BettaFish 舆情分析系统

BettaFish（微舆）是一个无数据库依赖、无模拟数据的多智能体舆情分析系统，采用 QueryAgent + MediaAgent + InsightAgent 三引擎并行架构，通过 ForumEngine 实现 Agent 间协作讨论，执行 3 轮反思循环优化分析，最终同时生成 Word/PDF 文档和高质量 HTML 可视化报告。

输出产物说明

本 Skill 同时生成三种格式的报告，每种格式都必须包含丰富的文本内容，而不仅仅是视觉效果：

报告内容结构要求

所有报告必须包含以下8个核心章节，每个章节都需要详细的文本分析和数据支撑：

1. 执行摘要（核心发现 + 关键指标 + 主要结论）
2. 品牌声量与影响力分析（整体趋势 + 渠道分布 + 区域分析）
3. 关键事件深度回顾（时间线 + 多方观点 + 数据支撑）
4. 情感与认知分析（情感光谱 + 品牌联想 + 核心议题）
5. 用户画像分析（人群属性 + 触媒习惯）
6. 声誉风险与机遇洞察（负面议题 + 风险预警 + 正面机遇）
7. 结论与战略建议（SWOT分析 + 优化建议 + 监测重点）
8. 数据附录（指标汇总 + 来源清单）

内容丰富度标准

每个章节必须包含：

• 详细分析段落：至少3-5段深入分析文字，解释数据背后的洞察
• 具体数据支撑：KPI指标、百分比、对比数据等
• 多维度视角：Query/Media/Insight 三引擎的交叉分析
• 案例说明：具体事件、引用、用户评论示例
• 表格展示：事件时间线、数据对比、来源清单等
• 引用块：关键结论、分析师总结、用户原话

禁止：

• ❌ 只有图表没有文字解释
• ❌ 只有数据没有分析洞察
• ❌ 只有标题没有详细内容
• ❌ 使用占位符或模板文本

1. Word 文档 (.docx)

• 用途: 正式汇报、打印存档、邮件附件、向上级提交
• 特点:
  • 结构清晰、内容完整、格式规范
  • 图文并茂：图表配合详细文字说明
  • 标准公文格式，适合正式场合
• 生成方式: 使用 docx subskill 通过 docx-js 生成

2. PDF 文档 (.pdf)

• 用途: 正式汇报、跨平台分享、不可编辑存档
• 特点: 版式固定、兼容性强、专业外观
• 生成方式: 使用 pdf subskill 通过 reportlab 生成

3. HTML 交互式报告 (.html)

• 用途: 演示展示、在线分享、交互探索
• 特点: 独特的编辑杂志风格设计、丰富的交互可视化
• 生成方式: 使用 frontend-design subskill 生成

报告模板系统

本 Skill 内置 6 种专业舆情分析报告模板，根据用户需求自动匹配最合适的模板结构。

模板类型与适用场景

模板选择逻辑

Step 1: 识别分析类型

根据用户查询自动判断适用的模板：

关键词匹配规则:
  企业品牌声誉分析:
    - "品牌声誉"
    - "品牌形象"
    - "品牌口碑"
    - "企业舆情"

  突发事件与危机公关:
    - "危机"
    - "突发事件"
    - "负面舆情"
    - "公关"
    - "回应"
    - "道歉"

  社会公共热点事件:
    - "热点事件"
    - "社会热议"
    - "舆论焦点"
    - "公众关注"

  市场竞争格局分析:
    - "竞品"
    - "对比"
    - "竞争"
    - "市场份额"
    - "vs"

  特定政策/行业动态:
    - "政策"
    - "行业"
    - "新规"
    - "监管"

  日常/定期舆情监测:
    - "定期"
    - "周报"
    - "月报"
    - "监测"
    - "追踪"

Step 2: 加载对应模板结构

根据识别结果，读取 assets/templates/ 目录下对应模板文件，获取详细的章节结构。

模板使用说明

默认行为：

• 如果用户查询未明确匹配任何模板类型，使用企业品牌声誉分析模板作为默认结构
• 如果用户明确要求"竞品对比"、"危机分析"等，自动切换到对应模板

模板内容填充要求：

• 每个章节必须包含 3-5 段详细分析文字
• 时间线章节必须包含 结构化表格
• 对比分析必须包含 数据对比表格
• 每个二级章节下必须有 具体案例和数据支撑

