AI整理评论生成中文词云：词频CSV能回查原文

展开本页目录

开始前准备什么

独立练习目录及Python 3.14；系统与Node依赖以README为准。
离线重放无需Key；新请求使用自己的apizt Key，先核对模型权限和当前价格。
原创合成材料，不需要登录第三方平台账号。

先看文件
按步骤操作
对照真实结果
离线或模型复跑

下载本例输入、代码、真实回执和产物

默认离线重放；包含完整失败尝试与本地检查，不含Key。

1. 核对本例材料与目标文件

参见本批TOPIC-RESEARCH.md同编号新增边界，原生小样与负例均独立交付。

先下载合成材料在独立目录练习。原始文件、模型输入与验收答案分别保留；本地核对答案不发送给模型。

input.json（节选）

json

{
  "reviews": [
    {
      "id": "R01",
      "text": "星栈杯子保温很好"
    },
    {
      "id": "R02",
      "text": "这个杯子好清洗"
    },
    {
      "id": "R03",
      "text": "星栈杯子轻便"
    },
    {
      "id": "R04",
      "text": "杯子保温时间长"
    },
    {
      "id": "R05",
      "text": "包装很结实"
    },
    {
      "id": "R06",
      "text": "星栈杯子颜值不错"
    },
    {
      "id": "R07",
      "text": "我喜欢轻便的杯子"
    },
    {
      "id": "R08",
      "text": "这个包装不错"
    },
    {
      "id": "R09",
      "text": "杯子好清洗"
    },
    {
      "id": "R10",
      "text": "星栈保温很好"
    },
    {
      "id": "R11",
      "text": "包装结实而且好看"
    },
    {
      "id": "R12",
      "text": "杯子轻便好携带"
    },
    {
      "id": "R13",
      "text": "我喜欢星栈设计"
    },
    {
      "id": "R14",
      "text": "保温效果不错"
    },
    {
      "id": "R15",
      "text": "这个杯子不错"
    },
    {
      "id": "R16",
      "text": "包装完好"
    },
    {
      "id": "R17",
      "text": "星栈杯子容易清洗"
    },
    {
      "id": "R18",
      "text": "我很喜欢保温杯"
    },
    {
      "id": "R19",
      "text": "轻便又好看"
    },
    {
      "id": "R20",
      "text": "星栈包装结实"
    }
  ]
}

AI整理评论生成中文词云：词频CSV能回查原文 · 实际输入、原始文件和本例操作约束的浏览器截图 — 实际输入、原始文件和本例操作约束的浏览器截图
查看高清原图

2. 按顺序完成这项具体操作

本次实际使用Python 3.14，依赖版本固定在资料包。需要LibreOffice或Node的案例请先按README安装对应运行时。python run.py读取真实旧响应完成本地处理；只有显式--live才发新请求。

1. 把20条原创评论保存为reviews.csv，每条保留R01—R20原评论ID；先检查品牌“星栈”在原文中的实际出现次数。
2. 把评论交给apizt，仅让模型建议stopwords和protected；由人工确认停用词，固定保护品牌，不能把模型建议直接当删除规则。
3. 给jieba加入“星栈”词条，逐条分词并过滤已确认停用词；同时记录每个保留词来自哪些评论ID。
4. 按确定词频调用WordCloud生成wordcloud.png，导出word-frequency.csv和source-index.csv，不用词云面积冒充搜索热度。
5. 回读来源索引，确认每个ID都在reviews.csv，品牌计数与原文一致；检查“把品牌加入停用词”的负例会被保护规则挡住。

