用obsidion+deepseek搭建一个本地VOC调研系统

构建一套基于 AI 的全链路工作流：从数据清洗、深度分析到飞书自动推送。

一、系统搭建背景与价值

在跨境电商运营中，VOC（用户之声）调研是优化产品、确立竞争优势的核心依据。然而，传统流程存在显著痛点：

• 数据采集繁琐：需手动跨越亚马逊评论、Reddit、YouTube 等多平台抓取信息。
• 分析效率低下：面对海量数据，人工清洗与整理耗时耗力，且容易陷入逻辑混乱。
• 工具局限性：通用线上 AI 缺乏定制化 SOP（标准作业程序），输出内容往往泛泛而谈；依赖特定 Agent 的技能（Skill）又不够灵活。

通过将 VOC 调研方法论沉淀至本地知识库 Obsidian，并调用国内大模型（如 DeepSeek）进行自动化分析，可将原本需 1-3 天的深度调研工作压缩至30 分钟以内。

该方案的核心技术组合为：Obsidian（本地化知识库）+ DeepSeek（AI 分析引擎）+ 飞书（结果分发渠道）。

二、核心逻辑：方法论驱动 AI

直接让 AI 处理原始数据往往导致输出质量不可控。本系统的核心在于“约束与规则”，即将分析框架、人设、评分标准等 SOP 转化为 Markdown 文件，存储于 Obsidian 的 01_Methods/ 目录中。

AI 在执行任务前强制读取这些文件，从而实现：

• 固定 AI 人设与分析角色
• 标准化分析步骤与逻辑
• 统一输出格式与规范

无需编写复杂的 Prompt 或 Skill 代码，仅需维护 Markdown 文档即可动态调整分析方法论，确保 AI 始终按既定 SOP 执行。

三、文件结构与部署指南

在本地创建一个文件夹（如 Ginvs-VOC）作为 Obsidian 库，并按以下结构建立目录与文件：

推荐的文件树结构如下：

Ginvs-VOC/
├── _output/            ← 存放 AI 生成的最终分析报告
├── 00_Inbox/           ← 存放原始评论数据（输入端）
├── 01_Methods/         ← 核心方法论库（AI 必读）
│   ├── System_Role.md  ← 角色设定
│   ├── voc_分析框架.md
│   ├── 判断树.md
│   ├── 分析框架.md
│   └── 评分标准.md
├── 02_Templates/       ← 运行指令模板 + 飞书排版模板
├── 03_History/         ← 历史报告归档
└── 04_Scripts/         ← 飞书一键发送脚本

该系统优势在于完全本地化管理，文件采用通用的 Markdown 格式，易于修改与维护，无需依赖复杂的线上 Agent 配置。

四、方案对比优势

五、成本分析

本方案具备极高的性价比：

• 软件成本：Obsidian 基础功能免费；飞书群机器人免费。
• 模型成本：仅需支付 DeepSeek API 的按量计费费用，单价较低。
• 固定投入：无服务器搭建成本，无订阅制固定支出。

六、实施总结

该系统本质是将运营专家的“方法论”数字化并内置到 Obsidian，由 AI 按 SOP 执行分析，最终通过飞书实现结果自动化分发。

无需编程基础、无需自建服务器，仅需三步即可启动：

1. 建立文件夹结构与方法论文档。
2. 配置飞书 Webhook 地址。
3. 日常操作：将原始数据丢入 00_Inbox，触发指令，点击发送。

附录：飞书 Webhook 配置指南

1. 进入飞书群组，点击“设置” → “群机器人” → “添加机器人”。
2. 选择“自定义机器人”，命名后保存。
3. 复制生成的 Webhook 地址（格式：https://open.feishu.cn/open-apis/bot/v2/hook/xxx）。
4. 将该地址填入 04_Scripts/ 目录下对应脚本的配置项中即可。