sentiment-analyzer
О программе
Навык анализа тональности использует модели машинного обучения для классификации настроений в тексте, что идеально подходит для обработки отзывов клиентов, обратной связи по NPS и обращений в службу поддержки. Он помогает разработчикам анализировать упоминания бренда и реакции на кампании в больших масштабах, выявляя закономерности в неструктурированных отзывах. Это обеспечивает практические инсайты из данных клиентов за счет структурированного анализа тональности.
Быстрая установка
Claude Code
Рекомендуетсяnpx skills add guia-matthieu/clawfu-skills -a claude-code/plugin add https://github.com/guia-matthieu/clawfu-skillsgit clone https://github.com/guia-matthieu/clawfu-skills.git ~/.claude/skills/sentiment-analyzerСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
Sentiment Analyzer
Analyze sentiment in customer feedback using transformer models - understand what your customers really feel at scale.
When to Use This Skill
- Review analysis - Process hundreds of product reviews
- NPS feedback - Categorize open-ended survey responses
- Social listening - Monitor brand sentiment on social media
- Campaign feedback - Evaluate response to marketing campaigns
- Support insights - Categorize support ticket sentiment
What Claude Does vs What You Decide
| Claude Does | You Decide |
|---|---|
| Structures analysis frameworks | Metric definitions |
| Identifies patterns in data | Business interpretation |
| Creates visualization templates | Dashboard design |
| Suggests optimization areas | Action priorities |
| Calculates statistical measures | Decision thresholds |
Dependencies
pip install transformers torch pandas click
# Or for lighter CPU-only version:
pip install textblob vaderSentiment pandas click
Commands
Analyze Text
python scripts/main.py analyze "This product exceeded my expectations!"
python scripts/main.py analyze "The service was terrible and slow."
Batch Analysis
python scripts/main.py batch reviews.csv --column text
python scripts/main.py batch feedback.csv --column comment --output results.csv
Generate Report
python scripts/main.py report reviews.csv --column text --output sentiment-report.html
Examples
Example 1: Analyze Product Reviews
# Process CSV of reviews
python scripts/main.py batch amazon-reviews.csv --column review_text
# Output: amazon-reviews_sentiment.csv
# review_text | sentiment | score | label
# "Absolutely love this!" | positive | 0.95 | Very Positive
# "It's okay, nothing special" | neutral | 0.52 | Neutral
# "Worst purchase ever" | negative | 0.12 | Very Negative
Example 2: NPS Feedback Categorization
# Analyze NPS survey responses
python scripts/main.py report nps-responses.csv --column feedback
# Output: sentiment-report.html
# Summary:
# - Positive: 62% (mainly: product quality, support)
# - Neutral: 23% (mainly: pricing concerns)
# - Negative: 15% (mainly: shipping delays)
Sentiment Categories
| Score Range | Label | Interpretation |
|---|---|---|
| 0.8 - 1.0 | Very Positive | Enthusiastic, recommend |
| 0.6 - 0.8 | Positive | Satisfied, happy |
| 0.4 - 0.6 | Neutral | Mixed or indifferent |
| 0.2 - 0.4 | Negative | Disappointed, frustrated |
| 0.0 - 0.2 | Very Negative | Angry, will churn |
Skill Boundaries
What This Skill Does Well
- Structuring data analysis
- Identifying patterns and trends
- Creating visualization frameworks
- Calculating statistical measures
What This Skill Cannot Do
- Access your actual data
- Replace statistical expertise
- Make business decisions
- Guarantee prediction accuracy
Related Skills
- social-analytics - Get social data to analyze
- content-repurposer - Use insights for content
Skill Metadata
- Mode: centaur
category: analytics
subcategory: nlp
dependencies: [transformers, torch, pandas]
difficulty: intermediate
time_saved: 6+ hours/week
GitHub репозиторий
Похожие навыки
llamaguard
ДругоеLlamaGuard — это модель от Meta с 7–8 миллиардами параметров для модерации входных и выходных данных больших языковых моделей по шести категориям безопасности, таким как насилие и разжигание ненависти. Она обеспечивает точность 94–95% и может быть развернута с помощью vLLM, Hugging Face или Amazon SageMaker. Используйте этот навык, чтобы легко интегрировать фильтрацию контента и защитные механизмы в ваши ИИ-приложения.
cost-optimization
ДругоеЭтот навык Claude помогает разработчикам оптимизировать облачные расходы за счет правильного подбора ресурсов, стратегий тегирования и анализа затрат. Он предоставляет framework для сокращения облачных расходов и внедрения управления затратами в AWS, Azure и GCP. Используйте его, когда вам нужно проанализировать расходы на инфраструктуру, оптимизировать ресурсы или уложиться в бюджетные ограничения.
quantizing-models-bitsandbytes
ДругоеЭтот навык выполняет квантизацию LLM до 8-битной или 4-битной точности с использованием библиотеки bitsandbytes, обеспечивая сокращение использования памяти на 50-75% при минимальной потере точности. Он идеально подходит для запуска больших моделей при ограниченной памяти GPU или для ускорения вывода, поддерживая форматы INT8, NF4 и FP4. Навык интегрируется с HuggingFace Transformers и позволяет использовать обучение QLoRA и 8-битные оптимизаторы.
dispatching-parallel-agents
ДругоеЭтот навык Claude распределяет нескольких агентов для исследования и устранения трёх и более независимых проблем параллельно. Он предназначен для сценариев с несвязанными сбоями, которые можно устранить без общего состояния или зависимостей. Ключевая возможность — параллельное решение проблем, где за каждую независимую предметную область назначается отдельный агент для максимальной эффективности.