docs: 对齐竞品报告第八章新节号与情感 LLM 说明

第三节/§8.3 改为第二节/§8.2（关注词与场景路径）；策略规划表区分报告章与策略稿 §8.x；快照 omission_note 与 brief 无 lexicon 一致；generate_sections/comment_sentiment 注释反映报告不再发图。

Made-with: Cursor

backend/pipeline/competitor_report/comment_sentiment.py

@@ -409,7 +409,7 @@ def build_comment_sentiment_llm_payload(
     （全量去重后的评价句确定性洗牌抽样，供模型结合语境自行判断褒贬）。
 
     ``sentiment_bucket_method``：有有效评分列时为 ``score_then_lexeme``，否则为 ``keyword_substring_heuristic``；
-    条形图与 ``comment_sentiment_lexicon`` 计数方式与之一致，正文归纳仍以整句语义为准。
+    ``comment_sentiment_lexicon`` 与各象限计数一致（竞品报告与 brief **已不再**发布同口径图）；正文归纳仍以整句语义为准。
     """
     use_score_column = bool(
         scores is not None

backend/pipeline/competitor_report/llm_group_payloads.py

@@ -292,7 +292,7 @@ def build_scenario_groups_llm_payload(
     sku_header: str,
     title_h: str,
 ) -> dict[str, Any]:
-    """供 ``generate_scenario_group_summaries_llm``；计数与 §8.3 图右栏（场景）一致。"""
+    """供 ``generate_scenario_group_summaries_llm``；计数与 **§8.2** 关注词/场景路径下图右栏（场景）一致。"""
     if not feedback_groups:
         return {}
     sku_meta: dict[str, tuple[str, str, str]] = {}

backend/pipeline/llm/generate_group_summaries.py

@@ -51,7 +51,7 @@ def generate_matrix_group_summaries_llm(
 
 COMMENT_GROUPS_SYSTEM = """你是用户研究与品类顾问。输入为 JSON：``keyword`` 与 ``groups``。
 每个 group 含 ``group``（与 第五章矩阵一致的细分类目名）、``comment_flat_rows``、``effective_text_lines``、
-``focus_hit_lines``（关注词子串命中摘要，与 第八章第三节 同源）、``sample_text_snippets``（评价短摘录，已截断）。
+``focus_hit_lines``（关注词子串命中摘要，与 **第八章第二节**（关注词与场景路径）左栏同源）、``sample_text_snippets``（评价短摘录，已截断）。
 摘录行通常以 ``【细类：…｜SKU：…｜品名：…｜店铺：…】`` 开头：细类可与本 group 名对照，**品名/SKU/店铺**表示该句具体出自哪条链接；归纳时若引用原话，**须交代是「哪家店、哪条 SKU、哪款品名」上的反馈**，勿只写「有用户说口感差」而不指代产品。
 关注词命中为子串统计，可能与句意不一致；**请以整句语义**判断褒贬（如「软硬适中」「没那么甜」常为满意表述，不得据此写成质地问题）。
 
@@ -163,9 +163,9 @@ def generate_comment_group_summaries_llm(
 
 
 SCENARIO_GROUPS_SYSTEM = """你是用户研究与品类顾问。输入为 JSON：``keyword``、``scenario_lexicon``、``groups``。
-``scenario_lexicon`` 列出各场景标签及示例触发子串（与报告 **第八章第三节** 右栏统计规则一致）。
+``scenario_lexicon`` 列出各场景标签及示例触发子串（与报告 **第八章第二节**（关注词与场景路径）右栏统计规则一致）。
 ``groups`` 每项含 ``group``（与 第五章矩阵一致的细分类目名）、``effective_text_count``（有效评价文本条数）、
-``scenario_distribution``（各预设场景的 ``mention_rows`` 与 ``share_of_effective_texts``；**一条评价可计入多场景**；与 第八章第三节 图右栏同源）、
+``scenario_distribution``（各预设场景的 ``mention_rows`` 与 ``share_of_effective_texts``；**一条评价可计入多场景**；与 **第八章第二节** 图右栏同源）、
 ``sample_text_snippets``（摘录行常含细类、SKU、品名、店铺等前缀的短引文，已截断）。
 统计为**子串命中**，不是语义主题模型。
 
