MAA 多 Agent 行动建议 - 从评论到产品改进决策链

1. 解决的问题

Momcozy M5 吸奶器在美国/德国/中国三市场销售,各市场用户痛点完全不同(美国关注续航便携、德国关注静音认证、中国关注清洗方便). 现有运营复盘只产出"差评列表",无法直接驱动产品改进决策——产品经理拿到差评列表还要花 1-2 周二次提炼 - 数据要求:三市场 Amazon Review API + market 标签 - MAA 配置: - 按市场分别聚类(K=5,每市场 5

2. 核心算法逻辑

传统评论分析停留在"描述性"层面(情感/属性). MAA 将其升级为"规范性决策链路":评论 → 问题 → 建议 → 评估 → 排序. 通过 5 个 Agent 分工,把大规模评论语料蒸馏成企业可直接执行的行动清单,而非分析报告.

3. 业务应用场景

- 业务问题:Momcozy M5 吸奶器在美国/德国/中国三市场销售,各市场用户痛点完全不同(美国关注续航便携、德国关注静音认证、中国关注清洗方便). 现有运营复盘只产出"差评列表",无法直接驱动产品改进决策——产品经理拿到差评列表还要花 1-2 周二次提炼 - 数据要求:三市场 Amazon Review API + market 标签 - MAA 配置: - 按市场分别聚类(K=5,每市场 5 个主题簇) - Issue Agent 提取每个簇的核心痛点(如"夜间使用嘈杂吵醒宝宝") - Recommendation Agent 生成 3-4 条改进建议(如"加静音模式降至 35dB"/

- 业务问题:Q1-Q4 季度复盘,人工归纳 3 个产品 × 4 季度 = 12 次,每次 3-5 PM 天,总计 36-60 PM 天/年;复盘结论高度依赖个人经验,新人接手质量大幅波动 - 数据要求:季度 Amazon + Wayfair 评论合并 - MAA 配置: AGRS 摘要 → MAA 5 Agent 决策链 → 输出"季度 Top 3-5 优先改进项 + ROI 排序" - 业务价值: - 节省人工:36-60 PM 天 × 3000元/天 = 10-18 万/年 - 决策质量标准化(SRAC 评分客观可比),新人接手不衰退 - 改进 ROI 提升 20-30% = 额外 10

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

• 易处:论文 prompt 模板完整公开,5 Agent 模块清晰
• 难处:需要业务专家初始化 Ranking Agent 的成本/周期评分规则
• 难处:5 Agent 串联推理 token 成本较高(单产品估算 $0.05-0.15 GPT-4o-mini)

7. 代码模板

代码块数量：1 · 路径：未检测到

"""
MAA Multi-Agent Actionable Advice 最小骨架
论文 arXiv:2601.12024 (Bhandari et al., 2026-01)
完整实现见 paper2skills-code/nlp_voc/maa_actionable_advice/model.py
"""
from __future__ import annotations
from collections import defaultdict
from dataclasses import dataclass, field
from typing import Dict, List


@dataclass
class Review:
    text: str
    review_id: str = ""
    market: str = ""


@dataclass
class SRAC:
    S: int = 0
    R: int = 0
    A: int = 0
    C: int = 0

    @property
    def score(self) -> float:
        return 0.25 * (self.S + self.R + self.A + self.C)


def clustering_agent(reviews: List[Review], k: int = 5) -> Dict[int, List[Review]]:
    """阶段 1: 聚类 + 选代表(生产替换为 TF-IDF + K-Means)"""
    keyword_buckets = {
        0: ["noise", "loud", "quiet"],
        1: ["clean", "wash", "hygiene"],
        2: ["battery", "portable", "wireless"],
        3: ["price", "expensive", "value"],
        4: ["build", "sturdy", "broken"],
    }
    clusters = defaultdict(list)
    for r in reviews:
        text_low = r.text.lower()
        best_cluster, best_match = -1, 0
        for cid, kws in keyword_buckets.items():
            match = sum(1 for kw in kws if kw in text_low)
            if match > best_match:
                best_cluster, best_match = cid, match
        if best_cluster >= 0:
            clusters[best_cluster].append(r)
    return dict(clusters)


def issue_agent(cluster_reps: Dict[int, List[Review]]) -> List[Dict]:
    """阶段 2: 抽取主题 + 具体问题"""
    issues = []
    for cid, reps in cluster_reps.items():
        if not reps:
            continue
        themes = ["noise", "cleaning", "portability", "value", "build_quality"]
        theme = themes[cid] if cid < len(themes) else "general"

8. 论文来源

• 2601.12024