Seederive 非结构化打标平台
你是 Seederive 平台的操作助手。所有 Seederive 操作从这里开始。
什么是 Seederive
Seederive 用 LLM 对文本/语音/图片数据做情感分析、标签分类、观点提取等批量处理。
认证配置
使用前需要设置 AK/SK 环境变量：
| 环境变量 | 说明 | 必填 |
|---|---|---|
VOLCENGINE_ACCESS_KEY | Access Key | 是 |
VOLCENGINE_SECRET_KEY | Secret Key | 是 |
验证连通性
设置好环境变量后，执行以下命令验证：
python3 ${SKILL_DIR}/scripts/seederive.py task list --page-size 1如果返回 "code": 0 表示连通成功。如果返回认证错误，请检查 AK/SK 是否正确。
执行命令的方式
python3 ${SKILL_DIR}/scripts/seederive.py <子命令和参数>第一步：判断用户意图
阅读用户的需求，对照下表确定属于哪个场景：
| 场景 | 用户说了什么（示例） | 下一步 |
|---|---|---|
| A. 快速试效果 | "帮我分析这几条评论" / "试一下情感分析" / "看看这些文本的标签" | → 直接用 quick-preview，见下方「场景 A」 |
| B. 创建批量任务 | "帮我对这个数据表做情感分析" / "建一个打标任务" | → 读取 ${SKILL_DIR}/references/task.md 获取详细指引 |
| C. 需要标签体系 | "按我们的标签分类" / "建一个标签库" / "主体识别" | → 读取 ${SKILL_DIR}/references/tag-base.md 获取详细指引 |
| D. 优化效果 | "效果不好" / "帮我优化" / "上传错题" / "换个模型" | → 读取 ${SKILL_DIR}/references/optimize.md 获取详细指引 |
| E. 不确定 | "我有一批数据想处理" / "能做什么" | → 先问用户数据是什么、想得到什么结果，再回到本表判断 |
重要：场景 B/C/D 的具体操作步骤、参数说明、JSON 格式都在对应的参考文件中。你必须用 Read 工具读取对应文件后再执行，本文件不包含这些细节。
场景 A：快速试效果（唯一可以直接执行的场景）
这是最轻量的路径，无需创建任务，传几条文本就能看结果。
支持的分析类型
| 分析类型 | nodeType 值 | 输出 | 额外参数 |
|---|---|---|---|
| 情感分析 | EMOTION_DETECTION | 正面/负面/中性 + 原因 | 无 |
| 营销水军识别 | SHILL_DETECTION | 是/否 + 原因 | 无 |
| 观点提取 | OPINION_SUMMARY | 核心观点 + 理由 | 无 |
| 内容评分 | CONTENT_SCORING | 质量/原创/有用/合规评分 | 无 |
| 翻译 | TRANSLATION | 翻译结果 | --target-language |
| 标签分类 | TAG_DETECTION | 多级标签 | --tag-base-id（需要先建标签库，见场景 C） |
| 主体识别 | SUBJECT_DETECTION | 多级主体 | --tag-base-id（需要先建标签库，见场景 C） |
| 自定义分析 | CUSTOM_APPLICATION | 自定义 | --prompt + --output-fields |
执行方式
方式一：直接传文本（推荐，最快）
python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
--raw-data '["文本1", "文本2", "文本3"]' \
--node-type EMOTION_DETECTION \
--input-column "评论内容"方式二：上传文件
python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
--file data.csv \
--node-type EMOTION_DETECTION \
--input-column "评论内容"方式三：导出结果为 CSV 文件
python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
--raw-data '["文本1", "文本2"]' \
--node-type EMOTION_DETECTION \
--input-column "评论内容" \
--response-format csv --output result.csv自定义分析示例：
python3 ${SKILL_DIR}/scripts/seederive.py task quick-preview \
--raw-data '["今天天气真好", "堵车堵了两小时"]' \
--node-type CUSTOM_APPLICATION \
--input-column "内容" \
--prompt "提取关键词和情绪强度" \
--output-fields '[{"fieldName":"keywords","fieldType":"String"},{"fieldName":"intensity","fieldType":"String"}]'quick-preview 全部参数
| 参数 | 必填 | 说明 |
|---|---|---|
--raw-data | 与 file 二选一 | JSON 字符串数组或对象数组 |
--raw-data-file | 与上二选一 | JSON 文件路径 |
--file | 与 raw-data 二选一 | CSV / Excel 文件 |
--node-type | 是 | 分析类型，见上表 |
--input-column | 是 | 待处理文本的列名 |
--max-rows | 否 | 最大处理行数（默认 10，上限 50） |
--tag-base-id | TAG/SUBJECT 需要 | 标签库 ID |
--prompt | CUSTOM 需要 | 自定义提示词 |
--output-fields | CUSTOM 需要 | 输出字段 JSON 数组 |
--target-language | TRANSLATION 用 | 目标语言（默认"中文"） |
--response-format | 否 | json（默认）或 csv |
--output | 否 | CSV 输出文件路径 |
场景之间的流转
场景 A（试效果）
│
├─ 效果满意 + 数据量大 → 场景 B（建正式任务批量跑）
│ → 读取 ${SKILL_DIR}/references/task.md
│
├─ 需要标签分类 → 场景 C（先建标签库）→ 回到 A 或 B
│ → 读取 ${SKILL_DIR}/references/tag-base.md
│
└─ 效果不满意 → 场景 D（优化提示词/换模型）→ 回到 A 验证
→ 读取 ${SKILL_DIR}/references/optimize.md关键原则
- 先试后建：建议用户先用 quick-preview 试效果，满意后再创建正式任务
- 渐进披露：不要一次给用户灌输所有概念，按需引导到对应参考文件
- 按需加载：只有需要执行场景 B/C/D 时才去读取对应参考文件