独立练习目录 · 默认仅离线复核

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python run.py

3. 对照真正发送的请求

只输出JSON，字段stopwords数组和protected数组。为给定评论提出常见虚词停用建议，品牌星栈必须放protected；不改写原评论。

网页实验台只执行这一步模型字段检查。原生文件写入、坐标/公式/格式回读及负例验收由下载包负责。

request-1.json（图片Base64省略，原文件在下载包）

json

{
  "model": "gemini-2.5-flash-lite",
  "messages": [
    {
      "role": "system",
      "content": "严格只输出单个JSON对象，不要Markdown代码围栏，不要解释。只输出JSON，字段stopwords数组和protected数组。为给定评论提出常见虚词停用建议，品牌星栈必须放protected；不改写原评论。"
    },
    {
      "role": "user",
      "content": "任务约束（只输出JSON对象，不用代码围栏）：\n只输出JSON，字段stopwords数组和protected数组。为给定评论提出常见虚词停用建议，品牌星栈必须放protected；不改写原评论。\n待处理合成材料：\n{\"reviews\": [{\"id\": \"R01\", \"text\": \"星栈杯子保温很好\"}, {\"id\": \"R02\", \"text\": \"这个杯子好清洗\"}, {\"id\": \"R03\", \"text\": \"星栈杯子轻便\"}, {\"id\": \"R04\", \"text\": \"杯子保温时间长\"}, {\"id\": \"R05\", \"text\": \"包装很结实\"}, {\"id\": \"R06\", \"text\": \"星栈杯子颜值不错\"}, {\"id\": \"R07\", \"text\": \"我喜欢轻便的杯子\"}, {\"id\": \"R08\", \"text\": \"这个包装不错\"}, {\"id\": \"R09\", \"text\": \"杯子好清洗\"}, {\"id\": \"R10\", \"text\": \"星栈保温很好\"}, {\"id\": \"R11\", \"text\": \"包装结实而且好看\"}, {\"id\": \"R12\", \"text\": \"杯子轻便好携带\"}, {\"id\": \"R13\", \"text\": \"我喜欢星栈设计\"}, {\"id\": \"R14\", \"text\": \"保温效果不错\"}, {\"id\": \"R15\", \"text\": \"这个杯子不错\"}, {\"id\": \"R16\", \"text\": \"包装完好\"}, {\"id\": \"R17\", \"text\": \"星栈杯子容易清洗\"}, {\"id\": \"R18\", \"text\": \"我很喜欢保温杯\"}, {\"id\": \"R19\", \"text\": \"轻便又好看\"}, {\"id\": \"R20\", \"text\": \"星栈包装结实\"}]}"
    }
  ],
  "temperature": 0,
  "max_tokens": 1536,
  "provider": {
    "sort": "success_rate"
  },
  "response_format": {
    "type": "json_object"
  }
}

4. 查看原生处理代码与实际文件

下面节选来自本次实际执行的workflow.py分支，需要结合完整脚本运行。模型输出不能代替文件解析器或业务验算。

具体产物：wordcloud.png、word-frequency.csv、source-index.csv。

workflow.py · 本例分支节选

python

import jieba
from wordcloud import WordCloud
protected = {'星栈'}
approved = {'的', '很', '我', '这个', '不错', '而且', '又'}
suggested = set(output.get('stopwords', []))
check('品牌星栈受到保护', '星栈' in output.get('protected', []) and '星栈' not in suggested)
jieba.add_word('星栈')
tokens = []
index = defaultdict(list)
for r in prepared['reviews']:
    for token in jieba.lcut(r['text']):
        token = token.strip()
        if token and token not in approved and (len(token) > 1):
            tokens.append(token)
            index[token].append(r['id'])
frequencies = Counter(tokens)
WordCloud(font_path=font_path(), width=1000, height=600, background_color='#f8f4ed', random_state=61, collocations=False).generate_from_frequencies(frequencies).to_file(str(artifact('wordcloud.png')))
write_csv(artifact('word-frequency.csv'), [{'word': w, 'count': n} for w, n in frequencies.most_common()])
write_csv(artifact('source-index.csv'), [{'word': w, 'review_ids': '|'.join(sorted(set(ids)))} for w, ids in sorted(index.items())])
check('中文分词产生受保护品牌词', frequencies['星栈'] == sum(('星栈' in r['text'] for r in prepared['reviews'])))
check('每词来源ID可回查', all((set(ids) <= {r['id'] for r in prepared['reviews']} for ids in index.values())))
check('停用建议不直接删除品牌', '星栈' not in approved)
result = {'frequencies': frequencies, 'modelSuggestedStopwords': sorted(suggested), 'humanApprovedStopwords': sorted(approved), 'protected': sorted(protected)}

AI整理评论生成中文词云：词频CSV能回查原文 · wordcloud.png — 原生文件实际渲染或解码输入：wordcloud.png；不是第三方平台截图。
查看高清原图

5. 对照真实结果和检查表

实测2026-10-25T07:52:59.339330+00:00，HTTP200；请求gemini-2.5-flash-lite，返回gemini-2.5-flash-lite。本次6/6项检查通过，指本例执行及验收机制通过，不代表所有模型字段零误差。

最后一次返回用量495tokens；1份尝试记录的已知用量合计495。失败记录保留，用量缺失不按0计，本文不推算实际金额。

实际检查	结果
真实apizt API响应HTTP200	通过
品牌星栈受到保护	通过
中文分词产生受保护品牌词	通过
每词来源ID可回查	通过
停用建议不直接删除品牌	通过
列出的原生产物实际存在	通过

