3.7星掩盖的安全危机：四步将98条评论变成安全情报应用

我们如何将98条产品评论变成一个已发布的安全情报应用——仅用四个提示词、一次笔记本会话，借助 Snowflake Cortex AI Functions 和 Hex。

作者：Naveen Thomas（Snowflake 首席合作伙伴数据云架构师）与 Rachel Herrera（Hex 产品布道师）

问题：一款3.7星产品隐藏着安全危机

GE Profile Opal 2.0 是一款售价500美元的台面式 nugget 制冰机。它在亚马逊上的评分为3.7星。纸面上看，这似乎平平无奇——也许值得改进，但不值得恐慌。

但隐藏在这些评论中的，是星级评分永远不会告诉你的事情：

• 顾客报告称黑色霉菌滋生在机器内部
• 多位评论者提到向 BBB 提交投诉在收到有缺陷的翻新替换品之后
• 一位评论者给帖子起的标题是：“严重的健康隐患——千万不要购买”
• 另一位：“千万不要购买。去买 Opal 1 版本吧，这一款简直糟糕透顶。”

与此同时，其他顾客写道“我家人对这款冰块着迷了”和“这是我们买过最好的东西”。那些5星评论确实热情洋溢。

这不是一款差产品。这是一款两极分化的产品——既受人喜爱，又引发安全升级。星级平均值在这里无法告诉你任何有用的信息。你需要知道具体是什么在出故障、多久发生一次、情况是否正在恶化，以及哪些评论需要立即关注。

我们找不到可以获取这些信息的地方，所以我们自己构建了它。四个提示词、一次 Hex Agent 会话，从空白页面到发布应用不到20分钟。

本次演示使用真实的亚马逊评论数据，来自 Snowflake Marketplace 上的 Amazon Best Sellers 数据集（免费，涵盖2,700种产品的256K条评论）。没有任何内容是模拟的。每个查询都针对真实评论运行。每个结果都是真实的。

四个提示词打造一个已发布的应用

提示词 1：“给我看看这些数据里有什么”

我们打开 Hex，连接到 Snowflake，指向 GE Opal 的评论，然后输入：

“给我看看 GE Profile Opal 制冰机的评论。我想看星级分布以及所有评分的样本。产品 ASIN 是 B0964BF4N7。”

智能体找到了该产品——4,375个总评分中平均3.7星，数据集中有98条评论——并立即渲染出星级分布。当我们更仔细地查看时——两极分化非常明显：1星和5星大致形成相等的集群，而3星处有一个凸起。但分布图并没有告诉我们为什么。于是我们进一步提示。

提示词 2：“到底哪里出了问题？”

“分析这些 Opal 评论：对情感打分（比星级更细致），按投诉主题对每条评论分类（quality_defect、mold_hygiene、customer_support、noise_level、setup_maintenance、value_for_money），标记顾客正在退货或描述健康/安全问题的评论，并对它们进行优先级排序：safety > critical > high > medium > low。”

Hex 智能体使用 Snowflake Cortex AI Functions 一次性丰富了全部98条评论——对情感打分、分类主题、检测升级风险、提取具体缺陷并计算优先级层级。它先在2行上验证了模式（AI 函数按行计费），然后扩展到全部98条。

结果揭示了被星级评分所掩盖的内容：

通过这项分析，我们发现3星这一档隐藏了很多东西。3星评分暗示着“平庸”。但这23条评论中有21条实际上属于高严重性——水泵损坏、圆柱体断裂、管路中有细菌。你的负面率不是29%（1–2星），而是约55%——一旦3星评论被正确解读之后。

那安全标记呢？6条中有3条被评为3星或更高。基于星级的过滤器永远不会把它们暴露出来。

提示词 3：“给我高管摘要”

“用一段高管摘要总结所有负面评论中排名前三的反复出现的质量问题。要具体说明哪里在出故障、多快发生，并提出工程优先级建议。”

Hex 智能体从全部52条负面评论中提取了故障组件和故障时间，然后综合得出：

Opal 2.0 的3.7星评分是由三个反复出现的硬件故障驱动的，而不是口味或期望不符。首先，冰螺旋驱动系统——44个已识别故障中有23个（52%）——描述为渐进式的啸叫、刺耳声或摩擦声，中位起始时间为6个月。此外，这23台中有14台无法使用，8位评论者报告替换机也以同样方式出现故障。其次，供水子系统贡献了13个故障：7个虚假的“加水”传感器故障、3个水泵故障和3处漏水。第三，内部管路中的生物膜和霉菌污染出现在5条被标记为健康/安全的评论中——其中3条来自仍然给产品打3星或更高的顾客，使得这一风险在基于星级的监测中不可见。

