CodeBuddy 借助 NLP 自然语言处理功能，可实现关键词提取、情感分析与投诉识别：支持一键提取加权关键词，提供单句和批量情感极性判断，加载专用模型识别投诉意图与关键实体，并支持语义聚类分析，适用于文本数据分析、用户反馈分析和客服质检等场景。

如果你希望用 CodeBuddy 快速从大量会议纪要、用户评价、客户反馈或客服对话中提取关键词、判断情绪倾向、识别投诉主题，而不是手动翻阅几十页文档逐条标注，那么这正是 NLP 功能在 CodeBuddy 中的典型应用场景，也是提升文本分析效率的核心方式。

一键提取文本核心关键词

打开 CodeBuddy，新建一个空白工作区，将待分析的纯文本内容（如 CSV 文件中的“反馈内容”列、Word 文档里的会议记录段落）粘贴到编辑器左侧区域。

在底部命令栏输入 【/nlp extract keywords】，回车后等待 3～5 秒，右侧会自动生成按权重排序的关键词列表，其中包含 TF-IDF 得分和出现频次，便于快速完成关键词提取与重点信息识别。

注意：如果文本中包含大量口语化缩写（如“u”“thx”“plz”），建议先执行 【/nlp normalize】 再进行关键词提取，否则“thanks”和“thx”会被系统视为两个独立词，进而影响统计结果的准确性与可信度。

批量判断情感极性与强度

方法一：单句细粒度分析
选中某一行文本 → 右键 → 选择“NLP → Analyze Sentiment”，弹窗会显示“正面/中性/负面”标签 + 强度值（0.0～1.0）。当强度值低于 0.3 时，系统会自动标注为“弱信号”，建议结合业务语境进行人工复核，以提升情感分析结果的准确率。

方法二：整块文本聚合分析
全选多段文本 → 输入指令 【/nlp sentiment batch --threshold=0.6】 → 系统返回三类统计柱状图，以及每一类样本对应的原始句子抽样。将阈值设置为 0.6，表示仅把置信度≥60% 的结果纳入统计，可有效降低噪声干扰，帮助更准确地完成用户情绪分析与决策判断。

识别投诉类文本中的实体与关系

第一步：加载预训练模型
在命令栏输入 【/nlp load model complaint-v2】，该模型专门针对中文服务场景进行微调，能够识别“退款”“发货延迟”“客服态度差”等 17 类投诉意图，以及“商品ID”“订单号”“联系时间”等 8 类关键实体，适合用于投诉文本识别和客户服务数据分析。

第二步：完成标注并导出结构化数据
将投诉文本粘贴后，执行 【/nlp annotate --output=json】，系统会自动生成带有位置索引的 JSON 数据，字段包括：intent（投诉类型）、entities（实体列表）和 confidence（模型置信度）。导出的文件可直接导入 Excel 或 BI 工具，用于后续的根因分析、投诉分类统计和运营优化。

第三步：对相似投诉进行聚类归并
将多个 JSON 文件拖入 CodeBuddy 项目目录后，运行 【/nlp cluster --method=bert-similarity】 ，系统会根据语义相似度自动完成分组，并为每一组生成摘要标题，例如“物流时效类-京东快递未按时揽收”；点击对应标题后，即可查看该组内的全部原始记录，方便开展投诉聚类分析与问题归因。