实际检查: 真实apizt API响应HTTP200
结果: 通过

实际检查: 品牌星栈受到保护
结果: 通过

实际检查: 中文分词产生受保护品牌词
结果: 通过

实际检查: 每词来源ID可回查
结果: 通过

实际检查: 停用建议不直接删除品牌
结果: 通过

实际检查: 列出的原生产物实际存在
结果: 通过

result.json · 原生处理后实际结果

json

{
  "frequencies": {
    "星栈": 7,
    "杯子": 10,
    "保温": 4,
    "清洗": 3,
    "轻便": 4,
    "时间": 1,
    "包装": 5,
    "结实": 3,
    "颜值": 1,
    "喜欢": 3,
    "好看": 2,
    "携带": 1,
    "设计": 1,
    "效果": 1,
    "完好": 1,
    "容易": 1,
    "保温杯": 1
  },
  "modelSuggestedStopwords": [
    "又",
    "很",
    "我",
    "的",
    "而且",
    "这个"
  ],
  "humanApprovedStopwords": [
    "不错",
    "又",
    "很",
    "我",
    "的",
    "而且",
    "这个"
  ],
  "protected": [
    "星栈"
  ]
}

AI整理评论生成中文词云：词频CSV能回查原文 · 本例实际产物与原始响应的浏览器截图；本地检查和模型答案分开记录 — 本例实际产物与原始响应的浏览器截图；本地检查和模型答案分开记录
查看高清原图

6. 替换输入前，先确认这些边界

模型仅提建议；停用词和品牌词由本文作者在合成材料上预先确认。词云大小不是搜索热度。

修改材料后应重新制定事实断言和反例。识别错误率、混淆矩阵或拒答类教程允许保留模型实际错误；检查通过指计算和处理正确。没有调用视频模型。

怎样确认已经完成

真实apizt API响应HTTP200
品牌星栈受到保护
中文分词产生受保护品牌词
每词来源ID可回查
停用建议不直接删除品牌
列出的原生产物实际存在

常见问题

AI 中文词云生成怎么开始？

把20条原创评论保存为reviews.csv，每条保留R01—R20原评论ID；先检查品牌“星栈”在原文中的实际出现次数。按本页顺序继续，先用下载包离线重放，再替换自己的材料。

网页试跑和下载包有什么区别？

网页只复跑模型字段，不生成全部原生文件；资料包包含实际原生处理和本地验收。

这次通过结果适用于其他材料吗？

模型仅提建议；停用词和品牌词由本文作者在合成材料上预先确认。词云大小不是搜索热度。

资料来源

展开本页目录

开始前准备什么

独立练习目录及Python 3.14；系统与Node依赖以README为准。
离线重放无需Key；新请求使用自己的apizt Key，先核对模型权限和当前价格。
原创合成材料，不需要登录第三方平台账号。

先看文件
按步骤操作
对照真实结果
离线或模型复跑

下载本例输入、代码、真实回执和产物

默认离线重放；包含完整失败尝试与本地检查，不含Key。

1. 核对本例材料与目标文件

参见本批TOPIC-RESEARCH.md同编号新增边界，原生小样与负例均独立交付。

先下载合成材料在独立目录练习。原始文件、模型输入与验收答案分别保留；本地核对答案不发送给模型。

input.json（节选）

json

{
  "reviews": [
    {
      "id": "R01",
      "text": "星栈杯子保温很好"
    },
    {
      "id": "R02",
      "text": "这个杯子好清洗"
    },
    {
      "id": "R03",
      "text": "星栈杯子轻便"
    },
    {
      "id": "R04",
      "text": "杯子保温时间长"
    },
    {
      "id": "R05",
      "text": "包装很结实"
    },
    {
      "id": "R06",
      "text": "星栈杯子颜值不错"
    },
    {
      "id": "R07",
      "text": "我喜欢轻便的杯子"
    },
    {
      "id": "R08",
      "text": "这个包装不错"
    },
    {
      "id": "R09",
      "text": "杯子好清洗"
    },
    {
      "id": "R10",
      "text": "星栈保温很好"
    },
    {
      "id": "R11",
      "text": "包装结实而且好看"
    },
    {
      "id": "R12",
      "text": "杯子轻便好携带"
    },
    {
      "id": "R13",
      "text": "我喜欢星栈设计"
    },
    {
      "id": "R14",
      "text": "保温效果不错"
    },
    {
      "id": "R15",
      "text": "这个杯子不错"
    },
    {
      "id": "R16",
      "text": "包装完好"
    },
    {
      "id": "R17",
      "text": "星栈杯子容易清洗"
    },
    {
      "id": "R18",
      "text": "我很喜欢保温杯"
    },
    {
      "id": "R19",
      "text": "轻便又好看"
    },
    {
      "id": "R20",
      "text": "星栈包装结实"
    }
  ]
}

