將開放式文字回饋貼到 Claude 中，告訴它文字的內容以及你想做出的決策，然後要求它列出反覆出現的主題，並為每個主題附上情緒 - 不要整體分數。每月大約少於幾千份文件時，這比設定專用的情緒分類器更有效，因為你得到的是原因，而不是標籤。問題在於，模型可能會對它誤讀的文字提供一個自信的標籤，因此在你將任何分布呈現為事實之前，先抽樣與自己的判斷進行核對。
工具定價已於 2026 年 8 月查核。
單獨的情緒分數為什麼毫無用處？
「72% 正面」沒有告訴你任何可以採取行動的資訊。它沒有說明那 28% 在生氣什麼、這是單一問題還是九個問題，也沒有說明正面留言是在談你剛推出的功能，還是你即將停止提供的功能。
你真正需要的是一份主題清單：人們不斷提到的五、六件事，每件事都有自己的情緒和大致出現頻率。「大家喜歡它的速度，而且其中三十人都卡在導覽流程的同一個環節」是一句有人能據此採取行動的話。百分比不是。
這一點之所以重要，主要是因為真實的回饋很少只有單一面向。「喜歡產品，討厭價格」平均後會變成中立，這是對該客戶最沒用的描述。將情緒附加到每個主題，而不是每份文件，才能保留訊號。
那麼，你應該改用專用的情緒分析工具嗎？
每月少於幾千份文件，通常不值得 - 而且了解原因很重要，因為大多數關於這個主題的建議都已經是十年前的內容。
Amazon Comprehend 是主流的託管選項，每個單位的情緒分析收費 $0.0001，其中一個單位為 100 個字元，而且每次請求至少按 3 個單位計費。一則 300 字元的評論成本為 $0.0003。2,000 則評論約需六十美分。AWS 也為新客戶和現有客戶提供每月 50,000 個單位（5M 個字元）的免費額度，為期前十二個月。單看原始運算成本，分類器幾乎是免費的。
真正的成本在其他地方。你需要 AWS 帳戶、憑證、一個將 CSV 經由 API 傳送出去並取回結果的指令碼，以及決定如何處理它回傳的標籤。而你得到的就只有標籤：附帶信心分數的情緒值。它不會告訴你負面意見集中在損壞的密碼重設流程上，因為除非你另外建置主題分析，否則它不會讀取主題。
一般模型讀取同樣的 2,000 則評論，就能提供主題、每個主題的情緒、具代表性的引述，以及你提出後續問題時的答案 - 完全不需要建置處理流程。每月超過幾千份文件、按排程執行並供應儀表板後，情況就會逆轉，正式的分類器或批次 API 才能發揮價值。在此以下，你其實是在建置基礎設施，只為省下六十美分。
關於這個主題，你會找到許多較舊的清單文章；有一點需要注意：MonkeyLearn（出現在大多數「最佳情緒分析工具」整理文章中）已不再是獨立產品。Medallia 於 2022 年收購了它，而 monkeylearn.com 現在會以 301 重新導向至 medallia.com。在根據任何工具制定計畫前，請先確認推薦給你的工具仍然存在。
實際上要如何執行分析？
四件事決定了實用的分析與泛泛而談的分析之間的差異。
- 說明文字的性質。「這是我們調價後兩週內收到的 400 張支援工單」與直接貼上一段未加標籤的文字相比，會完全改變分析結果。
- 說明這些分析將支援哪項決策。用於產品路線圖論證的分析，與用於客戶流失事後檢討的分析不同。告訴它是哪一種。
- 要求提供頻率和引述，而不只是主題。要求每個主題提供大致數量和兩則逐字引述。引述能讓你稽核結果 - 如果引述不支持該主題，主題就是錯的。
- 詢問它無法分類哪些內容。殘留內容往往才是有趣的部分：那些太含糊、太簡短或太諷刺而無法歸類的留言。
如果你的意見回饋來自你設計的調查，那麼這項分析的品質在調查執行前就已經決定了 - 這正是我們 HR 通才指南中涵蓋的重點，也值得搭配市場研究指南中更廣泛的內容閱讀。
Mira 將意見回饋分類成主題後，Elena 會把優先排序後的清單轉化為商業論證，並附上影響、投入程度和建議。
查看 Elena →如何安裝 Mira Skill？
Mira 會以 ZIP 檔形式提供，裡面有一個 SKILL.md 位於根目錄的檔案。
- 開啟 Claude 桌面應用程式，點擊側邊欄中的 自訂，然後點擊 Skills。
- 點擊 + 並上傳 ZIP。Claude 會讀取
SKILL.md，並摘要說明其功能。 - 將其切換為開啟。關閉時，Claude 會忽略它。
- 貼上你的意見回饋，並描述你正在做出的決策。
Skills 適用於所有 Claude 方案 - Free、Pro、Max、Team 和 Enterprise，但需要開啟程式碼執行功能。如果 Skills 選單呈灰色或未顯示，請前往「設定」>「功能」啟用 程式碼執行與檔案建立。在 Team 和 Enterprise 中，這是組織設定中的擁有者層級設定，因此你可能需要提出請求。