工程优先级：P0——螺旋驱动系统重新设计（数量最高、起始最早、已确认在替换机中复发）。P0——水路中的霉菌缓解（数量低但涉及健康/安全责任）。P1——水位传感和水泵可靠性。

来自 Hex 智能体的不是一份“评论摘要”。而是一份产品工程简报——包含组件名称、故障时间线、复发率和优先级排序的后续步骤——由一个提示词生成。

提示词 4：“构建应用并发布它”

最后，我们提示智能体：

“为我构建一个交互式应用，包含：摘要卡片（总评论数、安全警报、严重计数、主要缺陷）、按优先级和投诉主题的过滤器、主题条形图，以及带优先级着色的可排序评论表。标题定为‘3.7星不会告诉你的事’。然后发布它。”

Hex 构建了一个 生成式数据应用——一个完整的交互式应用程序，包含布局、组件和实时数据。在其中我们发现：

• 摘要卡片：98条总评论、6条安全警报（红色）、19条严重优先级（琥珀色）、主要缺陷：压缩机/电机噪音（23次出现，中位起始时间6个月）
• 过滤器：优先级和投诉主题多选，带实时结果计数
• 条形图：按投诉主题划分的评论——质量缺陷以58条居首，其次是安装与维护（16条）、噪音水平（9条）
• 评论表：按优先级排序并配有彩色徽章（Safety 红色 → Critical 琥珀色 → High → Medium → Low），负面情绪分数以红色显示，点击可展开完整评论内容和模型推理依据

一键发布。结果就是一个实时 URL，团队中任何人都可以打开。

打开“3.7 星不会告诉你的事”→

探索 98 条 GE Opal 评论，并通过 Cortex AI Functions 进行了丰富。查看安全警报、主题细分、缺陷提取。Fork 该 notebook，并替换为你自己产品的评论。

从一个免费的 Marketplace 数据集，到一个已发布、由 AI 驱动的产品智能应用。一个人。一次 notebook 会话。四个提示词。

传统版本的做法——数据工程团队导出评论，NLP 团队构建分类模型，BI 团队设计仪表板，产品经理编写优先级层级规范，分析师维护刷新计划——横跨四个团队，需要数周时间。而这次只用了⼀次会话。

这不仅仅适用于产品评论

GE Opal 的故事只是一个通用模式的一个实例。替换数据源和分类标签——架构完全相同：

模式始终是：非结构化文本 → 用于分类、提取和筛选的 AI 函数 → 面向利益相关者的应用。只有数据和标签会变化。

它在底层如何运作

本演练中的每一项 AI 能力都在 Snowflake 内部作为 SQL 原生函数执行。你可以像使用 COUNT() 或 SUM() 一样使用它们。

Snowflake 还提供其他函数——AI_TRANSLATE（在分析前处理多语言评论）、AI_REDACT（在共享前移除 PII）、AI_PARSE_DOCUMENT（PDF 和扫描表单）、AI_TRANSCRIBE（通话录音）——它们可与上述函数组合，以处理不同数据类型。

这种架构在实践中意味着：

• 数据不会离开你的账户。 评论文本在平台内处理。对于依据 GDPR、HIPAA 或内部 DLP 政策处理客户数据的团队来说，这通常就是“已批准”与“被法务阻止”之间的区别。
• 治理会自动生效。 如果用户不能 SELECT 某一列，他们就不能将其提供给 AI 函数。你现有的掩码策略、行级安全性和审计日志无需任何额外配置即可工作。
• 无需管理基础设施。 没有 API 密钥，没有模型托管，没有 GPU 集群，没有需要监控的 token 限制。它就是一个 SQL 函数。

关于生产管道： 在此演示中，数据是静态的（一个 Marketplace 数据集）。在生产环境中使用你自己的实时数据时，你会将丰富过程包装在一个 动态表 中，并设置目标延迟——新评论会在每个刷新周期自动流经 AI 丰富流程，而应用始终显示当前状态。Cortex AI Functions 支持增量刷新，因此你只需为新行付费，而不必重新处理整张表。

谁会打开这个应用——以及会发生什么变化

开始构建

从“我有非结构化数据”到“我有一个已发布、由 AI 驱动、并被我的副总裁加入书签的应用”，过去需要四个团队和数周协调。如今，它只需要一个人、一个 notebook 和四个提示词。

打开已发布的应用 → | 获取 Amazon Reviews（免费）→

《3.7 星不会告诉你的事》最初发表于 Snowflake Builders Blog: Data Engineers, App Developers, AI, & Data Science 在 Medium 上，人们通过高亮和回应这个故事继续对话。