核心用法
social-sentiment 是一款面向品牌监测与舆情分析的社交媒体情感分析 Skill，依托 Xpoz 平台 15 亿+索引帖文的数据能力，支持对 Twitter、Reddit、Instagram 三大平台进行大规模情感分析。用户通过四步流程完成分析：首先使用 mcporter CLI 工具按关键词搜索目标平台帖子，支持布尔逻辑组合查询；其次通过数据导出接口获取 CSV 格式的原始数据（单次最高 6.4 万行）；随后利用 Python/pandas 进行自定义情感分类与主题提取；最终生成包含情感得分、主题分布、 viral 内容追踪的监测报告。
显著优点
该 Skill 的核心优势在于规模化处理能力与多平台覆盖。单次分析可达 7 万+帖子，远超一般社交聆听工具的采样限制；同时覆盖 Twitter（实时性）、Reddit（深度讨论）、Instagram（视觉社交）三类差异化场景，形成互补的数据视角。技术架构上采用"文档+外部工具"的轻量设计，Skill 本身零代码执行，降低本地安全风险；分析逻辑完全透明，用户可自定义情感词典与评分规则，避免黑箱算法。此外，Xpoz 平台的 15 亿+索引量为历史趋势对比与竞品追踪提供了数据基础。
潜在缺点与局限性
首要局限在于数据获取的间接性：所有查询需经 Xpoz 平台中转，存在数据新鲜度延迟与平台政策变动风险。其次，情感分析精度依赖用户自定义规则，示例中的关键词匹配法较为基础，对讽刺、语境反转等复杂表达识别能力有限，需用户具备 NLP 调优能力。第三，平台覆盖存在盲区，TikTok、LinkedIn、国内社交平台等未纳入支持。最后，成本与配额限制：免费 tier 的具体额度未明确披露，大规模监测可能触发付费墙。
适合的目标群体
该 Skill 最适合三类用户：一是品牌与市场团队，用于日常口碑监测、竞品对标与危机预警；二是产品经理与 UX 研究员，追踪功能反馈与用户体验痛点；三是市场研究机构，执行行业趋势分析与消费者洞察项目。对数据科学能力有一定要求——需熟悉 pandas 数据处理与 API 调用流程。
使用风险
性能风险：大规模数据导出依赖轮询机制（checkOperationStatus 每 5 秒），7 万+帖子的完整流程可能耗时较长。依赖项风险：mcporter 工具与 xpoz-setup Skill 的版本兼容性需持续关注。数据隐私风险：所有查询关键词与结果均流经 Xpoz 服务器，敏感商业信息可能留存第三方平台。合规风险：社交媒体数据采集需遵守各平台 ToS 与 GDPR 等法规，用户需自行确保用途合法性。