Elysia Tools
Mobile Navigation
Workflow Playbook
Erstellen Sie aus freigegebenen HN-Kommentaren eine nachvollziehbare Empfehlungsliste: Kontext bewahren, Lob von Kritik und Leseabsicht trennen und Stimmen vor der Übergabe prüfen.
Themen
Dieser Ablauf unterstützt Redaktionen bei Buch- oder Produktempfehlungen aus einem freigegebenen HN-Export. Er lädt keine Kommentare und erkennt nicht automatisch alle Entitäten. Dokumentieren Sie Quellen, Datum, Themenstränge, Ausschlüsse und Verantwortliche; entfernen Sie unnötige persönliche Daten.
Extrahieren Sie ein Array mit JSONPath oder lesen Sie CSV und ordnen Sie entity, context, id und commentId ausdrücklich zu. Quellenlinks und Notizen gehören in ein separates Protokoll; der Klassifikator akzeptiert in CSV nur seine vorgesehenen Spalten. Die Entität muss ohne Beachtung der Großschreibung wörtlich im Kontext vorkommen. Für zwei Entitäten in einem Kommentar verwenden Sie verschiedene id, dieselbe commentId und ausreichenden Kontext. Schreiben Sie Zitate nicht für kanonische Namen um; führen Sie eine Aliaszuordnung, da das Werkzeug Aliasse nicht automatisch verbindet.
Ein kompatibles JSON Schema prüft die Struktur, nicht die Herkunft. Pro Lauf werden vor Gruppierung 1 bis 20 Zeilen angenommen. Verwenden Sie stabile Kennungen statt wiederkehrender Positionsnummern.
Kontrollieren Sie exakte Exportduplikate auf einer Kopie: unscharfe Suche aus, Großschreibung beachten, Leerzeichen nicht kürzen. Vergleichen Sie vollständige Belegfelder und protokollieren Sie Entfernungen. Gleiche Namen oder ähnliche Meinungen rechtfertigen kein Löschen. Der Klassifikator gruppiert Entität und commentId, ohne Kommentar-id anhand des Entitäts-/Kontext-Fingerabdrucks. Widersprüchliche Labels oder offene Fälle blockieren eine Gruppe. Wird die Kritik vorher entfernt, kann daraus künstlich eine Empfehlung entstehen.
Drei verschiedene Kommentare über ein Buch — ausdrückliche Empfehlung, Kritik und Leseabsicht — ergeben bei korrekter Auflösung before gleich drei und after gleich eins. Kritik ist keine von Lob abzuziehende negative Stimme; Leseabsicht bleibt eine eigene Kategorie. Gemischte und offene Fälle zählen nicht automatisch.
Regeln rufen kein Modell auf, garantieren aber weder lokale Browserverarbeitung noch vollständige Sprachabdeckung. Der Hybridmodus überträgt offene Datensätze an einen externen Anbieter. Genehmigen Sie dies und speichern Sie Modus und Schwelle. Konfidenz ist keine gemessene Genauigkeit. Modellbelege werden im übergebenen Kontext geprüft, nicht auf der Originalwebsite; Herkunft und Deutung bleiben menschlich zu kontrollieren.
Laden Sie die aktuelle Korrekturvorlage. id und fingerprint binden die Entscheidung an Entität und Kontext. Begründen Sie Änderungen, setzen Sie confirmed erst nach Prüfung und erhalten Sie mixed bei tatsächlich gemischten Aussagen. Bestätigtes nicht gemischtes Lob kann ohne numerische Konfidenz zählen; Gruppenkonflikte bleiben blockierend. Nach Textänderungen ist eine neue Vorlage nötig.
Vergleichen Sie Berichte nach id und stabiler Reihenfolge; Pfadunterschiede führen keinen semantischen Datensatzabgleich durch. Archivieren Sie Originalberichte und Korrekturen. before zählt Gruppen, keine Rohzeilen, Autoren oder Leser; after zählt geeignetes Lob. Addieren Sie Ranglisten nicht ohne globale Entitäts-/Kommentarschlüssel und Konfliktprüfung. Unterscheiden Sie offene Gruppen von offenen Zeilen und nennen Sie Umfang, Aliasregeln und Grenzen fehlender Kommentar-ids.
Wählen Sie ranking ausdrücklich vor CSV-Konvertierung, sonst kann ein anderes verschachteltes Array gewählt werden. Erhalten Sie native Erwähnungs-CSV und Original-JSON. CSV-Anführungszeichen verhindern keine Tabellenformeln: nicht vertrauenswürdige Inhalte als Text importieren und verdächtige Zellen prüfen. Kontrollieren Sie Summen, lokale Dateien und endgültige SHA-256-Werte. Verwandte Abläufe dienen allgemeiner Datenqualität oder Datenschutz; hier geht es um beleggebundene Empfehlungszählung.
Workflow-Leitfaden
Extrahieren Sie verschachtelte Daten per JSONPath oder lesen Sie CSV und ordnen Sie entity, context, id und commentId zu. Quellen bleiben separat; Extraktion erkennt Entitäten nicht automatisch.
Prüfen Sie das Array mit einem kompatiblen Schema. Untersuchen Sie exakte Exportduplikate auf einer Kopie mit unveränderter Schreibweise und Leerzeichen, nicht nur nach Namen oder Ähnlichkeit.
Übergeben Sie höchstens 20 stabile Datensätze. Trennen Sie Lob, Kritik, Leseabsicht und Neutralität; gemischte, unsichere und offene Fälle gehen zur menschlichen Prüfung.
Exportieren Sie die aktuelle Korrekturvorlage, bestätigen Sie begründete Entscheidungen und wiederholen Sie dieselbe Eingabe. Vergleichen Sie nach id und gleichen Sie Gruppen vor der Aggregation ab.
Nur eine positive Bewertung der benannten Entität kann zählen. Kritik, Leseabsicht und neutrale Diskussion zählen nicht; gemischte oder offene Fälle benötigen Prüfung.
Ein Lauf gruppiert Entität mit commentId, andernfalls mit Kontext-Fingerabdruck. Verschiedene Kommentare belegen keine verschiedenen Personen; gleichen Sie Läufe gesondert ab.
Regeln rufen kein Modell auf, lassen aber Fälle offen. Der Hybridmodus überträgt offene Datensätze an einen externen Anbieter; genehmigen Sie dies und behandeln Sie Konfidenz nicht als kalibrierte Genauigkeit.
Wählen Sie ranking vor der CSV-Konvertierung. Liefern Sie Berichte, Korrekturen, Protokoll und Prüfsummen und kontrollieren Sie Zeilen, Summen und Tabellenimport.