_matplotlib_cjk()
     import matplotlib.pyplot as plt
@@ -634,62 +638,6 @@ def generate_report_charts(
                     n_texts=n_texts,
                 )
 
-    sent = brief.get("comment_sentiment_lexicon") or {}
-    if isinstance(sent, dict):
-        _score_mode = (sent.get("method") or "") == "score_then_lexeme"
-        pie_labs = (
-            ["偏正向(4～5星)", "偏负向(1～2星)", "关键词混合", "中性/空"]
-            if _score_mode
-            else ["偏正向", "偏负向", "正负混合", "中性/空"]
-        )
-        pie_vals = [
-            float(sent.get("positive_only") or 0),
-            float(sent.get("negative_only") or 0),
-            float(sent.get("mixed_positive_and_negative") or 0),
-            float(sent.get("neutral_or_empty") or 0),
-        ]
-        pl = [a for a, b in zip(pie_labs, pie_vals) if b > 0]
-        pv = [b for b in pie_vals if b > 0]
-        save_pie(pl, pv, "评价语气四象限占比", "chart_sentiment_overview_pie.png")
-        save_bar_h(
-            pl,
-            pv,
-            "评价正负面粗判（条数）",
-            "chart_sentiment.png",
-            "条数",
-        )
-
-        pos_h = sent.get("positive_tone_lexeme_hits") or []
-        neg_h = sent.get("negative_tone_lexeme_hits") or []
-        plx, pvx = _label_count_pairs(
-            pos_h, key_label="word", key_count="texts_matched", cap=16
-        )
-        save_bar_h(
-            plx,
-            pvx,
-            (
-                "4～5星语境 · 正向口语短语命中条数"
-                if _score_mode
-                else "正向/混合语境 · 正向口语短语命中条数"
-            ),
-            "chart_positive_lexemes_bar.png",
-            "条数",
-        )
-        nlx, nvx = _label_count_pairs(
-            neg_h, key_label="word", key_count="texts_matched", cap=16
-        )
-        save_bar_h(
-            nlx,
-            nvx,
-            (
-                "1～2星语境 · 负向口语短语命中条数"
-                if _score_mode
-                else "负向/混合语境 · 负向口语短语命中条数"
-            ),
-            "chart_negative_lexemes_bar.png",
-            "条数",
-        )
-
     matrix_groups = brief.get("matrix_by_group") or []
     if isinstance(matrix_groups, list):
         for gi, block in enumerate(matrix_groups):

backend/pipeline/tests/test_competitor_brief.py

@@ -7,6 +7,10 @@ from pathlib import Path
 from django.test import SimpleTestCase
 
 from pipeline.competitor_report import jd_report as jcr
+from pipeline.competitor_report.comment_sentiment import (
+    _comment_sentiment_lexicon,
+    build_comment_sentiment_llm_payload,
+)
 from pipeline.csv.schema import infer_total_sales_from_sales_floor
 from pipeline.reporting.charts import _cn_volume_int
 
@@ -30,8 +34,7 @@ class BuildCompetitorBriefTests(SimpleTestCase):
         self.assertEqual(out["scope"]["merged_sku_count"], 0)
         self.assertIsInstance(out["strategy_hints"], list)
         self.assertEqual(out["matrix_by_group"], [])
-        self.assertIn("comment_sentiment_lexicon", out)
-        self.assertEqual(out["comment_sentiment_lexicon"].get("text_units"), 0)
+        self.assertNotIn("comment_sentiment_lexicon", out)
         import json
 
         json.dumps(out)
@@ -39,7 +42,7 @@ class BuildCompetitorBriefTests(SimpleTestCase):
     def test_comment_sentiment_llm_payload_has_semantic_pool(self) -> None:
         texts = ["口感软硬适中很好吃", "太差了不建议"]
         attr = [f"【细类：A｜SKU：1｜品名：x｜店铺：y】{t}" for t in texts]
-        pl = jcr.build_comment_sentiment_llm_payload(
+        pl = build_comment_sentiment_llm_payload(
             texts,
             attributed_texts=attr,
             shuffle_seed="unit-test-seed",
@@ -52,18 +55,18 @@ class BuildCompetitorBriefTests(SimpleTestCase):
     def test_comment_sentiment_score_then_lexeme(self) -> None:
         texts = ["很好吃", "太差了", "一般般"]
         scores = [5, 1, 3]
-        lex = jcr._comment_sentiment_lexicon(texts, scores)
+        lex = _comment_sentiment_lexicon(texts, scores)
         self.assertEqual(lex.get("method"), "score_then_lexeme")
         self.assertEqual(lex.get("positive_only"), 1)
         self.assertEqual(lex.get("negative_only"), 1)
         self.assertEqual(lex.get("neutral_or_empty"), 1)
-        pl = jcr.build_comment_sentiment_llm_payload(texts, scores=scores)
+        pl = build_comment_sentiment_llm_payload(texts, scores=scores)
         self.assertEqual(pl.get("sentiment_bucket_method"), "score_then_lexeme")
 
     def test_comment_sentiment_all_scores_missing_falls_back_keyword(self) -> None:
         texts = ["好吃推荐", "差评"]
         scores = [None, None]
-        lex = jcr._comment_sentiment_lexicon(texts, scores)
+        lex = _comment_sentiment_lexicon(texts, scores)
         self.assertEqual(lex.get("method"), "keyword_lexicon")
 
     def test_custom_focus_words_in_report_config(self) -> None: