一条内容的情感倾向，不能只看正文判定。 视频在夸、评论在骂，是社媒里最常见的一种形态；反过来，标题写得像差评、评论区却在替品牌说话的情况也不少见。正文代表发布者的立场，评论区才更接近大众的反应——而后者才是舆情监测真正要的东西。
一个具体的场景
一条测评视频，标题是「XX 值不值得买」，正文中立偏正面。只看正文，它会被判成中性甚至正面。
但评论区前二十条里有十几条在说「售后太难约」——这条内容对品牌的实际杀伤力，和「中性」这个判定完全不是一回事。而且这十几条评论的曝光量往往比正文更大：短视频的评论区是用户停留时间最长的地方之一。
只判正文，你会在报告里得到一个「口碑平稳」的结论，而真实的问题正在评论区里发酵。
三层链路：为什么评论要单独取
采集侧的链路是三段式的：
- 搜索：关键词换回一批帖子。这一步返回的正文通常是截断的，只够做初筛；
- 详情：只对判为可疑或负面的帖子拉完整正文——不是所有内容都值得再花一次采集；
- 热评：拉评论区，按热度取头部。
第 2、3 步合起来就是「下钻」。它不对全量跑，原因既是成本，也是准确性：对一条明显正面的种草笔记拉三百条评论，不会改变任何结论，只会稀释真正需要看的那几条。
不是所有评论区都能当民意用
这是最容易被含糊过去的一点：不同平台的评论区，证据强度并不等价。
有一类平台的评论需要作者审核后才会公开显示。这意味着你看到的「评论区一片附和」可能是被挑选过的结果——一篇立场明确的负面长文，作者不会放出反驳它的评论。
对这类平台，正确的处理是：评论只作补充证据，不计入情感分布。 否则算出来的正负比是一个被人为构造过的数字，而它看起来和真实数字一模一样。
把所有平台的评论混在一起算一个总占比，等于给客户一个假的置信度。诚实的做法是分开：能代表民意的平台进统计，不能的只列证据。
另外，各平台评论区的排序机制也不同——有的能直接看到最受认可的那批，有的只能拿到默认顺序。这会影响「取多少条才够」的判断：默认顺序下要取更多条，才能覆盖到同样的议题面。
情感判定该判到什么粒度
只输出「正面 / 中性 / 负面」三档是不够的，因为它无法执行。真正有用的输出至少包含三样：
- 倾向：正面 / 中性 / 负面；
- 议题：在骂什么(售后、价格、质量、物流、虚假宣传……)；
- 原文摘录：把那句话原样留下来。
第三样最关键。结论会随模型和口径变，原话不会。原话直接告诉你要覆盖哪一句、要澄清哪一点，而「负面占比 12%」这个数字给不了任何下一步动作。
和 AI 口碑的关系
社媒评论区是「已经发布、可以被找到」的内容；AI 引擎的回答是「现场生成、只说给一个用户听、不留档」的内容。两者是不同的战场，但有一条链路把它们连起来：
评论区里被反复提起的那句负面说法，很可能就是 AI 未来引用的语料。 今天在小红书评论区被点赞两千次的「XX 售后太难约」，明天就可能出现在某个 AI 对「XX 怎么样」的回答里。
所以社媒舆情监测同时是 GEO 的上游工程：先在社媒侧发现并处理，比等它进了模型答案再纠偏便宜得多——后者的生效周期以周计，详见 AI 口碑监测指南。
常见疑问
问：评论要取多少条才够？
按热度取头部即可，通常几十条就能覆盖主要议题。评论的长尾重复度很高，取到第两百条时新增的信息量已经很小，而成本是线性增长的。
问：能不能只看评论、不看正文？
不能。评论是对正文的反应，脱离正文的评论经常读不懂在说什么。而且要找到评论，你先得找到那条内容。
问：刷出来的评论怎么办？
异常特征通常很明显：短时间内密集出现、句式高度相似、账号新且无历史。它们更多影响「情感占比」这类统计量，对「议题是什么」的判断影响较小——这也是要把议题和占比分开输出的原因之一。
---
领航鲸的平台口碑按这条链路取证：先搜索初筛，再对可疑内容拉完整正文与热评，逐条判倾向、抽议题、留原文摘录。评论取证口径按平台标注在界面上——哪些平台的评论算进情感分布、哪些只作补充证据，直接写明，不混在一起。