2. 按顺序完成这项具体操作

1. 把20条原创评论保存为reviews.csv，每条保留R01—R20原评论ID；先检查品牌“星栈”在原文中的实际出现次数。
2. 把评论交给apizt，仅让模型建议stopwords和protected；由人工确认停用词，固定保护品牌，不能把模型建议直接当删除规则。
3. 给jieba加入“星栈”词条，逐条分词并过滤已确认停用词；同时记录每个保留词来自哪些评论ID。
4. 按确定词频调用WordCloud生成wordcloud.png，导出word-frequency.csv和source-index.csv，不用词云面积冒充搜索热度。
5. 回读来源索引，确认每个ID都在reviews.csv，品牌计数与原文一致；检查“把品牌加入停用词”的负例会被保护规则挡住。

独立练习目录 · 默认仅离线复核

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python run.py

3. 对照真正发送的请求

只输出JSON，字段stopwords数组和protected数组。为给定评论提出常见虚词停用建议，品牌星栈必须放protected；不改写原评论。

网页实验台只执行这一步模型字段检查。原生文件写入、坐标/公式/格式回读及负例验收由下载包负责。

request-1.json（图片Base64省略，原文件在下载包）

json

{
  "model": "gemini-2.5-flash-lite",
  "messages": [
    {
      "role": "system",
      "content": "严格只输出单个JSON对象，不要Markdown代码围栏，不要解释。只输出JSON，字段stopwords数组和protected数组。为给定评论提出常见虚词停用建议，品牌星栈必须放protected；不改写原评论。"
    },
    {
      "role": "user",
      "content": "任务约束（只输出JSON对象，不用代码围栏）：\n只输出JSON，字段stopwords数组和protected数组。为给定评论提出常见虚词停用建议，品牌星栈必须放protected；不改写原评论。\n待处理合成材料：\n{\"reviews\": [{\"id\": \"R01\", \"text\": \"星栈杯子保温很好\"}, {\"id\": \"R02\", \"text\": \"这个杯子好清洗\"}, {\"id\": \"R03\", \"text\": \"星栈杯子轻便\"}, {\"id\": \"R04\", \"text\": \"杯子保温时间长\"}, {\"id\": \"R05\", \"text\": \"包装很结实\"}, {\"id\": \"R06\", \"text\": \"星栈杯子颜值不错\"}, {\"id\": \"R07\", \"text\": \"我喜欢轻便的杯子\"}, {\"id\": \"R08\", \"text\": \"这个包装不错\"}, {\"id\": \"R09\", \"text\": \"杯子好清洗\"}, {\"id\": \"R10\", \"text\": \"星栈保温很好\"}, {\"id\": \"R11\", \"text\": \"包装结实而且好看\"}, {\"id\": \"R12\", \"text\": \"杯子轻便好携带\"}, {\"id\": \"R13\", \"text\": \"我喜欢星栈设计\"}, {\"id\": \"R14\", \"text\": \"保温效果不错\"}, {\"id\": \"R15\", \"text\": \"这个杯子不错\"}, {\"id\": \"R16\", \"text\": \"包装完好\"}, {\"id\": \"R17\", \"text\": \"星栈杯子容易清洗\"}, {\"id\": \"R18\", \"text\": \"我很喜欢保温杯\"}, {\"id\": \"R19\", \"text\": \"轻便又好看\"}, {\"id\": \"R20\", \"text\": \"星栈包装结实\"}]}"
    }
  ],
  "temperature": 0,
  "max_tokens": 1536,
  "provider": {
    "sort": "success_rate"
  },
  "response_format": {
    "type": "json_object"
  }
}