核心架构

用户查询输入
    ↓
[并行启动三 Agent]
├─ QueryAgent ──┐
├─ MediaAgent ──┼──→ ForumEngine (Agent 讨论协作)
└─ InsightAgent ─┘         ↓
                    [3轮反思循环优化]
                            ↓
                    [ReportEngine 报告生成]
                            ↓
        ├─ docx subskill → Word 文档
        ├─ pdf subskill → PDF 文档
        └─ frontend-design subskill → HTML 报告

Agent 职责分工

设计规范：编辑杂志风格

HTML 报告采用 Editorial/Magazine（编辑杂志）风格，遵循以下设计原则：

视觉风格

执行步骤

Step 1: 需求解析与模板选择

1.1 提取分析要素

分析目标: "品牌声誉/热点追踪/账号挖掘/竞品对比/危机公关/政策分析"
目标主体: "品牌名/事件名/话题关键词"
时间范围: "近7天/近30天/自定义"
输出格式: "Word + PDF + HTML"

1.2 智能模板选择

根据用户查询内容，自动匹配最合适的报告模板：

def select_report_template(user_query):
    """
    根据用户查询选择报告模板
    返回: (template_name, template_path)
    """
    query = user_query.lower()

    # 模板匹配规则
    template_keywords = {
        "突发事件与危机公关": ["危机", "突发事件", "负面舆情", "公关", "回应", "道歉", "事故"],
        "社会公共热点事件": ["热点事件", "社会热议", "舆论焦点", "公众关注", "热议话题"],
        "市场竞争格局分析": ["竞品", "对比", "竞争", "市场份额", "vs", "比较"],
        "特定政策或行业动态": ["政策", "行业", "新规", "监管", "法规", "指导意见"],
        "日常或定期舆情监测": ["定期", "周报", "月报", "监测", "追踪", "日报"],
        "企业品牌声誉分析": ["品牌声誉", "品牌形象", "品牌口碑", "企业舆情", "声誉"]
    }

    # 匹配逻辑
    for template_name, keywords in template_keywords.items():
        if any(kw in query for kw in keywords):
            return template_name, f"assets/templates/{template_name}报告模板.md"

    # 默认使用品牌声誉模板
    return "企业品牌声誉分析", "assets/templates/企业品牌声誉分析报告模板.md"

模板选择示例：

1.3 加载模板结构

读取选定的模板文件，获取详细的章节结构：

# 读取模板文件
template_content = read_file(selected_template_path)

# 解析章节结构
report_structure = parse_template_structure(template_content)

# 输出示例:
# {
#   "模板名称": "企业品牌声誉分析",
#   "章节": [
#     {"1.0": "摘要与核心发现", "子章节": ["1.1", "1.2", "1.3"]},
#     {"2.0": "品牌声量与影响力分析", "子章节": ["2.1", "2.2", "2.3"]},
#     ...
#   ]
# }

1.4 关键词优化

基于选定的模板类型，生成针对性的搜索关键词：

模板类型: "企业品牌声誉分析"
基础关键词: "某咖啡连锁品牌"
优化后关键词:
  QueryAgent:
    - "某咖啡品牌 用户评价 口碑"
    - "某咖啡品牌 产品 质量"
    - "某咖啡品牌 体验 评测"
  MediaAgent:
    - "某咖啡品牌 抖音 视频"
    - "某咖啡品牌 小红书 种草"
  InsightAgent:
    - "某咖啡品牌 情感分析"
    - "某咖啡品牌 舆情"

Step 2: 并行启动三 Agent（ForumEngine 协作）

所有 Agent 同时启动，独立执行，通过 ForumEngine 共享发现：

QueryAgent 执行流程：

1. 使用 WebSearch 搜索新闻/论坛/博客
2. 使用 Browser 访问关键页面获取详细内容
3. 使用 WebFetch 获取页面结构化数据
4. 提取关键信息，生成初步摘要
5. 发布发现到 ForumEngine

