用途：对文本内容做情感、主题、关键词与洞察分析，覆盖社交媒体帖子、营销文案、视频标题与评论、商品评价、新闻及客户反馈等场景。
主要能力：传统NLP侧提供VADER情感打分、TF-IDF关键词提取、K-means与层次聚类、词频与共现分析、语言检测；LLM增强侧提供上下文情感理解、语义主题提取、自动摘要、跨语言分析与零样本分类；进阶分析含时间序列趋势、传播潜力预测、竞品对比与受众洞察。
使用方式：先准备含文本内容的数据，元数据（作者、日期、分类、互动指标）可选。安装依赖：pip install pandas numpy matplotlib seaborn nltk scikit-learn wordcloud；LLM增强可选安装 pip install openai dashscope。初始化NLTK数据：nltk.download('vader_lexicon')、nltk.download('punkt')、nltk.download('stopwords')。流程为文本预处理、情感分析、主题提取、内容分类、模式识别与洞察生成。LLM配置支持OpenAI（GPT-3.5、GPT-4）与通义千问（dashscope），也可用HuggingFace本地模型。示例脚本见 examples/ 目录，含 basic_content_analysis.py、llm_enhanced_analysis.py、social_media_analysis.py。
适用场景：品牌舆情监测、行业趋势发现、爆款内容特征识别、产品反馈与改进机会挖掘、内容格式效果对比。
限制与注意：LLM分析需自备API密钥并关注成本，建议抽样、批处理与缓存；非英文内容需配置合适模型；情感结果建议交叉验证；需遵守数据隐私法规。具体价格、平台与效果数据暂未提供。