前言¶

拿到一批用户评论、客服工单里的客户反馈，或者语音转写后的 VOC 原话，下一步往往是人工挑出「这条在说什么」。问题在于：逐条读、逐条归类，口径很难统一，同一句话在不同人手里会被拆成不同的字段。首派3-FACT结构化 就是为这个环节准备的：它按固定的 FACT 四要素（Fact 事实 / Action 行为 / Context 场景 / Trigger 触发点）对每一条原始文本做结构化提取，并在提取前强制走两道预处理工序，保证喂给分析的数据是完整且有效的。

它不是做主题聚类的那种技能。聚类回答「这批评论集中在哪几个话题」，本技能回答「这一条评论里事实是什么、用户做了什么、在什么场景下、被什么触发」，两类工作互补。

这是什么¶

首派3-FACT结构化 是一个 VOC FACT 结构化分析技能，定位为「研究事务所视角下的专业数据清洗员」，由 SkillHub 用户 @user_fe8d3f05 以 community（社区）来源发布，版本 1.0.0，分类为 data-analysis。标签为 requires_api_key=false，即不需要额外申请 API Key。

它解决的问题是：用户评论、客户反馈、VOC 原话这类非结构化文本，需要先被清洗并拆成统一字段，后续才谈得上机会识别。技能声明在执行分析前强制做「读取完整性确认（0%-100%）」与「无效字段排除」两道预处理工序。

技能包内附带 SkillHub 评分 100000，累计下载 539 次（抓取时间点 2026-10-30，安装数为 0）。

核心功能¶

下面介绍已从官方简介核实的能力。

1、单条结构化提取。对用户评论、客户反馈、VOC 原话逐条处理，按 FACT 框架拆出四个要素：Fact（事实，评论中描述的客观情况）、Action（行为，用户做了什么或试图做什么）、Context（场景，该条反馈发生的背景）、Trigger（触发点，导致该条反馈出现的直接原因）。

2、两道强制预处理工序。分析开始前先做读取完整性确认（0%-100%），确认数据已完整读取，未确认前不进入分析；再做无效字段排除，把空值、乱码、重复或无信息量的字段剔除，确保分析基于完整且有效的数据。

3、机会识别。在结构化提取的基础上，从单条评论中识别产品或流程改进机会，输出指向改进点而不是情绪判断。

4、角色定位。技能设定为 Wedbush Securities 的 Dan Ives 与 Morgan Stanley 的 Adam Jonas 研究事务所视角的专业数据清洗员，强调以卖方研究式的严谨对待原始文本。

5、与聚类类技能互补。官方说明中与「行业 VOC 聚类分析」「模拟评论」技能互补：聚类分析做主题归类，本技能做单条结构化提取与机会识别。

安装与启用¶

抓取资料中未包含具体的安装命令，官方页面在本次抓取时无法访问，因此不给出未经核实的命令。可核实的信息如下：

Skill 坐标：@user_fe8d3f05/luowenvoc3
官方地址：https://api.skillhub.cn/user_fe8d3f05/luowenvoc3
SkillHub 页面：https://www.skillhub.cn/skills/user_fe8d3f05/luowenvoc3
版本：1.0.0
来源：community
分类：data-analysis
标签：requires_api_key=false

技能基于通用 SKILL.md 格式，在支持 SkillHub 技能安装的客户端（Cursor、Codex CLI、Claude Code 等）中按坐标安装即可，具体命令以官方页面为准。由于标签为 requires_api_key=false，安装后不需要配置 API Key。

典型用法¶

技能的触发条件在简介中已写明：用户提供用户评论 / 客户反馈 / VOC 原话，需要做结构化提取、需要 FACT 分析、需要从评论中识别产品或流程改进机会、需要评论数据清洗，或提及 FACT 模型 / FACT 分析 / 事实-行为-场景-触发点 / VOC 结构化 / 评论机会识别 / 客户反馈结构化 等关键词时使用。

处理流程按技能说明分为三步。

1、输入原始文本。把单条或一批评论交给技能，说明本次要做 FACT 结构化提取即可。

2、预处理确认。技能先回报读取完整性（0%-100%），再列出被排除的无效字段，确认后进入分析。

3、输出结构化结果。按 Fact / Action / Context / Trigger 四要素输出该条评论的拆分结果，并给出对应的改进机会。

下面给出一个示意输入与期望输出，用于说明字段含义。此示例由技能说明中的四要素定义推得，并非官方提供的样例数据：

输入（示意）：
"导出报表时只要选了月份范围，点确定就没反应，重试也一样。"

期望输出（示意）：
Fact：用户在导出报表功能中选择了月份范围后点击确定，无响应；重试同样无响应
Action：选择月份范围并点击确定，随后重试
Context：使用报表导出功能，指定了月份筛选条件
Trigger：点击确定按钮后出现无响应
机会：检查导出流程在月份范围筛选条件下的请求链路，定位无响应原因

要点是字段之间的边界：无响应是 Fact，重试是 Action，导出报表且带筛选条件是 Context，点击确定这个动作是 Trigger。边界一旦稳定，批量处理时每条评论的字段口径就能保持一致。

适用场景与注意¶

适合的场景：有明确的原始文本需要逐条拆字段，例如客服工单清洗、应用商店评论结构化、调研访谈原话整理；需要在单条层面做改进机会识别，而不是先看整体话题分布。

需要留意的地方：

1、数据质量依赖预处理工序的执行结果。如果输入本身残缺或大量无效字段被排除，输出会相应减少，务必确认完整性百分比后再继续。

2、技能做单条提取，不做跨评论的主题聚类。需要主题归类时，应配合「行业 VOC 聚类分析」这类技能使用，两者分工不同。

3、版本为 1.0.0，来源为 community，即社区发布而非官方团队维护，接口与输出格式可能随版本调整。本次抓取中安装数为 0，使用时建议先拿一小批数据验证字段口径。

4、本技能面向文本数据的清洗与结构化，不涉及情感打分、声纹或语音识别；如果手上是未经转写的录音，需要先做转写再输入。

小结¶

首派3-FACT结构化 的价值在于把「读评论」这件依赖人工口径的事，收敛成四要素加两道预处理工序的固定流程：先看完整性、再排无效字段，然后按 Fact / Action / Context / Trigger 逐条拆，最后落到改进机会上。对于需要把 VOC 原话变成可统计、可对比字段的团队，它能省掉反复统一口径的成本。

官方地址：https://api.skillhub.cn/user_fe8d3f05/luowenvoc3（SkillHub 页面 https://www.skillhub.cn/skills/user_fe8d3f05/luowenvoc3）。