MediaAgent 执行流程：

1. 使用 WebSearch 搜索短视频/图文内容链接
2. 下载相关视频文件到本地
3. 使用 video-frames subskill 提取关键帧
4. 分析视频帧内容（画面、文字、场景）
5. 发布发现到 ForumEngine

InsightAgent 执行流程：

1. 使用 WebSearch 获取补充数据
2. 执行情感分析（基于规则引擎）
3. 提取关键词和热点话题
4. 使用 search_clustering.py 对搜索结果聚类采样
5. 发布发现到 ForumEngine

Step 3: ForumEngine Agent 讨论（3轮反思循环）

ForumEngine 机制：

• 每个 Agent 将发现以结构化格式提交到论坛
• ForumHost（主持人）每收集到 3 条 Agent 发言后生成引导
• 主持人提出新的研究问题和方向
• Agent 根据引导进行下一轮搜索和分析

3轮反思循环：

第1轮：初步搜索 → Agent 发言 → 主持人引导
第2轮：深度搜索 → Agent 补充 → 主持人总结
第3轮：验证搜索 → Agent 确认 → 最终结论

Step 4: 数据整合与知识图谱构建

1. 收集三 Agent 和 ForumEngine 的所有发现
2. 使用 graph_generator.py 构建知识图谱
3. 生成 D3.js 力导向图数据

Step 5: 双格式报告生成（基于选定模板）

⚠️ 关键：严格按照 Step 1 选定的模板结构生成报告

5.1 读取模板结构

# 获取 Step 1 选定的模板
template_structure = load_template(selected_template_path)

# 按模板章节结构遍历生成内容
for chapter in template_structure.chapters:
    for subsection in chapter.subsections:
        # 根据子章节类型生成对应内容
        content = generate_content_by_type(subsection.title, agent_findings)

5.2 内容生成规范

每个章节必须包含：

• 详细分析段落：3-5段深入分析文字
• 数据表格：时间线、对比表等
• 高亮框：重要发现
• 引用块：分析师总结
• 三引擎交叉分析：Query/Media/Insight视角

内容类型判断：

• 标题含"时间线" → 生成结构化时间线表格
• 标题含"对比" → 生成数据对比表格
• 其他 → 生成3-5段分析段落

5.3 同时生成三种格式

A. Word文档（使用docx subskill）

• 结构：封面 + 目录 + 8章正文 + 附录
• 字体：正文宋体、标题黑体
• 格式：1.5倍行距、首行缩进2字符
• 使用docx-js通过JavaScript生成

B. PDF文档（使用pdf subskill）

• 版式固定、中文字体支持
• 使用reportlab通过Python生成
• 必须注册中文字体（SimSun/SimHei）

C. HTML报告（使用frontend-design subskill）

• 编辑杂志风格设计
• 深海军蓝(#0a192f)背景 + 金色(#ffd700)强调
• Playfair Display + Source Serif Pro字体
• 包含ECharts图表和D3.js知识图谱
• 分页导航 + 键盘操作支持

5.4 报告质量检查

• 三Agent并行执行完成
• ForumEngine完成3轮讨论
• 所有数据来自真实WebSearch
• 同时生成Word、PDF、HTML三种格式
• 每个章节包含3-5段详细分析文字
• 包含数据表格和图表
• HTML报告有章节导航

数据采集规范

QueryAgent 数据获取

使用智能体自带工具，禁止模拟数据：

1. WebSearch("某咖啡连锁品牌 口碑评价")
2. WebSearch("site:weibo.com 某咖啡品牌")
3. Browser 访问关键页面获取详细内容
4. WebFetch 获取页面结构化数据
5. Curl 命令行获取 API 数据或特殊页面

Curl 使用示例：

# API 数据获取
curl -s "https://api.social-media.com/posts?q=某咖啡品牌"

# 带 Headers 的页面请求
curl -s -H "User-Agent: Mozilla/5.0" \
  -H "Accept: application/json" \
  "https://www.example.com/api/data"