4. 查看原生处理代码与实际文件

下面节选来自本次实际执行的workflow.py分支，需要结合完整脚本运行。模型输出不能代替文件解析器或业务验算。

具体产物：wordcloud.png、word-frequency.csv、source-index.csv。

workflow.py · 本例分支节选

python

import jieba
from wordcloud import WordCloud
protected = {'星栈'}
approved = {'的', '很', '我', '这个', '不错', '而且', '又'}
suggested = set(output.get('stopwords', []))
check('品牌星栈受到保护', '星栈' in output.get('protected', []) and '星栈' not in suggested)
jieba.add_word('星栈')
tokens = []
index = defaultdict(list)
for r in prepared['reviews']:
    for token in jieba.lcut(r['text']):
        token = token.strip()
        if token and token not in approved and (len(token) > 1):
            tokens.append(token)
            index[token].append(r['id'])
frequencies = Counter(tokens)
WordCloud(font_path=font_path(), width=1000, height=600, background_color='#f8f4ed', random_state=61, collocations=False).generate_from_frequencies(frequencies).to_file(str(artifact('wordcloud.png')))
write_csv(artifact('word-frequency.csv'), [{'word': w, 'count': n} for w, n in frequencies.most_common()])
write_csv(artifact('source-index.csv'), [{'word': w, 'review_ids': '|'.join(sorted(set(ids)))} for w, ids in sorted(index.items())])
check('中文分词产生受保护品牌词', frequencies['星栈'] == sum(('星栈' in r['text'] for r in prepared['reviews'])))
check('每词来源ID可回查', all((set(ids) <= {r['id'] for r in prepared['reviews']} for ids in index.values())))
check('停用建议不直接删除品牌', '星栈' not in approved)
result = {'frequencies': frequencies, 'modelSuggestedStopwords': sorted(suggested), 'humanApprovedStopwords': sorted(approved), 'protected': sorted(protected)}

5. 对照真实结果和检查表

最后一次返回用量495tokens；1份尝试记录的已知用量合计495。失败记录保留，用量缺失不按0计，本文不推算实际金额。

实际检查	结果
真实apizt API响应HTTP200	通过
品牌星栈受到保护	通过
中文分词产生受保护品牌词	通过
每词来源ID可回查	通过
停用建议不直接删除品牌	通过
列出的原生产物实际存在	通过

实际检查: 真实apizt API响应HTTP200
结果: 通过

实际检查: 品牌星栈受到保护
结果: 通过

实际检查: 中文分词产生受保护品牌词
结果: 通过

实际检查: 每词来源ID可回查
结果: 通过

实际检查: 停用建议不直接删除品牌
结果: 通过

实际检查: 列出的原生产物实际存在
结果: 通过

result.json · 原生处理后实际结果

json

{
  "frequencies": {
    "星栈": 7,
    "杯子": 10,
    "保温": 4,
    "清洗": 3,
    "轻便": 4,
    "时间": 1,
    "包装": 5,
    "结实": 3,
    "颜值": 1,
    "喜欢": 3,
    "好看": 2,
    "携带": 1,
    "设计": 1,
    "效果": 1,
    "完好": 1,
    "容易": 1,
    "保温杯": 1
  },
  "modelSuggestedStopwords": [
    "又",
    "很",
    "我",
    "的",
    "而且",
    "这个"
  ],
  "humanApprovedStopwords": [
    "不错",
    "又",
    "很",
    "我",
    "的",
    "而且",
    "这个"
  ],
  "protected": [
    "星栈"
  ]
}

6. 替换输入前，先确认这些边界

模型仅提建议；停用词和品牌词由本文作者在合成材料上预先确认。词云大小不是搜索热度。

怎样确认已经完成

真实apizt API响应HTTP200
品牌星栈受到保护
中文分词产生受保护品牌词
每词来源ID可回查
停用建议不直接删除品牌
列出的原生产物实际存在

常见问题

AI 中文词云生成怎么开始？

网页试跑和下载包有什么区别？

网页只复跑模型字段，不生成全部原生文件；资料包包含实际原生处理和本地验收。

这次通过结果适用于其他材料吗？

模型仅提建议；停用词和品牌词由本文作者在合成材料上预先确认。词云大小不是搜索热度。

AI整理评论生成中文词云：词频CSV能回查原文

先看结论

开始前准备什么

1. 核对本例材料与目标文件

2. 按顺序完成这项具体操作

3. 对照真正发送的请求

4. 查看原生处理代码与实际文件

5. 对照真实结果和检查表

6. 替换输入前，先确认这些边界

怎样确认已经完成

常见问题

资料来源

先复核这份结果，再处理自己的材料

1. 下载完整样例

2. 离线检查业务结果

3. 需要新结果时，再调用 API

AI整理评论生成中文词云：词频CSV能回查原文

先看结论

开始前准备什么

1. 核对本例材料与目标文件

2. 按顺序完成这项具体操作

3. 对照真正发送的请求

4. 查看原生处理代码与实际文件

5. 对照真实结果和检查表

6. 替换输入前，先确认这些边界

怎样确认已经完成

常见问题

资料来源

先复核这份结果，再处理自己的材料

1. 下载完整样例

2. 离线检查业务结果

3. 需要新结果时，再调用 API