@@ -179,7 +179,7 @@ SCENARIO_GROUPS_SYSTEM = """你是用户研究与品类顾问。输入为 JSON
 
 
 SCENARIO_GROUPS_USER_PREFIX = (
-    "请根据以下 JSON 撰写竞品报告 第八章第三节（右栏：使用场景）之后的「使用场景要点归纳」正文（Markdown）。\n\n"
+    "请根据以下 JSON 撰写竞品报告 第八章第二节（右栏：使用场景）之后的「使用场景要点归纳」正文（Markdown）。\n\n"
 )
 
 

backend/pipeline/llm/generate_sections.py

@@ -1,4 +1,4 @@
-"""第八章情感解读、报告分章、章节衔接等 LLM。"""
+"""评价情感 LLM（可选）：默认**不**写入竞品报告；供独立调用或历史任务兼容。"""
 from __future__ import annotations
 
 import json
@@ -10,9 +10,9 @@ from .llm_client import call_llm
 
 SENTIMENT_LLM_SYSTEM = """你是电商/食品类用户研究助手。输入 JSON 含：
 
-- ``comment_sentiment_lexicon``：子串词表统计（与报告条形图**同一计数方式**，**仅作定量参考**；子串命中≠说话人态度）。
+- ``comment_sentiment_lexicon``：子串词表统计（与载荷内各计数字段**同一计数方式**；竞品报告**已不再**发布同口径扇形图/条形图；**仅作定量参考**；子串命中≠说话人态度）。
 - ``positive_lexeme_hits_top`` / ``negative_lexeme_hits_top``：短语级命中摘要（同源）。
-- ``sentiment_bucket_method``：``score_then_lexeme`` 表示**先按 1～5 星分桶**（无评分行再按关键词）；``keyword_substring_heuristic`` 表示**仅关键词**分桶；与条形图一致。``sample_reviews_positive_biased`` / ``negative`` / ``mixed_tone`` 按该规则**机械归类**的抽样，**可能与整句真实褒贬不一致**（例如「软硬适中」曾被误归负向）。
+- ``sentiment_bucket_method``：``score_then_lexeme`` 表示**先按 1～5 星分桶**（无评分行再按关键词）；``keyword_substring_heuristic`` 表示**仅关键词**分桶；与 ``comment_sentiment_lexicon`` 内四象限计数一致。``sample_reviews_positive_biased`` / ``negative`` / ``mixed_tone`` 按该规则**机械归类**的抽样，**可能与整句真实褒贬不一致**（例如「软硬适中」曾被误归负向）。
 - **``sample_reviews_semantic_pool``**（若有）：本批评价经去重后的**随机/洗牌抽样**（来自全部有效条，不限于某一象限）。**归纳正/负向体验、引用「」短引文时，优先以此池与上述各列表中的原文为准，自行结合语境理解**：转折、对比（如「没那么甜」「软硬适中」）、先抑后扬/先扬后抑整句态度；**不得以子串是否命中负面词来断言该句为抱怨**。
 
 每条样本通常以 ``【细类：…｜SKU：…｜品名：…｜店铺：…】`` 开头，表示 **第五章细类、SKU、品名、店铺**；写归纳与「」引文时须能还原「哪家店、哪条 SKU、哪款品名」，或保留前缀，**禁止**无指代地写「用户普遍…」。
@@ -24,7 +24,7 @@ SENTIMENT_LLM_SYSTEM = """你是电商/食品类用户研究助手。输入 JSON
 - **定性归纳**（满意点/抱怨点、引语是否算差评）：以**整句语义**为准；若某句在语义上为褒义或中性描述，**不得**放入「质地差、口感硬」等负向归因；若词表归类结果与句意冲突，**以句意为准**，并在「使用注意」点明「关键词归类**仅反映子串计数，不作态度判断**」。
 - **负向主题优先级（硬性）**：写「主要」「集中」「突出」类抱怨前，**必须对照** ``negative_lexeme_hits_top`` 各短语的 ``texts_matched``：若「口感硬/咬不动/发硬」等**预设短语命中为 0 或明显低于**其它维度（如分量、少、物流），**不得**把质地硬写成首要负向主题；若抽样原文与语义池里**反复出现**「分量少、太少、不够吃」等而预设短语未列出，仍须**单独归纳**（用户常用生活化表述，不必与预设表完全一致）。
 - 若某措辞**未**出现在任一抽样原文（含前缀后正文）中，**禁止**用引号写成直接引语。
-- **不要**只复述「某词出现 N 次」——条形图已展示；你的价值是**语义归纳**。
+- **不要**只复述「某词出现 N 次」——若业务侧仍配图表则由图展示；你的价值是**语义归纳**。
 
