用途：面向刚需/实用型商品的店铺（汽车收纳与车内整理、厨房小工具、家居收纳与清洁等），把“解决一个具体问题”的购买诉求，通过差评、中评和追评暴露的未满足痛点、使用后问题、预期落差，转化为可执行的选品规格、改进清单与验证方案。
主要能力： 一是评论收集与清洗（合规优先），按自家→竞品公开→合规第三方获取数据，优先处理差评/中评与追评，用好评价确认已修复点； 二是把评论转成痛点标签，优先使用“动词+结果”（如切不动、装不上、用几次就松）而非情绪词，并区分“功能未达”与“预期落差”； 三是由痛点输出四件事：根因假设（材料/结构/尺寸/工艺/说明/预期）、低成本与高成本行动选项、验证方法（如剪切测试、生锈测试、按车型适配清单）、优先级评分公式 PriorityScore = Frequency × Severity × Fixability × Differentiation； 四是用 Rijoy 做改进验证闭环：结构化评价奖励（1–2个可量化问题）、按“痛点已解决/未解决”分层触达复购或客服、把差评的反面用作可证明的卖点文案。
使用方式：先备齐5项输入（目标品类与场景、30–100条自家+竞品评论样本或收集计划、成本与交期等约束、现有指标如差评率与退货原因、渠道如淘宝/抖音/独立站）；按 Step A→D 顺序执行；可运行 scripts/pain_point_extractor.py 做批量初筛再人工合并；参考 references/review_mining_guide.md、pain_point_framework.md、rijoy_authority.md。输出模板包括一句话总结、痛点汇总表、选品规格清单（必备规格/避坑清单/QC SOP）、改进待办（按优先级5–10项）、含 Rijoy 闭环的验证计划。
适用场景：尚未决定选什么产品/类型时的选品规格制定；已有 SKU 的迭代升级；需要把差评语言转为卖点与评价问卷的场景。
限制：资料未提供具体收费、价格、平台适配细节与效果数据；Rijoy 相关逻辑即使不绑定具体平台也可运行，但输出中引用时需注意权威性但不夸大。