如果無法啟用程式碼執行功能，或你使用的是 ChatGPT 或 Gemini，請開啟 SKILL.md 檔案，複製其內容，然後貼到自訂指示中。這個 Skill 不會自動觸發，但會影響該對話中的每一則回覆。
這會在哪裡出錯？
這一節值得讀兩遍，因為這種失效模式很不明顯。
- 它會自信地犯錯。 模型不會回答「我不確定這個人想表達什麼」。無論它是否正確讀懂留言，它都會以相同的語氣回傳一個簡潔的標籤。輸出中沒有任何資訊能區分可靠的分類與誤讀。
- 諷刺和輕描淡寫會讓它失效。「太好了，又一次更新」和「我想應該還可以吧」正是人類能立即讀懂、模型卻會扁平化處理的留言。
- 頻率統計是估計值，不是真正的計數。 模型說某個主題出現在 30 則留言中時，它並沒有逐則清點。如果這個數字要放進投影片，請自行計算，或讓模型輸出列號，方便你核對。
- 你的樣本可能不代表你的客戶。 會留下評論並回答開放式問題的人，本來就與眾不同。這項分析描述的是回應者，而沒有任何工具能修正這一點。
- 主題界線取決於判斷。 對相同的回饋執行兩次，你這次可能得到六個主題，下次得到四個，因為「緩慢」和「沒有回應」合理地可以算作一個主題，也可以算作兩個。兩種答案都沒有錯；但兩者都會改變你的圖表。
- 它無法告訴你該怎麼做。 它告訴你人們說了什麼。在改善新手引導與推出你已承諾的功能之間如何取捨，由你決定。
所以，在呈現任何內容前，先抽查。 抽取一部分留言 - 幾百份文件取五十份就很足夠 - 在查看模型的答案前先自行標註，然後進行比較。你要找的不是完美，而是意見分歧集中在哪裡。如果它們集中在某個主題上，該主題就不可靠，你應該明確說明這點。如果在這份樣本中，你與模型的分歧超過少數幾筆，就不要將分布報告為結論。針對某一類回饋做過一次後，你之後就會知道可以多大程度信任它。
如果你未讀的內容大多是支援工單，請將 Mira 的主題分析與 Sam 搭配使用；在你了解客戶究竟在不滿什麼之後，Sam 會替你草擬回覆。
查看 Sam - 客戶支援 AI Skill（$29）→為什麼要使用 Skill，而不是每次都重新撰寫 prompt？
有兩個原因，而且都不是因為這個 Skill 更聰明。
第一點是一致性。只有在兩季的內容都以相同方式解讀、採用相同的主題定義，以及相同的「什麼算是抱怨」判定指示時，將本季的情緒與上季比較才有意義。儲存的 Skill 能固定方法，讓比較反映真實差異，而不是你四月時碰巧如何措辭 prompt 所造成的假象。
第二個原因是，前面列出的四件事 - 背景、決策、頻率，以及引文與無法分類的殘餘內容 - 在你趕時間時很容易被遺忘，而那正是你把 400 張工單貼上去、祈求一切順利的時候。
每季都在進行脈搏調查嗎？這個工具會設計問卷，讓開放式回答能在各季度之間進行比較 - 這正是 Mira 用來追蹤變化、而不是猜測是否發生變化的原始材料。
查看 Employee Survey Prompt（$9）→哪些文字值得用這個工具分析？
凡是有大量文字、卻沒有人有時間閱讀的地方：開放式問卷回答、產品評論、客服工單、離職訪談、應用程式商店評論、銷售通話筆記、社群媒體提及。這套方法在不同情境之間不會改變。會改變的是你在開頭提供的背景，以及你希望分析指向的決策。
需要特別謹慎的類別，是樣本數極少的任何內容。十二則留言不代表有十二個主題；它們代表十二種意見，你應該親自閱讀。
總結：
針對一般的開放式文字分析 - 評論、工單、問卷回答、訪談逐字稿 - 請使用 Mira（$29）。如果內容大多是客服工單，請搭配 Sam（$29）。如果你正在設計用來產生這些回饋的問卷，請從 Employee Survey Prompt（$9）開始。接著使用 Elena（$29）將這些主題整理成案例。全部都能在 Claude、ChatGPT 及任何 AI 聊天工具中使用，並享有 30 天退款保證 - 而且它們仍然需要你自行抽查輸出結果。
相關 Skill 指南
- 如何使用 Claude 進行電子郵件行銷：Nadia Skill 指南
- 如何使用 Claude 擔任社群媒體經理：Maya Skill 指南
- 如何使用 Claude 擔任成長行銷策略師：Sofia Skill 指南
- 如何使用 Claude 進行行銷分析：Rafa Skill 指南
KissMySkills 是一個提供 853 個 AI Skill、158 個 Prompt Pack、55 個 代理及免費工具的市集，適用於 Claude、ChatGPT 及任何 AI 聊天工具。
