Elysia Tools
导航
AI Tools
审校 JSON 或 CSV 中针对指定书籍或实体的态度。区分赞扬、批评、阅读意向和中性提及，再统计推荐。
详情
粘贴最多 20 行，必填 entity 和 context，可选 id、commentId。上下文必须原样包含实体。混合模式只将未解决的上下文发送给 OpenRouter，固定使用 deepseek/deepseek-v4.1-flash-1017，单次请求限时 45 秒，不重试、不替换模型。纯规则模式不调用模型。分数是启发式或模型自报值，不代表校准后的准确率；模型可能出错。混合态度、低置信度及未解决记录不会自动计票。去重提及不等于推荐：赞扬票按 commentId/实体或完全相同的实体/上下文去重，不合并别名。支持下载 JSON、防公式注入 CSV 和未确认的修正模板。保留 id、fingerprint 并设置 confirmed: true 后，修正仅适用于同一输入。本工具不建立持久标注库、不训练模型；平台与模型服务商的数据留存政策仍适用。
执行
填写表单、运行工具，并在同一页面查看结果。
案例
相关内容
工具使用指南
HN 提及态度分类工具专用于审校讨论中针对书籍或特定实体的真实评价。通过输入包含实体名及上下文的 JSON 或 CSV 数据，系统自动辨别赞扬、批评、阅读意向与中性表述，过滤掉负评与待读提及，仅基于高置信度且去重后的真实好评统计推荐票数。
背景
博主打算从 HN 评论中整理一份真正被读者认可的科幻书单，避免将买书计划或负评误计为推荐。
问题
多条评论中同时存在“很爱”、“讨厌”以及“准备去读”，传统关键词匹配容易全部归为提及。
如何使用
选择 JSON 格式与纯规则模式，粘贴 3 条包含《Dune》的上下文，设置赞扬置信度为 0.85。
format: json, mode: rules, threshold: 0.85结果
系统仅将明确表达喜爱的记录判定为有效赞扬票，讨厌归为批评，想读归为阅读意向，推荐票数准确计为 1。
背景
分析师正在快速核验一段导出的 CSV 评论，其中包含既赞扬设定又批评结局的转折复合句。
问题
含有褒贬两面态度的复杂评论若直接计票会导致推荐度虚高，需要先归类为未解决待人工确认。
如何使用
输入 CSV 数据，选择纯规则模式并将置信度阈值调至 0.95，导出未解决修正模板。
format: csv, mode: rules, threshold: 0.95结果
明确推荐的记录顺利通过计票，带转折的混合记录保持未解决状态且不自动计票，生成可编辑的修正模板供复核。
单次最多支持 20 行记录，必填字段为 entity 和 context（且 context 必须原样包含 entity），可选字段为 id 和 commentId。
纯规则模式完全基于本地启发式规则，不发起网络请求；混合模式仅将规则无法判定的文本发送给指定的单一模型请求一次。
不会。提及并不等于推荐，仅达到置信度阈值的明确赞扬才会计票，批评、待读意向、混合态度及低置信度提及均不计入。
系统会依据 commentId/entity 组合或完全相同的 entity/context 进行去重，但不会自动合并实体的不同别名。
可下载系统生成的修正模板，保留原记录的 id 和 fingerprint，修改分类并将 confirmed 设为 true 后填入修正输入框重新运行。