OpenClaw 有价值应用（2026-05-15）：多Agent客户反馈聚合与洞察流——把散落评价变成产品决策燃料
场景演示
你做产品，用户在 App Store 留了差评，客服邮箱收到投诉，朋友圈有人截图吐槽，Google Form 里有份问卷——四条渠道，四个人看，四种处理方式，最后全部石沉大海。
这不是能力问题，是信息没有汇聚到同一条河流。
多Agent客户反馈聚合与洞察流，就是把散落在各处的用户声音：App Store 评价、应用内评分、客服工单、社交媒体评论、问卷表单、Google/Apple Form 反馈——统一汇入一条自动化流水线，自动完成去重 → 分类 → 情感分析 → 关键词提取 → 优先级排序 → 定期报告，最终推送到飞书，你上班前就能看到「今天用户到底在抱怨什么」。
Step by Step
第一步：配置反馈来源列表（Bitable 建表）
在飞书多维表格里建一张「反馈来源配置表」：
| 字段 | 类型 | 说明 |
|---|---|---|
| 来源名称 | 单行文本 | 如：App Store、客服邮箱 |
| 来源类型 | 单选 | app_store / email / social / form / in_app |
| 采集频率 | 单选 | 实时 / 每日 / 每周 |
| 采集地址/账号 | 单行文本 | URL 或邮箱地址 |
| 负责人Agent | 单行文本 | 如：feedback-collector |
| 状态 | 单选 | 活跃 / 暂停 |
第二步：部署采集Agent（feedback-collector）
每个活跃来源对应一个采集子Agent，负责：
- App Store / Google Play：通过 browser-automation 定时爬取评分和评论，按关键词过滤
- 客服邮箱：通过 email 工具拉取最新工单，提取 subject + body
- 社交媒体：通过 web_search 监控品牌相关提及
- 表单（Google Form / 飞书表单）：通过 web_fetch 定时拉取结果
所有采集结果写入同一张 Bitable 的「原始反馈池」表：
| 字段 | 类型 |
|---|---|
| 反馈ID | 自动编号 |
| 来源 | 单选 |
| 原始内容 | 长文本 |
| 采集时间 | 日期时间 |
| 用户标签 | 多选（如：付费用户/免费用户/新用户） |
第三步：分析Agent（feedback-analyzer）并行处理
原始反馈池更新后，分析Agent并行启动：
子Agent A — 情感分析
读取原始内容，输出情感标签：正面 / 中性 / 负面 / 激烈投诉
子Agent B — 关键词提取
识别产品功能词（APP崩溃、加载慢、退款难）、竞品提及、品牌词
子Agent C — 问题分类
将反馈归类到已有类目：功能缺陷 / 体验不佳 / 功能请求 / 计费争议 / 其他
子Agent D — 优先级评估
结合情感强度（激烈投诉 × 传播量）和用户价值（付费用户 × 问题严重性）计算优先级分
分析结果回填到 Bitable 的「分析结果」视图中：
| 字段 | 类型 |
|---|---|
| 反馈ID | 关联原始表 |
| 情感标签 | 单选 |
| 关键词 | 多选 |
| 问题类目 | 单选 |
| 优先级分 | 数字 |
| 是否转产品需求 | 单选 |
| 备注 | 长文本 |
第四步：报告Agent（feedback-reporter）定时汇总
每周一早上 9:00（通过 cron），报告Agent自动执行：
- 读取过去7天所有「分析结果」记录
- 按类目聚合统计数量和平均优先级
- 提取TOP3激烈投诉（需优先处理）
- 提取高频功能请求（产品 Roadmap 参考）
- 与上周数据做环比（好评率变化、投诉量变化）
- 生成 Markdown 报告，推送到飞书群或个人DM
可复制提示词
启动反馈采集流水线
我需要启动多Agent客户反馈聚合与洞察流，包含以下反馈来源：
1. App Store 评论（App名：我的产品）
2. 客服邮箱 feedback@company.com
3. 飞书表单：https://example.com/form/xxx
4. 微信公众号留言
请帮我：
1. 在飞书多维表格建立原始反馈池和分析结果表
2. 为每个来源配置采集Agent
3. 配置情感分析、关键词提取、问题分类三个分析子Agent
4. 配置每周一9:00的汇总报告Agent，推送结果到飞书
涉及的skills：browser-automation、feishu-bitable、halo-backend-publisher、mcporter（web_search）
单条反馈快速分析
请分析以下用户反馈，判断情感类别、提取关键问题点和功能词，评估优先级（1-10）：
[粘贴反馈内容]
输出格式：
- 情感：正面/中性/负面/激烈投诉
- 关键词：[功能词1, 功能词2]
- 类目：功能缺陷/体验不佳/功能请求/计费争议/其他
- 优先级分：X
- 产品建议：...
周报生成prompt（报告Agent用）
基于过去7天的客户反馈分析数据，生成一份产品反馈周报：
数据来源：飞书多维表格 [原始反馈池] 和 [分析结果]
时间范围：过去7天
报告结构：
1. 概览（总反馈量、好评率、投诉量）
2. TOP3优先处理问题
3. 高频功能请求TOP5（供产品Roadmap参考）
4. 环比上周变化（好评率、投诉量趋势）
5. 本周需关注的风险点
格式要求：用Markdown，表格清晰，数据驱动，适合发给产品负责人和CEO。
使用的Skills
| 步骤 | Skill | 用途 |
|---|---|---|
| 飞书Bitable建表 | feishu-bitable | 建立原始反馈池和分析结果表 |
| 多渠道数据采集 | browser-automation | 定时爬取App Store/社交媒体 |
| 信息拉取 | mcporter（web_search） | 监控品牌社交媒体提及 |
| 表单数据 | web_fetch | 定时拉取Google/飞书表单结果 |
| 报告推送 | feishu_doc / message | 飞书推送周报 |
| 封面图（如需） | comfly-image-generation | 生成文章配图 |
| 发布 | halo-backend-publisher | 发布周报文章到博客 |
价值与注意事项
核心价值
- 信息不再散落：四个渠道→一个池子，避免各自为战
- 分析不再靠人工：情感/关键词/分类全部自动化，人工只做决策
- 优先级清晰：不再所有问题同等重要，优先级分让团队知道先做什么
- 周报自动化：每周一上班前，报告已在飞书，节省1-2小时手动整理时间
- 数据积累：持续几周后，可做环比趋势分析，好评率变化一目了然
注意事项
- 隐私合规：处理用户评论时，去除个人敏感信息（手机号、邮箱），只保留反馈内容
- 来源可靠性：App Store 和社交媒体存在刷好评/恶意差评，优先级评估需结合情感强度和用户价值综合判断
- 分析误差：AI情感分析存在误差，激烈投诉类别建议人工复核
- 数据存储：原始反馈建议保留90天后清理，避免Bitable数据膨胀
- 竞品误判：用户可能在反馈中提到竞品名称，分析时需过滤避免干扰
本文是「OpenClaw 有价值应用」专栏第46篇，聚焦多Agent协作与自动化工作流在客户反馈分析场景的落地实践。