 **建议结构**（使用四级标题 ``####``）：
 1. ``#### 正向体验主题``：3～6 条；概括满意点（口感、甜度、性价比等），**尽量**用「」引用 ``sample_reviews_semantic_pool`` 或其它样本中**语义确为正面**的短句（勿把对比褒义句当差评例子）。
@@ -36,7 +36,7 @@ SENTIMENT_LLM_SYSTEM = """你是电商/食品类用户研究助手。输入 JSON
 
 
 def generate_comment_sentiment_analysis_llm(payload: dict[str, Any]) -> str:
-    """基于 lexicon 统计 + 语义池与按词表归类的抽样，生成 第八章第二节 大模型解读段落（Markdown）。"""
+    """基于 lexicon 统计 + 语义池与按词表归类的抽样，生成评价情感归纳段落（Markdown）；**默认不**嵌入竞品报告正文。"""
     p = dict(payload)
     raw = json.dumps(p, ensure_ascii=False)
     if len(raw) > 88_000:

backend/pipeline/tests/test_competitor_brief.py

@@ -145,7 +145,9 @@ class BuildCompetitorBriefTests(SimpleTestCase):
         self.assertIn("店铺：", lines[0])
         self.assertIn("整体口感还差点意思", lines[0])
 
-    def test_scenario_groups_llm_payload_matches_section_8_4_counts(self) -> None:
+    def test_scenario_groups_llm_payload_matches_chapter8_sec2_right_rail_counts(
+        self,
+    ) -> None:
         sku_h = "SKU(skuId)"
         merged = [
             {

backend/requirements.txt

@@ -9,7 +9,7 @@ reportlab>=4.0
 matplotlib>=3.8
 playwright>=1.40
 
-# 第八章评论文本补充分析（默认写入竞品报告第八章第三节时需安装）
+# 第八章评论文本补充分析（默认写入竞品报告第八章第二节时需安装）
 jieba>=0.42
 scikit-learn>=1.4
 numpy>=1.26

docs/demo/市场策略稿-示例-20260410_134015_低GI.md

@@ -0,0 +1,11 @@
+# 市场策略稿（示例 · 批次 20260410_134015）— 已过时
+
+本文件曾基于较早跑批撰写，其中 **§1.2「核心场景」规则统计占比表**（如早餐/代餐 28.6%）来自简报 **`usage_scenarios` 词组规则**，**已非当前产品主依据**。
+
+当前版本已改为以 **第八章第二节「评论文本补充分析」（文本挖掘：分词、词频、共现、LDA、词云）** 作为评论侧策略依据（`chapter8_text_mining_probe` 开启时）；**不再**使用原「评价正负面粗判」预设口语短语扇形图/条形图。未开探针时第八章第二节仍为「关注词与使用场景」并列图路径。
+
+**请改读：**
+
+- **[市场策略稿-示例-20260413_104252_低GI.md](./市场策略稿-示例-20260413_104252_低GI.md)**（`data/JD/pipeline_runs/20260413_104252_低GI`，与现有文本挖掘产出一致）
+
+目录模板仍见：[市场策略稿-目录模板-六主轴与品牌四线.md](../templates/市场策略稿-目录模板-六主轴与品牌四线.md)。

docs/planning/策略生成-框架确定.md

@@ -184,7 +184,7 @@ LLM 路径下：**A** 经 `compact_brief_for_llm` 压缩进 payload；**B** 原
 | 口感按细类：酥脆 vs 松软分线，禁止一词盖全站 | `STRATEGY_SYSTEM` **口感/质地与细类** |
 | 促销：满减/满折/券/跨店，不编造门槛、不全节留空 | `STRATEGY_SYSTEM` **促销**；底稿 §八.3 |
 | 报告第九章仍用 `generate_strategy_opportunities_llm`，runner 正文拼装不改 | 代码现状；本文件 §5 |
-| 人工可读示例（低 GI） | `docs/demo/市场策略稿-示例-20260413_104252_低GI.md`（含 §2.1、§8.3 范例句） |
+| 人工可读示例（低 GI） | `docs/demo/市场策略稿-示例-20260413_104252_低GI.md`（含 §2.1；策略稿目录 §8.x 为「战术支柱」促销等，勿与竞品报告第八章节号混淆） |
 
 **另行立项（本文件不承诺已编码）**：营销内容管线 S2/S3（见 `strategy-marketing-content-alignment.md`）、仅摘要模板、表单新字段、输出数字同源性自动校验 S4。