用途：Sentiment Analyzer 用于指导搭建可理解文本情绪与观点的情感分析系统，适用于客户评论、社交媒体提及、支持工单和问卷回答等场景。
主要能力：提供三类核心工作流。一是选择分析方案，按粒度（二分类、三分类或连续值）、方面、情绪、语言和批量/实时需求，在规则（VADER）、预训练（RoBERTa）、微调与 LLM（GPT-4、Claude）之间权衡速度、准确率和可定制性。二是实现情感流水线，包括保留情感信号的预处理（展开缩写、规范化拉长词、处理否定、将表情转为文本）、调用模型分析并聚合整体分布、时间趋势和分群结果。三是方面级情感分析，识别产品功能、体验维度等关注点，抽取方面上下文并逐方面判断情感。
进阶技术：资料还给出 LLM 细粒度情感、多标签情绪检测（如 SamLowe/roberta-base-go_emotions）、比较情感、按时间窗口的情感趋势追踪，以及先检测讽刺再翻转情感的思路。
使用方式：技能以触发语引导，如“Analyze sentiment of [text]”“Best sentiment analysis for [use case]”“Sentiment by feature for [reviews]”“Detect emotions in [text]”“How to handle sarcasm in sentiment”“Summarize sentiment trends”。实现层面提供 Python 代码示例，涉及 transformers pipeline、SentimentIntensityAnalyzer 等。
限制与注意事项：讽刺、上下文、领域用语和文化差异都会影响效果；预训练模型存在领域偏差，需在真实数据上测试；中性是有效类别，低置信度应标记；机器情感不等于人类情感，需抽样人工验证并计算一致性。资料未提供该技能的收费、价格、平台支持范围或具体安装命令。