用途：面向社会学与社会科学研究，提供系统化的计算文本分析流程指导，帮助产出有效、可复现、可发表的结果。
主要能力：覆盖主题模型（LDA、STM、BERTopic）、词典与情感分析、监督分类、词嵌入、命名实体识别与可视化。按研究问题选择方法，并给出 R 与 Python 的语言建议：主题模型与词典/情感、可视化推荐 R（stm、tidytext、ggplot2）；Transformer/BERT、BERTopic、命名实体识别、词嵌入推荐 Python（HuggingFace、spaCy、gensim、sentence-transformers）；监督分类两者皆可。
使用方式：按六个阶段推进——阶段0研究设计与方法选择、阶段1语料准备与探索、阶段2方法规格、阶段3主分析、阶段4验证与稳健性、阶段5输出与解释；每阶段结束需与用户确认后再继续。用 git 跟踪进度，修改新阶段输出前先提交：git add [files] && git commit -m "text-analyst: Phase N complete"，不创建带版本后缀的副本。项目结构含 data/raw、data/processed、code、output、dictionaries、memos。各阶段通过 Task 工具调用子代理，并给出模型建议（阶段0、2、5用 Opus，阶段1、3、4用 Sonnet）。开始前需询问研究问题、语料情况与方法偏好。
适用场景：社会学及社会科学文本研究，如探索主题、测量概念、分类文档等。
限制：算法输出非真值，必须进行人工验证与多重诊断；需记录预处理决策、参数与随机种子；主题数 K 应可解释而非仅追求指标最优；使用词典时应展示词表；结论仅适用于所分析语料，需谨慎解释并说明不确定性。具体安装命令与代码示例资料未提供。