这套 Gemini 客户反馈分类流程用固定标签约束 AI 输出，保留原文和复核状态，适合整理功能请求、缺陷、易用性及价格反馈。
客户反馈分类最容易失败的地方，不是 AI 不会读句子，而是团队没有定义“缺陷”和“易用性”之间的边界。本教程的最终结果是一张保留原始反馈、固定五类标签、分类理由、置信状态和人工复核结论的表格，让 Gemini 承担初步标注，人负责规则与边界案例。
适用版本、权限与数据前提
适用环境为 Google Sheets 当前网页版与 Gemini for Google Workspace 当前可用版本。开始前应去除姓名、邮箱、电话、订单号等直接身份信息，并人工定义分类规则。截至 2026-08-30，Gemini 侧边栏、智能填充、地区、语言、套餐及管理员控制可能不同，请核对当前账户界面。
Google 的 Google 表格中 Gemini 的帮助页面可用于确认当前可用能力和前提。本文不假定某个固定按钮一定存在，也不假定 Gemini 能一次处理任意规模的数据。
| 标签 | 纳入规则 | 排除示例 |
|---|---|---|
| 功能请求 | 明确要求新增能力 | 现有功能运行错误 |
| 缺陷 | 现有行为偏离预期 | 不会使用但功能正常 |
| 易用性 | 流程、理解或操作困难 | 单纯要求降价 |
| 价格 | 费用、套餐或价值感知 | 功能范围建议 |
| 其他 | 不符合以上规则 | 不能作为偷懒的默认桶 |
先把标签定义清楚
- 从历史反馈中人工选取三十至五十条代表样本，覆盖清晰案例、混合诉求、讽刺表达和信息不足记录。
- 为每个标签写“纳入、排除、正例、反例”，并规定一条反馈只能选主标签，还是允许附加次标签。
- 本教程采用单一主标签；一句同时提到崩溃和价格的反馈，应按团队业务目标选择主诉求，并标为边界复核。
- 让两名人员独立标注一小批样本，讨论分歧并修改规则。若人之间都无法一致，AI 也不会稳定。
建议建立“规则版本”单元格，例如内部编号或更新日期，而不是把规则散落在聊天记录中。后续改变定义时，应保留旧批次所用规则，避免前后数据不可比较。
设计可追溯的表格结构
| 列名 | 用途 |
|---|---|
| 反馈原文 | 保留去标识化后的输入 |
| AI 主标签 | 五选一的初步分类 |
| 分类理由 | 引用触发判断的短语 |
| 置信状态 | 高、中、低或待复核 |
| 人工标签 | 复核后的最终结果 |
| 分歧原因 | 记录规则问题或模型错误 |
使用数据验证限制标签值，避免出现“产品问题”“Bug”“故障”等同义标签污染统计。不要让 AI 改写原文；如果需要摘要，应另设一列，保证任何分类都能回到输入证据。
用 Gemini 生成受约束的分类
在当前账户可用的 Gemini 入口中提供标签定义和少量已确认示例。先对测试批次运行，确认输出严格遵守五个标签后再扩大范围。
请分类表格中的“反馈原文”。主标签只能从：功能请求、缺陷、易用性、价格、其他 中选择一个。规则：功能请求是要求新增能力；缺陷是现有行为未按预期工作；易用性是操作或理解困难；价格涉及费用、套餐或价值；其余为其他。输出主标签、十至二十字分类理由、置信状态。混合诉求、反讽、信息不足或无法确定主诉求时标记“待复核”。不要改写原文，不要创建新标签。如果当前功能能基于表格上下文生成或填充结果，应先锁定标题和示例行，避免示例被覆盖。具体填充方式以当前界面为准。每次只处理可检查的批次，并保存处理日期、规则版本和提示模板。
抽样复核与边界处理
- 先检查所有“低置信”与“待复核”记录，这些不应进入自动统计结论。
- 再按五个标签分别抽样，不能只随机看全表，否则数量少的类别可能完全未被检查。
- 重点搜索“但是、除了、如果、太贵、打不开、找不到”等边界词，检查混合诉求和否定表达。
- 比较 AI 主标签与人工标签，把分歧归为规则不清、上下文不足、模型误判或数据质量问题。
- 修改规则后，用固定验证集重新运行；不要只看新规则能否解释当前错误。
分类数量看起来整齐并不代表准确。真正有价值的是规则稳定、分歧可解释，并且每个统计结果都能回到反馈原文。
失败诊断与验收清单
- 大量进入“其他”：规则可能覆盖不足，或提示中缺少清晰正反例。
- 缺陷和易用性混淆：明确“功能失效”与“功能正常但难以使用”的判定线。
- 输出新标签：加入固定枚举，并用数据验证拦截非允许值。
- 相似句分类不一致：检查批次上下文、规则版本和是否混入旧示例。
- 侧边栏或填充入口缺失：核对 Workspace 版本、地区、管理员设置和当前帮助文档。
验收时确认：原文已去标识化；标签值受限制；每类均已抽查；全部低置信记录已处理；规则和提示有版本；分歧原因已记录；人工标签才是正式分析使用的最终字段。
风险、隐私、版权与成本边界
可参考 NIST AI Risk Management Framework识别分类系统的有效性、透明度和潜在影响，并参考英国 ICO 的 人工智能与数据保护指南审视个人数据处理。具体法律责任应由组织的隐私或法务人员判断。
客户原话可能包含身份、健康、支付或第三方内容，去掉单独姓名仍可能通过上下文重新识别。不要把原始投诉随意共享，也不要将分类结果直接用于拒绝服务、处罚员工或判断个人可信度。客户文字的使用与公开引用还需符合合同、版权和平台条款。
Gemini 的套餐、地区、使用限制和组织成本可能变化，本文不提供价格结论。数据量大时，还应计算人工复核和规则维护成本；自动分类减少的是重复阅读，不会消除质量责任。
结论
可靠的 Gemini 客户反馈分类依赖“先定义规则—再约束输出—分层抽样—记录分歧—人工定稿”。Gemini 适合批量提出初始标签，但标签体系、边界裁决和业务解释必须由团队负责。
常见问题
Gemini 可以一次性分类整张客户反馈表吗？
是否可行取决于当前功能、数据规模和账户限制。更稳妥的做法是分批处理，并为每批保留规则版本和抽查记录。
一条反馈同时属于缺陷和价格怎么办？
应按预先定义的主标签规则处理，并标记为边界案例；如果业务确实需要多标签，应先修改数据结构和统计口径。
AI 分类结果可以直接用于产品决策吗？
不建议直接使用。至少应复核低置信记录、分层抽样各类别，并确认标签分布没有被规则或数据偏差扭曲。