# 获取并重定向输出到 Python 处理
curl -s "https://api.example.com/data" | python -c "import sys,json; print(json.load(sys.stdin))"

MediaAgent 视频分析

真实视频分析流程：

1. WebSearch 搜索视频链接（抖音、B站、小红书）
2. 下载视频到本地临时目录
3. 使用 video-frames subskill 提取关键帧：

   {baseDir}/scripts/frame.sh /tmp/video.mp4 --time 00:00:05 --out /tmp/frame_5s.jpg

4. 分析视频帧内容（画面元素、文字、场景）
5. 结合视频描述文字进行综合分析

InsightAgent 数据分析

使用 Python 脚本进行分析：

# 情感分析
from scripts.sentiment_analyzer import SentimentAnalyzer
analyzer = SentimentAnalyzer()
results = analyzer.analyze_batch(texts)

# 搜索结果聚类采样
from scripts.search_clustering import cluster_search_results
clusters = cluster_search_results(search_results, n_clusters=5)

内置工具使用

1. 搜索结果聚类采样（search_clustering.py）

from scripts.search_clustering import cluster_search_results, sample_from_clusters

# 对搜索结果进行 KMeans 聚类
clusters = cluster_search_results(
    results=search_results,
    n_clusters=5,
    samples_per_cluster=3
)

# 返回每个聚类的代表性样本
representative_samples = sample_from_clusters(clusters)

2. 情感分析（sentiment_analyzer.py）

from scripts.sentiment_analyzer import SentimentAnalyzer, analyze_sentiment_distribution

analyzer = SentimentAnalyzer()
result = analyzer.analyze("这个产品真的很棒！")
# 返回: label, confidence, positive_score, negative_score, fine_emotions, aspects

3. 知识图谱构建（graph_generator.py）

from scripts.graph_generator import KnowledgeGraphBuilder

builder = KnowledgeGraphBuilder(topic="某咖啡连锁品牌")
builder.build_from_analysis_result(
    query_results=query_data,
    media_results=media_data,
    insight_results=insight_data
)
graph_data = builder.to_dict()

ForumEngine 协作协议

Agent 发言格式

{
  "agent": "QueryAgent",
  "round": 1,
  "findings": {
    "key_points": ["发现1", "发现2"],
    "sources": [{"title": "...", "url": "..."}],
    "confidence": 0.85
  },
  "questions": ["需要进一步验证的问题"]
}

主持人引导格式

{
  "host": "ForumHost",
  "round": 1,
  "summary": "本轮讨论总结",
  "directions": ["下一步研究方向1", "方向2"],
  "questions": ["需要回答的关键问题"]
}

质量检查清单

生成报告前检查：

• 三 Agent 并行执行完成
• ForumEngine 完成 3 轮讨论
• 所有数据来自真实 WebSearch，无模拟数据
• 视频分析使用 video-frames 提取帧
• 搜索结果经过聚类采样处理
• 同时生成 Word、PDF、HTML 三种格式
• Word 使用 docx subskill 生成，格式规范
• PDF 使用 pdf subskill 生成
• HTML 使用 frontend-design subskill，编辑杂志风格
• 情感分布饼图使用艺术化设计
• 趋势图有电影级动画效果
• 知识图谱可交互（D3.js 力导向图）
• 支持 PDF 导出功能
• 不使用任何数据库和深度学习模型

Subskills 调用方式

video-frames

# 提取视频帧
{baseDir}/subskills/video-frames/scripts/frame.sh /path/to/video.mp4 --time 00:00:10 --out /tmp/frame.jpg

docx

// 生成 Word 文档
const { Document, Packer } = require('docx');
// ... 详见 docx subskill 文档

frontend-design

使用 frontend-design subskill 生成 HTML 报告
- 深海军蓝 (#0a192f) 背景
- 金色 (#ffd700) 强调
- Playfair Display 字体
- 电影级动画效果

pdf

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate
# ... 详见 pdf subskill 文档

版本历史

• v1.0.0 - 初始版本
  • 实现 QueryAgent + MediaAgent + InsightAgent 三引擎并行架构
  • 实现 ForumEngine Agent 间协作讨论
  • 实现 3 轮反思循环优化
  • 集成 video-frames、docx、frontend-design、pdf subskills
  • 同时输出 Word、PDF、HTML 三种格式
  • 无数据库依赖，无模拟数据
  • 搜索结果聚类采样